فهرست نشریات علمی دسترسی آزاد ایران

پیش‏بینی بار از مهم‌ترین جنبه‏های مدیریت مؤثر سیستم‏های قدرت است و به عوامل مختلفی از جمله ابزار و منابع تولید برق توسط هر شرکت، تقاضای بار الکتریکی، عوامل آب‌وهوایی، عوامل اقتصادی و فعالیت‏های انسانی بستگی دارد. براساس افق‏ زمانی، پیش‏بینی بار را می‏توان به سه گروه عمده پیش‏بینی کوتاه‏مدت، میان‏مدت و بلند‏مدت دسته‏بندی کرد. هدف اصلی این مقاله، پیش‏بینی کوتاه‏مدت مصرف برق، در شبکۀ برق منطقه‏ای استان گیلان است. در این پژوهش، پس از جمع‏آوری داده‏ها شامل سرعت باد، رطوبت نسبی، دما، نقطه شبنم، تعطیلات، طول روز و تأثیر کرونا، پیش‏پردازش روی آن‏ها انجام شده و با استفاده از الگوریتم خوشه‏بندی K_Means به پنج خوشه تقسیم می‌شوند. در ادامه روابط بین متغیرهای مستقل و وابسته مصرف برق در استان گیلان با استفاده از الگوریتم‏های رگرسیون خطی1، شبکۀ عصبی مصنوعی2 و رگرسیون بردار پشتیبان3 به همراه روش بهینه‏سازی جستجوی شبکه4، مورد بررسی قرار گرفته و در نرم‏افزار Python و در محیط Google Colab، بررسی و مدل‏سازی شده است. در خوشه‏بندی، الگوریتم‏های یادشده، روی تمامی خوشه‏ها و مجموع آن‏ها اعمال می‏شود. نتایج تحقیق در این مقاله نشان می‏دهد الگوریتم رگرسیون بردار پشتیبان، دقت بالاتر و زمان اجرای بیشتری نسبت به دو الگوریتم شبکۀ عصبی مصنوعی و رگرسیون خطی دارد. الگوریتم شبکۀ عصبی مصنوعی نسبت به رگرسیون خطی دارای خطای کمتر و زمان اجرای بیشتری است.