پیش‌بینی کوتاه‌مدت بار توان براساس شبکه عصبی بازگشتی دوسویه چند لایه

پیش‌بینی دقیق بار توان برای اطمینان از ایمنی، پایداری و عملکرد اقتصادی سیستم قدرت از اهمیت زیادی برخوردار است. به طور خاص ، پیش بینی کوتاه مدت بار قدرت پایه ای برای برنامه ریزی شبکه و تصمیم گیری است. در سال‌های اخیر، الگوریتم های یادگیری ماشین به طور گسترده‌ای برای پیش‌بینی کوتاه‌مدت بار توان مورد استفاده قرار گرفته‌اند. به ویژه حافظه بلند مدت کوتاه (‏LSTM)‏و واحد بازگشتی دروازه دار (‏GRU)‏مناسب داده‌های سری زمانی هستند. در این مطالعه، یک مدل شبکه عصبی بازگشتی دوسویه چند لایه براساس LSTM و GRU برای پیش‌بینی بار توان کوتاه‌مدت پیشنهاد شده‌است و بر روی دو مجموعه داده تایید شده‌است. نتیجه تجربی نشان می‌دهد که روش پیشنهادی در دقت پیش‌بینی داده‌های رقابتی شبکه تکنولوژی هوشمند اروپا بر برنده رقابت برتری دارد. در داده‌های شرکت برق در چونگکینگ، با توجه به تفاوت‌های بار فصلی، بار پیک ساعتی انواع مختلف داده‌های بار برای آزمایش‌ها استفاده می‌شود. نویسندگان به طور جداگانه بار فصلی را پیش‌بینی کرده و آن را با LSTM، رگرسیون برداری پشتیبانی و مدل‌های پس انتشار مقایسه می‌کنند. نتایج این مقایسه اولویت

true