fa بهره برداری بهینه ریزشبکه‌ هیبریدی برای افزایش بهره وری انرژی الکتریکی در حالت جزیره ایی با بکارگیری شبکه های عصبی با یادگیری عمیق و مدیریت تقاضا عمومى General پژوهشي Research <p style="text-align: justify;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><a name="_Hlk89627384"><span style="color:#000000;"><span dir="RTL" lang="FA"><span b="" nazanin="">در این مقاله از </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">شبکه‌های</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> عصبی با یادگیری عمیق برای </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">پیش‌بینی</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> بار یک ریزشبکه در حالت </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">جزیره‌ای</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> استفاده‌شده است. سپس، با استفاده از نتایج </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">به‌دست‌آمده</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> یک مدل جدید ریاضی بر اساس جابجایی بار به‌صورت پیشرو-پسرو، و خاموشی بار غیرضروری در ساعت‌های اوج مصرف برای مدیریت طرف تقاضا </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">به‌منظور</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> بهبود &nbsp;عملکرد اقتصادی ریزشبکه ارائه‌شده است. همچنین جهت افزایش راندمان انرژی، از توان تجدیدپذیر مازاد تولیدی برای تولید هیدروژن سبز استفاده گردیده است. به همین منظور، از نرم‌افزار بهینه‌سازی </span></span><span new="" roman="" times="">GAMS</span> <span dir="RTL" lang="FA"><span b="" nazanin="">برای بهره‌برداری بهینه برای یک روز در حضور عناصر تجدیدپذیر انرژی، باطری، دیزل ژنراتور، دستگاه الکترولیزکننده آب، و پیل سوختی به همراه قیود </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">مدیریت سمت تقاضا </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">استفاده‌شده است. نتایج به‌دست‌آمده نشان می‌دهند که </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">شبکه‌های</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> عصبی با یادگیری عمیق قادر </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">می‌باشند</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> رفتار پیچیده، تصادفی، و غیرخطی بار را با دقت بالایی </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">پیش‌بینی</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> کنند. همچنین، مدل ریاضی ارائه‌شده برای </span></span><span dir="RTL" lang="FA"><span b="" nazanin="">بهینه‌سازی</span></span><span dir="RTL" lang="FA"><span b="" nazanin=""> و جابجایی بار ریزشبکه موردنظر نقش کلیدی در صرفه‌جویی انرژی الکتریکی، کاهش هزینه‌ عملکرد، افزایش تولید هیدروژن سبز، و افزایش راندمان انرژی دارد.</span></span></span></a></span></span></p> <p style="text-align: justify;"><span style="color:#000000;"><span style="font-size:12px;"><span style="font-family:Tahoma;"><span style="unicode-bidi:embed"><span new="" roman="" times="">Deep learning method is used to predict the future value of load demand. Based on obtained results, a new model based on the forward-backward load shifting and unnecessary load shedding is presented. As well, to increase energy efficiency, excess renewable energy has been used to produce green hydrogen. For this purpose, GAMS optimization software has been used for optimal operation of the microgrid in the presence of renewable energy sources, battery, diesel generator, aqua electrolyzer, and fuel cell considering demand side management (DSM) restrictions. The obtained results from the proposed model of the considered microgrid show that the huge amount of excess electricity can be saved to enhance energy efficiency. This issue increases green hydrogen production that can be used for fuel cell consumption. As well, the proposed model provides lower cost of operation cost.&nbsp; In addition, the diesel generator consumes lower diesel fuel.</span></span><br> &nbsp;</span></span></span></p> انرژی تجدیدپذیر, بهره‌برداری بهینه, شبکه های عصبی, یادگیری عمیق, مدیریت تقاضا. Deep learning, Demand side management, Neural network, Optimal operation, Renewable energy. 53 60 http://ieijqp.ir/browse.php?a_code=A-10-1526-1&slc_lang=fa&sid=1 Mohsen Aryan nezhad محسن آریان نژاد Mohsen.aryannezhad@gmail.com 2268926834 10031947532846006611 Yes Technical and Vocational University (TVU) گروه مهندسی برق، دانشکده مهندسی برق و کامپیوتر، دانشگاه فنی و حرفه ایی، تهران، ایران.