فهرست نشریات علمی دسترسی آزاد ایران

در دنیای مدرن، انرژی الکتریکی یکی از اساسی‌ترین نیازهای جوامع، نقش حیاتی در بخش‌های صنعتی، اقتصادی و اجتماعی ایفا می‌کند. با توجه به عدم امکان ذخیره‌سازی در مقیاس بزرگ و نوسانات عرضه و تقاضا، پیش‌بینی دقیق مصرف بار الکتریکی ضروری است. مدل‌های سنتی سری‌های زمانی، اغلب در مواجهه با الگوهای غیرخطی و پیچیده داده‌های صنعتی دچار چالش می‌شوند. این پژوهش یک چارچوب ترکیبی نوین برای پیش‌بینی دقیق سری زمانی مصرف انرژی الکتریکی ارائه می‌دهد. رویکرد پیشنهادی بر پایه شبکه عصبی حافظه بلند-کوتاه مدت (LSTM) است که برای به حداکثر رساندن عملکرد مدل، هایپرپارامترهای شبکه LSTM با استفاده از الگوریتم بهینه‌سازی خودکار Optuna  بهینه‌سازی شده‌اند. داده‌های مورد استفاده شامل سری‌های زمانی مصرف برق کارخانه فولاد بافت به همراه متغیرهای برون‌زا مانند میزان تولید فولاد، مدت زمان توقف تولید، شرایط آب و هوایی و تقویمی هستند. نتایج ارزیابی نشان می‌دهند که مدل ترکیبی LSTM-Optuna  با ضریب تعیین ((R2) 89/0و درصد خطای مطلق میانگین (MAPE) 46/18٪، نه تنها از مدل پایه با ضریب تعیین 85/0 و درصد خطای مطلق میانگین با مقدار 44/20٪ عملکرد بهتری نشان می‌دهد، بلکه از سایر روش‌های یادگیری ماشین مانند شبکه‌های عصبی بازگشتی (RNN) و ماشین بردار پشتیبان ((SVM.