fa طراحی شبکه باقی مانده عصبی عمیق چند سطحی برای پیش بینی کوتاه مدت بارهای الکتریکی در سیستم های قدرت برق و کامپیوتر پژوهشي Research <p style="font-style: normal; text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span dir="RTL" lang="FA"><span b="" nazanin="">برای برقراری تعادل تولید - مصرف، طراحی یک روش که اطلاعات اولیه را برای بار مصرفی در ساعات آتی با سطح دقت و قابلیت اطمینان مطلوبی ضروری می‌باشد. مسئله‌ی پیش‌بینی بار با ظهور مفاهیم جدید در شبکه‌های برق و تجدید ساختار سیستم‌های قدرت روز به روز پیچیده‌تر می‌شود. این مقاله یک شبکه باقی‌مانده عصبی را برای پیش بینی با دقت بالای بارهای الکتریکی پیشنهاد می‌کند. در شبکه‌ی طراحی شده با ترکیب دو شبکه‌ی باقی‌مانده عمیق قدرتمند توانایی یادگیری ارتقا یافته و همچنین از مشکلاتی همچون بیش برازش و</span></span><span new="" roman="" times="">&shy;</span><span dir="RTL" lang="FA"><span b="" nazanin="">کاهش/افزایش گرادیان جلوگیری شده است. همچنین، برای یادگیری کامل مشخصات زمانی و مکانی، شبکه‌ی عصبی کانولوشنی (</span></span><span new="" roman="" times="">CNN</span><span dir="RTL" lang="FA"><span b="" nazanin="">) و واحد بازگشتی حافظه‌دار (</span></span><span new="" roman="" times="">GRU</span><span dir="RTL" lang="FA"><span b="" nazanin="">) ترکیب شده و در ساختار چندسطحی باقی‌مانده ادغام شده است. تحلیل‌ها فصلی و تحقیق بر روی چندین مورد مختلف با استفاده از داده‌های بار مصرفی واقعی در شهر شیراز، ایران موثر بودن روش را تایید می‌کند و برتری روش پیشنهاد از طریق مقایسه با روش‌های پیشین نشان داده شده است.</span></span></span></span></p> <p style="text-align: justify;"><span style="font-family:Tahoma;"><span style="font-size:12px;"><span new="" roman="" times="">To maintain supply-demand balance, it is crucial to design a method to provide prior knowledge on load consumption in look-ahead time with high level of accuracy and reliability. The load prediction problem is becoming more and more challenging due to emerging new concepts in the electrical grids and reconstruction of the power networks. This paper develops a residual neural network to predict the electrical loads with high level of accuracy. In the designed network with combining two powerful deep residual network, a new residual deep network is proposed to improve the learning ability as well as prevent problems like overfitting and gradient reduction/explosion. Furthermore, to fully understand the spatial-temporal features, convolutional neural network (CNN) and gated recurrent unit (GRU) are combined and integrated into the designed multi-level deep network. The seasonal analysis and investigating several cases using actual electrical load consumption in Shiraz, Iran verifies the effectiveness of the proposed method and higher accuracy of the proposed deep network in comparison with other methods demonstrate the superiority of the proposed method.</span></span></span></p> پیش‌بینی کوتاه مدت بار, شبکه‌ی عصبی باقی‌مانده عمیق چند سطحی, شبکه بازگشتی حافظه‌دار, شبکه‌ی عصبی کانولوشنی Short-term load forecasting, multi-level residual deep neural network, gated recurrent network, convolutional neural network 1 11 http://ieijqp.ir/browse.php?a_code=A-10-1476-1&slc_lang=fa&sid=1 mahtab ganjouri مهتاب گنجوری mahtab.ganjouri@miau.ac.ir 2280684241 10031947532846006402 No دانشکده مهندسی برق، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران Mazda Moattari مزدا معطری moattari@miau.ac.ir 2296942962 10031947532846006403 Yes دانشکده مهندسی برق، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران Ahmad Forouzantabar احمد فروزان تبار a.forouzantabar@miau.ac.ir 2296307061 10031947532846006404 No دانشکده مهندسی برق، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران Mohammad Azadi محمد آزادی mazadi@miau.ac.ir 2298035539 10031947532846006405 No مرکز تحقیقات مکاترونیک و هوش مصنوعی، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران