چکیده مقاله
در عصر حاضر، پیش بینی دقیق تقاضای انرژی در شبکه های قدرت، به عنوان یکی از چالش های اصلی در حوزه مدیریت انرژی و پایداری سیستم ها شناخته می شود در گذشته، بیشتر روش های پیش بینی بر پایه مدل های آماری و ریاضی سنتی استوار بود که وابستگی زیادی به داده های تاریخی و فرضیات ساده داشت اما با پیشرفت فناوری های داده محور و افزایش حجم داده های عملیاتی از حسگرها و سیستم های هوشمند، استفاده از رویکردهای نوین مبتنی بر هوش مصنوعی و یادگیری ماشین بیش از پیش مورد توجه قرار گرفته است رویکردهای داده محور در پیش بینی تقاضای انرژی، امکان تحلیل داده های بزرگ، کشف الگوهای پیچیده و پیش بینی دقیق رفتار مصرف کنندگان را بدون نیاز به مدل های دقیق فیزیکی فراهم می آورند در این زمینه، الگوریتم های یادگیری ماشین مانند شبکه های عصبی، ماشین بردار پشتیبان، روش های رگرسیون و مدل های ترکیبی، در بسیاری از شبکه های قدرت برای پیش بینی کوتاه مدت و بلندمدت تقاضا به کار گرفته شده اند علاوه بر این، تکنیک های یادگیری عمیق امکان بهبود دقت در شرایط متغیر آب وهوایی و رفتاری را فراهم می کنند در این مقاله، ابتدا مروری جامع بر روش های داده محور و نقش آن ها در پیش بینی تقاضای انرژی ارائه شده است سپس، کاربردهای متنوع یادگیری ماشین در این حوزه بررسی و ویژگی های هر رویکرد تحلیل شده است علاوه بر این، بخشی مستقل به روش های تحلیلی مبتنی بر مدل های عمیق و نحوه پیاده سازی آن ها اختصاص یافته است در پایان نیز، با بررسی چندین مطالعه اخیر، کاربرد عملی این روش ها در شبکه های قدرت مختلف و تاثیر آن ها بر بهبود دقت و کارایی مدیریت انرژی ارزیابی شده است یافته های این پژوهش نشان می دهد که ترکیب الگوریتم های یادگیری ماشین، راه حل های موثر و انعطاف پذیری برای افزایش پایداری و بهینه سازی شبکه های قدرت هوشمند فراهم می کند
کلیدواژهها
نویسندگان
امیرحسین اسدی نظری
۱ کارشناسی ارشد – دانشکده مهندسی برق – دانشگاه صنعتی خواجه نصیرالدین طوسی تهران ایران
شیوه ارجاع
�سدی نظری، امیرحسین،1404،ارزیابی و مقایسه الگوریتم های یادگیری ماشین برای پیش بینی تقاضای انرژی در شبکه های قدرت هوشمند،بیست و ششمین کنفرانس ملی مهندسی برق،کامپیوتر و مکانیک،شیروان
ارائهشده در
مجموعه مقالات بیست و هفتمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک24 شهریور 1404 · شیروان