fa پیش‌بینی کوتاه‌مدت و بلندمدت بار الکتریکی با استفاده از روش‎های جدید یادگیری ماشین با در نظر گرفتن دما و زاویه ارتفاعی خورشید قدرت Power پژوهشي Research <span dir="RTL">هدف از این مقاله، به‌کارگیری و مقایسه عملکرد سه روش یادگیری ماشین شامل جنگل تصادفی (</span>RF<span dir="RTL">)، ماشین بردار پشتیبان (</span>SVM<span dir="RTL">) و اسپلاین</span><strong>&lrm;</strong><span dir="RTL">های رگرسیون تطبیقی چندمتغیره (</span>MARS<span dir="RTL">) 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 </span><em>R</em>²<span dir="RTL"> 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 </span>R<span dir="RTL"> 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 روش</span><strong>&lrm;</strong><span dir="RTL">های</span><span dir="RTL"> پیاده شده با دقت بسیار خوبی بار مصرفی را پیش بینی می</span><strong>&lrm;</strong><span dir="RTL">نمایند و همچنین روش</span> RF<span dir="RTL"> در پیش‌بینی بار کوتاه‌مدت و روش </span>SVM<span dir="RTL"> در پیش‌بینی بار بلندمدت عملکرد بسیار مناسبی ارائه می</span><strong>&lrm;</strong><span dir="RTL">دهند و دقت بیشتری دارند. </span> This study is aimed to apply three machine learning techniques including Random Forest (RF), Support Vector Machine (SVM), and Multivariate Adaptively Regression Spline (MARS) in both short-term and long-term electric load forecasting problems and compare their performance. Last hour load, temperature, and solar altitude angle of the present hour with holidays were considered as inputs. Three different criteria including root mean square error, mean absolute error, and coefficient of determination were used to evaluate the performance of prediction methods. These methods are all applied to practical electric load demand data obtained from a sub-transmission substation in Hamedan using R programming language. The temperature data are collected from the nearest meteorological weather station and the hourly solar altitude angle for the whole year is accurately calculated with astronomical equations for the studied location. The results show that the implemented methods provide acceptable forecasts and RF and SVM models exhibit superb results and provide more accurate forecasts in short-term load and long-term load forecasting respectively. پیش‌بینی بار کوتاه‌مدت, پیش‌بینی بار بلندمدت, یادگیری ماشین, جنگل تصادفی, ماشین بردار پشتیبان, اسپلاین های رگرسیون تطبیقی چند متغیره Short-Term Prediction, Long-Term Prediction, Machine Learning, Random Forest, Support Vector Machine, Multivariate Adaptively Regression Spline 101 109 http://jiaeee.com/browse.php?a_code=A-10-1712-2&slc_lang=fa&sid=1 Ramezan Ali Naghizadeh رمضانعلی نقی زاده naghizadeh@hut.ac.ir 100319475328460010375 100319475328460010375 Yes Hamedan University of Technology گروه مهندسی برق- دانشگاه صنعتی همدان