كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / یازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

ارائه یک رویکرد مبتنی بر یادگیری جمعی برای پیش‌بینی مصرف برق با در نظر گرفتن عوامل محیطی، زمانی و تاریخی

نویسندگان :

مریم قریشی زاده¹ امیر ابراهیمی زاده²

1- دانشگاه شهید باهنر کرمان 2- دانشگاه شهید باهنر کرمان

کلمات کلیدی :

پیش‌بینی مصرف برق،پیش‌بینی سری زمانی،یادگیری ماشین،جنگل تصادفی،تقویت گرادیان،یادگیری جمعی

چکیده :

این پژوهش به بررسی مسئله پیش‌بینی مصرف برق در سطح ملی با هدف کاهش ناترازی و مدیریت بهینه شبکه انرژی می‌پردازد. با توجه به نقش کلیدی پیش‌بینی بار در برنامه‌ریزی تولید انرژی الکتریکی و مدیریت سمت تقاضا، مطالعه حاضر بر بهبود دقت پیش‌بینی از طریق الگوریتم‌های یادگیری ماشین تمرکز دارد. برای دستیابی به پیش‌بینی‌ دقیق و فراتر رفتن از مدل‌های صرفاً خودرگرسیو، قابلیت مدل‌ها در پیش‌بینی ساعتی و افق‌های زمانی مختلف (۱، ۷، ۳۰ و ۹۰ روز) بار الکتریکی، بر اساس سه دسته ویژگی متغیرهای تاریخی مصرف، داده‌های محیطی و ویژگی‌های زمانی و تقویمی مورد بررسی قرار گرفت. روش تحقیق شامل به‌کارگیری سه مدل درخت تصمیم، جنگل تصادفی و XGBoost برای پیش‌بینی بار است. داده‌های مورد استفاده شامل ۱۳۱,۴۸۱ رکورد ساعتی از ژانویه ۲۰۰۸ تا دسامبر ۲۰۲۲ می‌باشد. فرآیند مدل‌سازی شامل پیش‌پردازش داده‌ها، مهندسی ویژگی‌های جدید و بهینه‌سازی فراپارامترها با اعتبارسنجی متقابل سری‌های زمانی است. نتایج نشان داد که مدل‌های یادگیری جمعی، به ویژه XGBoost، با کمترین خطا در پیش‌بینی ساعتی (MAPE ≈ 2.6%) و بالاترین دقت و پایداری در افق‌های میان‌مدت (R² = 0.88 برای ۹۰ روز) عملکرد برتری نسبت به مدل‌های پایه همچون درخت تصمیم دارند. همچنین تحلیل اهمیت ویژگی‌ها مشخص کرد که داده‌های تاریخی با سهم حدود %55 مهم‌ترین عامل پیش‌بینی هستند، اما ویژگی‌های زمانی و تقویمی (≈28%) و آب‌وهوایی (≈17%) نیز نقش حیاتی در بهبود قدرت پیش‌بینی ایفا می‌کنند. مدل حاصل از این پژوهش قابلیت به‌کارگیری برای پیش‌بینی مصرف در سطح کشور را نیز داراست و می‌تواند در کاهش ناترازی‌ها مؤثر باشد.