چکیده: پیش بینی کوتاه مدت بار (STLF) به طور دقیق، برای برنامهریزی، بهرهبرداری و کنترل سیستم قدرت مورد نیاز است. این روش پیش بینی توسط تاسیسات برق، اپراتورهای سیستم، ژنراتورها و بازاریابهای انرژی استفاده میشود. در این مقاله با اعمال تکنیک انتخاب ویژگی (FS) بر مبنای معیار اطلاعات متقابل (MI) بر روی داده های بار الکتریکی ورودی، موثرترین این داده ها انتخاب می شوند. روش پیشنهادی در این مقاله استفاده از شبکه عصبی ترکیبی (CNN) که متشکل از سه شبکه عصبی پیش خور از نوع پرسپترون چند لایه (MLP) که به صورت سری به یکدیگر متصل شده اند ، می باشد. همچنین از روش بهینه سازی ازدحام ذرات (PSO) به منظور دستیابی به مقادیر بهینه پارامترهای تاثیر گذار در روند پیش بینی، که این پارامترها در قسمت انتخاب ویژگی و شبکه عصبی پیشنهادی قراردارند ، استفاده می شود. این روش پیشنهادی بر روی داده های بار سال ۹۷ شهرستان کرمان اعمال شده و نتایج آن تاکیدی بر کارایی این روش در پیش بینی بار الکتریکی می باشد.
امیرتیموری,فائزه و جلالی,حسین . (1403). پیش بینی تقاضای کوتاه مدت انرژی الکتریکی بر اساس یک مدل بهینه توسعه یافته آموزش شبکه های عصبی ترکیبی. سیستم های انرژی: فناوری و مدیریت, 1(1), 58-69. doi: 10.48306/estm.2025.232464
MLA
امیرتیموری,فائزه , و جلالی,حسین . "پیش بینی تقاضای کوتاه مدت انرژی الکتریکی بر اساس یک مدل بهینه توسعه یافته آموزش شبکه های عصبی ترکیبی", سیستم های انرژی: فناوری و مدیریت, 1, 1, 1403, 58-69. doi: 10.48306/estm.2025.232464
HARVARD
امیرتیموری فائزه, جلالی حسین. (1403). 'پیش بینی تقاضای کوتاه مدت انرژی الکتریکی بر اساس یک مدل بهینه توسعه یافته آموزش شبکه های عصبی ترکیبی', سیستم های انرژی: فناوری و مدیریت, 1(1), pp. 58-69. doi: 10.48306/estm.2025.232464
CHICAGO
فائزه امیرتیموری و حسین جلالی, "پیش بینی تقاضای کوتاه مدت انرژی الکتریکی بر اساس یک مدل بهینه توسعه یافته آموزش شبکه های عصبی ترکیبی," سیستم های انرژی: فناوری و مدیریت, 1 1 (1403): 58-69, doi: 10.48306/estm.2025.232464
VANCOUVER
امیرتیموری فائزه, جلالی حسین. پیش بینی تقاضای کوتاه مدت انرژی الکتریکی بر اساس یک مدل بهینه توسعه یافته آموزش شبکه های عصبی ترکیبی. سیستم های انرژی: فناوری و مدیریت, 1403; 1(1): 58-69. doi: 10.48306/estm.2025.232464
