پیش‌بینی بارهای الکتریکی یک عملیات ضروری برای برنامه‌ریزی مدیریت مصرف در سیستمهای قدرت به شمار می‌رود. با پیدایش فناوری‌های جدید در سیستمهای قدرت، رشد سریع صنایع مبتنی بر انرژی الکتریکی و افزایش بی‌رویه‌ی جمعیت، مسئله‌ی پیش‌بینی کوتاه مدت بار مصرفی شکل جدیدی به خود گرفته است. در این مقاله یک ساختار یادگیری عمیق بر مبنای گراف برای پیش‌بینی کوتاه مدت بار ارائه شده است. این ساختار پیشنهادی از سه قسمت اصلی تشکیل شده است. از شبکه‌های عصبی کانولوشنی (CNN) برای یادگیری مشخصات مکانی، از ساختار دو طرفه حافظه‌ی بلند کوتاه مدت (BLSTM) برای یادگیری کامل مشخصات زمانی سری زمانی بار مصرفی و یک ساختار انکودر-دکودر عمیق برای افزایش قدرت یادگیری مشخصات سری زمانی بار از داده‌های خام بار مصرفی پیشین استفاده شده است. این ساختار به صورت یک ساختار مبتنی بر گراف طراحی شده است تا با یادگیری تاثیرات مشخصاتی اقلیمی همچون رطوبت، دما و فشار هوا بر روی بار مصرفی، دقت مطلوبی برای پیش‌بینی بارهای مصرفی داشته باشد. برای ارزیابی نتایج از داده‌های پیشین واقعی شهر شیراز، ایران استفاده شده است. برای این که موثر بودن و برتری روش پیشنهادی نشان داده شود، تکنیک پیشنهادی در پیش‌بینی فصل‌های مختلف و در طول یک سال و همچنین، تاثیرگذاری مشخصات اقلیمی بر روی بارهای مصرفی مورد ارزیابی و مقایسه با روش‌های متنوعی بر مبنای یادگیری عمیق و روش‌های مبتنی بر یادگیری ماشین مختلف و با استفاده از نرم‌افزار python مقایسه شده است.
Ganjouri M, Moattari M, forouzantabar A, Azadi M. Short-term Load Forecasting Using a Graph-based Deep Learning Structure. تحقیقات نوین در سیستمهای قدرت هوشمند 2021; 9 (4) :37-46 URL: http://jeps.dezful.iau.ir/article-1-312-fa.html
گنجوری مهتاب، معطری مزدا، فروزان‌تبار احمد، آزادی محمد. پیش‌بینی کوتاه مدت مصرف بار الکتریکی با استفاده از یک ساختار یادگیری عمیق مبتنی بر گراف. نشریه علمی-تخصصی تحقیقات نوین در سیستمهای قدرت هوشمند. 1399; 9 (4) :37-46
