مرتضی یوسف صنعتی

پیش‌بینی بار مصرفی برق یکی از ابزارهای کلیدی در مدیریت شبکه‌های هوشمند است که به بهبود عملکرد شبکه، مدیریت بهینه منابع، کاهش هزینه‌ها، حفظ پایداری شبکه، و پیش‌بینی خرابی‌ها کمک می‌کند. در این پژوهش، از خوشه‌بندی برای ایجاد گروه‌هایی از مصرف‌کنندگان با الگوهای مصرفی مشابه استفاده کرده‌ایم تا با تحلیل این الگوها، پیش‌بینی دقیق‌تری از نیازهای انرژی هر خوشه در آینده داشته باشیم. ابتدا، داده‌های مصرف برق لندن که توسط کنتورهای هوشمند جمع‌آوری شده‌اند، با استفاده از روش FeaClip بازنمایی شدند. سپس، داده‌های پرت شناسایی و حذف گردیدند و با استفاده از الگوریتم خوشه‌بندی سلسله‌مراتبی، داده‌های بازنمایی شده خوشه‌بندی شدند. در نهایت، جریان داده‌های مربوط به هر خوشه به‌عنوان ورودی به الگوریتم‌های پیش‌بینی ارائه شد. برای کاهش بار محاسباتی، خوشه‌بندی مجدد تنها زمانی انجام می‌شود که تغییر در توزیع تجربی خوشه‌های ایجاد شده شناسایی شود. این روش با پنج روش معیار و شش روش پیش‌بینی و با استفاده از معیار MAPE ارزیابی شده است. پیاده‌سازی این رویکرد با استفاده از زبان برنامه‌نویسی R در بستر R-Studio انجام شد و نتایج نشان‌دهنده بهبود قابل‌توجهی نسبت به پیش‌بینی ساده (بدون خوشه‌بندی) است. این رویکرد نه‌تنها دقت پیش‌بینی را افزایش می‌دهد، بلکه قابلیت‌های جدیدی مانند کاهش بار محاسباتی، مدیریت بهینه منابع انرژی، و شناسایی الگوهای مصرفی پیچیده را فراهم می‌کند که در کاربردهای مختلف مدیریت شبکه‌های هوشمند بسیار مؤثر است.