پیش بینی بار سیستم قدرت با استفاده از روش یادگیری عمیق مبتنی بر شبکه با اتصال متراکم

پیش بینی بار در سیستم های قدرت از اهمیت ویژه ای برخوردار است . در سال های اخیر، روش های مبتنی بر یادگیری عمیق به منظورپیش بینی بار ظهور یافته اندکه قابلیت های تقریب غیرخطی آنها می تواند دقت پیش بینی بیشتری نسبت به روشهای آماری مرسوم فراهم کند.بااین حال، برخی مشکلات رایج نظیر محوشدگی گرادیان و پدیده بیش برازش در این روش ها وجود دارد . به منظور حل این مشکلات، یک مدلیادگیری عمیق مبتنی برکانولوشن غیرمشترک با شبکه دارای اتصالات متراکم پیشنهاد شده است که می تواند مشکل محوشدگی گرادیان راکاهش دهد. علاوه بر این، از یک روش تنظیم نرمالیزه شده، برای غلبه بر بیش برازش و طراحی یک استراتژی، برای رسیدگی به تفاوت هایاحتمالی توزیع بین داده های آموزشی و داده های واقعی استفاده شده است . در نهایت، دو حالت مطالعاتی برای اثبات عملکرد بهینه مدل یادگیریعمیق پیشنهادی جهت پیش بینی بار قطعی و دوره ای انجام شده است.دو مجموعه داده بار واقعی ولتاژ بالا و ولتاژ متوسط برای آموزش مدل واعتبارسنجی مورداستفاده قرار داده شده است. نتایج نشان می دهند که مدل پیشنهادی در مقایسه با سایر رو ش های متداول دقت پیش بینی باربالاتری داشته است.

کلیدواژه ها:

پیش بینی بار ، یادگیری عمیق ، شبکه با اتصال متراکم ، کانولوشن غیرمشترک