Potential of three variant machine-learning models for forecasting district level medium-term and long-term energy demand in smart grid environment

پیش بینی انرژی متوسط ​​و درازمدت برای برنامه ریزی و عملیات سیستم اکوسیستم شبکه ضروری است. پیش بینی های سال آینده و آینده انرژی تقاضای انرژی ایستگاه شبکه، تولید کنندگان مستقل قدرت، مصرف کنندگان داخلی، تجاری و صنعتی اجازه می دهد مدیران بهینه سازی و برنامه ریزی منابع خود را. برای مقابله با مشکلات پیش بینی، قصد اصلی این مطالعه پیشنهاد دقیق و دقیق مدل پیش بینی انرژی در سطح منطقه ای متوسط ​​و بلندمدت با استفاده از مدل های مبتنی بر یادگیری ماشین است که عبارتند از: 1) شبکه عصبی مصنوعی با مدل ورودی چند متغیر خارجی بی نظیر ؛ 2) مدل رگرسیون خطی چند متغیره؛ و 3) مدل تقویت تطبیقی. بر اساس داده های مصرف انرژی محیطی و جمع آوری شده به عنوان ورودی و خروجی مدل، فاصله پیش بینی بار بیشتر به سه قسمت اصلی، پیش بینی پیش بینی 1 ماهه، پیش بینی فصلی پیش بینی شده و پیش بینی پیش بینی 1 ساله تقسیم می شود. استخراج ویژگی، تبدیل داده ها و تشخیص خروج از طریق آزمون های داده های مختلف انجام می شود. پیش بینی نتایج صمیمی است که مدل های مورد نظر نمی توانند نه تنها دقت پیش بینی را در مقایسه با پیش بینی های پیشین افزایش دهند، بلکه فواصل پیش بینی مناسب را در محیط شبکه هوشمند تولید می کنند. علاوه بر این، این تکنیک ها یک گام ضروری را ضروری می دانند، تلفیق استفاده فضایی از ناهنجاری های انرژی و تغییرات سطح منطقه و توانایی های پیش بینی قوی از نیاز مصرف انرژی در آینده درک.