RT - Journal Article T1 - Short-term Load Forecasting using Convolutional Neural Network and Long Short-term Memory JF - ieijqp YR - 2021 JO - ieijqp VO - 10 IS - 1 UR - http://ieijqp.ir/article-1-757-fa.html SP - 35 EP - 51 K1 - Short-term Forecast K1 - Electrical Load Consumption K1 - Deep Neural Network K1 - Convolutional Neural Networks K1 - Long Short-Term Memory AB - امروزه انرژی الکتریسیته یکی از اساسی‌ترین نیازهای جوامع بشری محسوب می‌شود به گونه‌ای که تمام فعالیت‌های صنعتی و بخش زیادی از فعالیت‌های اجتماعی، اقتصادی، کشاورزی و ... با اتکا به این انرژی انجام می‌شود، بنابراین کیفیت و تداوم انرژی الکتریسیته از اهمیت بسزایی برخوردار است. هدف این پژوهش آن است که بر اساس عوامل موثر بر بار الکتریکی که دارای روابط پیچیده غیرخطی هستند و عمدتاً شامل تغییرات آب و هوا و نوسانات دوره‌ای روزانه و هفتگی مصرف می‌باشند به پیش‌بینی تغییرات مصرف بار کوتاه مدت دست یابد. روش پیشنهادی یک شبکه عصبی ترکیبی، با استفاده از یادگیری عمیق می‌باشد که از ترکیب دو معماری CNN و LSTM ایجاد شده است. معماری CNN با توجه به قابلیت آن در استخراج الگوهای موجود در داده و معماری LSTM بر پایه توانایی آن در پیش‌بینی سری‌های زمانی، مورد استفاده قرار گرفته‌اند. رویکرد ارائه شده با استفاده از پیش‌بینی آب و هوای ساعات آینده و الگوی مصرف بار الکتریکی در ساعات گذشته، قادر به پیش‌بینی الگوی مصرف آینده خواهد بود. نتایج ارزیابی نشان می‌دهد که دقت پیش‌بینی بر اساس معیارهای MAPE ، RMSE، RSEوCORR در مقایسه با بهترین روش‌های موجود بهبود یافته است. LA eng UL http://ieijqp.ir/article-1-757-fa.html M3 10.52547/ieijqp.10.1.35 ER -