Международный журнал роевого интеллекта и эволюционных вычислений

Абстрактный

Краткосрочное прогнозирование нагрузки и возобновляемой энергии с использованием искусственной нейронной сети

Рам Сринивасан, Венки Баласубраманян, Бувана Сельварадж

Прогнозирование нагрузки — это метод, используемый для прогнозирования потребностей в электрической нагрузке при управлении батареями. В целом, агрегированный уровень, используемый для краткосрочного прогнозирования электрической нагрузки (STLF), состоит из числовой или нечисловой информации, собранной из нескольких источников, что помогает в получении точных данных и эффективном прогнозировании. Однако агрегированный уровень не может точно прогнозировать фазы проверки и тестирования числовых данных, включая измерения в реальном времени уровня освещенности (Вт/м2) и выходной мощности фотоэлектрических установок (Вт). Прогнозирование также является проблемой из-за колебаний, вызванных случайным использованием приборов в существующих данных о нагрузке еженедельного, суточного и годового цикла. В этом исследовании мы преодолели эту проблему, используя методы искусственной нейронной сети (ИНС), такие как алгоритмы байесовской регуляризации (BR) и Левенберга–Марквардта (LM). STLF, достигаемый методами на основе ИНС, может повысить точность прогноза. Общая производительность алгоритмов BR и LM была проанализирована на этапах разработки ИНС. Входной слой, скрытый слой и выходной слой, используемые для обучения и тестирования ANN, вместе прогнозируют 24-часовой спрос на электроэнергию. Результаты показывают, что использование алгоритмов LM и BR обеспечивает высокоэффективную архитектуру для оценки спроса на возобновляемую энергию.