Naghizadeh R A. Short-term and Long-term Electric Load Prediction Using New Machine Learning Techniques with Temperature and Solar Altitude Angle. Journal of Iranian Association of Electrical and Electronics Engineers 2023; 20 (2) :101-109
URL:
http://jiaeee.com/article-1-1370-fa.html
نقی زاده رمضانعلی. پیشبینی کوتاهمدت و بلندمدت بار الکتریکی با استفاده از روشهای جدید یادگیری ماشین با در نظر گرفتن دما و زاویه ارتفاعی خورشید. نشریه مهندسی برق و الکترونیک ایران. 1402; 20 (2) :101-109
URL: http://jiaeee.com/article-1-1370-fa.html
گروه مهندسی برق- دانشگاه صنعتی همدان
چکیده: (762 مشاهده)
هدف از این مقاله، بهکارگیری و مقایسه عملکرد سه روش یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و اسپلاینهای رگرسیون تطبیقی چندمتغیره (MARS) برای پیشبینی کوتاهمدت و بلندمدت بار الکتریکی است. اطلاعات ورودی به صورت بار الکتریکی ساعت قبلی، دمای هوا و زاویه فعلی ارتفاعی خورشید و روزهای تعطیل رسمی در نظر گرفته شده است. سه معیار مختلف برای مقایسه عملکرد شامل خطای جذر میانگین مربعات، خطای میانگین قدر مطلق و ضریب تعیین R2 مورد استفاده قرار گرفته است. روشها بر روی دادههای ثبت شده واقعی مصرف بار الکتریکی یکی از پستهای فوق توزیع شهر همدان و با استفاده از زبان برنامهنویسی متنباز R پیادهسازی شده است. داده دمای هوای منطقه از نزدیکترین ایستگاه هواشناسی دریافت شده و زاویه تابش خورشید برای کل ساعات سال بر اساس موقعیت جغرافیای محل و روابط نجومی محاسبه شده است. نتایج نشان میدهد که روشهای پیاده شده با دقت بسیار خوبی بار مصرفی را پیش بینی مینمایند و همچنین روش RF در پیشبینی بار کوتاهمدت و روش SVM در پیشبینی بار بلندمدت عملکرد بسیار مناسبی ارائه میدهند و دقت بیشتری دارند.
نوع مقاله:
پژوهشي |
موضوع مقاله:
قدرت دریافت: 1400/6/2 | پذیرش: 1400/9/11 | انتشار: 1401/12/7