الملخص في مجال هندسة أنظمة الطاقة، يعد توقع طلب نظام الطاقة أمرًا ضروريًا. وذلك لأن نماذج التنبؤ الدقيقة توفر الأساس لمعظم مهام التخطيط والتشغيل للنظام. الهدف الأساسي من جميع البنى التحتية الكهربائية هو تزويد ودعم استهلاك الطاقة. نتيجة لذلك، فإن بناء نماذج تنبؤية موثوقة وفعالة ضروري لتقديم توقعات حمولة دقيقة. يتم استخدام طريقة واحدة للتنبؤ، وهي توقع الحمولة على المدى القصير (STLF) في هذا البحث، والتعلم الآلي مثل الشبكة العصبية العميقة (DNN) هي الطريقة المستخدمة هنا لتحليل STLF. لتحسين التنبؤ الكلي ومعالجة التحديات التي تطرحها بعض متنبئي الفئة، تم إضافة متغيرات تنبؤية جديدة. بناءً على اختيار عينة المدخلات وجذر متوسط مربع الخطأ (RMSE)، يتم إجراء مقارنة DNN. للتأكد من النتائج وتحديد ما إذا كانت هذه النماذج معادلة إحصائيًا أم لا، يتم إجراء اختبارات إحصائية. تُظهر النتائج أن نموذج DNN هو إحصائيًا نفسه ومناسب لـ STLF. علاوة على ذلك، من أجل تقليل قيمة RMSE، استخدمت هذه الدراسة طريقة الانحدار التدرجي كتقنية تحسين مع DNN، وكانت أفضل قيم RMSE لـ STLF هي 0.0322، 0.0970، 0، 0.0087، 0.0141، و 0.0204، على التوالي، مقارنةً بدون استخدام تقنية تحسين.
دراسة Panda وآخرون (الجمعة) هذا السؤال.