رگرسیون عمیق جنگل برای پیش بینی بار کوتاه مدت سیستم های قدرت

شبکه های عصبی عمیق مربوط به الگوریتم های عمیق یادگیری را میتوان در رگرسیون و طبقه بندی به کار برد . این در حالی است کهعملکرد رگرسیون و طبقه بندی شبکه های عصبی عمیق بسته به پارامترهای بالادستی در شبکه های عصبی عمیق است . در این مقاله به منظورکاهش اثرات نامطلوب پارامترهای بالادستی برای الگوریتم های یادگیری عمیق , رگرسیون جنگل عمیق برای پیش بینی بار کوتاه مدت سیستم هایقدرت پیشنهاد شده است . رگرسیون عمیق جنگل شامل دو روش اسکن چند دانه و روش آبشاری جنگل است . این دو روش می توانند به طور موثرتوسط دو جنگل کاملا تصادفی و دو جنگل تصادفی با پیکربندی پیش فرض آموزش داده شوند . سپس از رگرسیون عمیق جنگل در پیش بینی بارکوتاه مدت سیستم های قدرت استفاده می شود . عملکرد پیش بینی رگرسیون عمیق جنگل با الگوریتم های هوشمند متعدد و الگوریتم های رگرسیونمرسوم تحت مدل با داده های ۷ روزه , ۲۱ روزه و ۴۰ روزه مقایسه شده است . همچنین عملکرد پیشبینی رگرسیون جنگل عمیق با پارامترهایمختلف مقایسه شده است . نتایج عددی نشان می دهد که رگرسیون عمیق جنگل با پارامترهای پیکربندی شده پیش فرض میتواند دقت پیش بینیکوتاه مدت را افزایش داده و تاثیر تجربیات برای پیکربندی پارامترهای بالادستی پارامترهای مدل یادگیری عمیق را کاهش دهد

کلیدواژه ها:

رگرسیون عمیق جنگل ، پیش بینی بار کوتاه مدت ، روش اسکن چند دانه ، روش جنگل آبشاری.