AU - Ghassaei, Sina AU - Ravanmehr, Reza TI - Short-term Load Forecasting using Convolutional Neural Network and Long Short-term Memory PT - JOURNAL ARTICLE TA - ieijqp JN - ieijqp VO - 10 VI - 1 IP - 1 4099 - http://ieijqp.ir/article-1-757-fa.html 4100 - http://ieijqp.ir/article-1-757-fa.pdf SO - ieijqp 1 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. CP - IRAN IN - Poonak, Hamila Bldv LG - eng PB - ieijqp PG - 35 PT - Research YR - 2021