fa پیش‌بینی کوتاه مدت مصرف بار الکتریکی با استفاده از یک ساختار یادگیری عمیق مبتنی بر گراف تخصصي Special كاربردي Applicable <div style="text-align: justify;"><strong><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">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 (</span></span><span dir="LTR" style="font-weight:normal;"><span style="font-size:11.0pt;">CNN</span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">) برای یادگیری مشخصات مکانی، از ساختار دو طرفه حافظه‌ی بلند کوتاه مدت (</span></span><span dir="LTR" style="font-weight:normal;"><span style="font-size:11.0pt;">BLSTM</span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">) 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 </span></span><span dir="LTR" style="font-weight:normal;"><span style="font-size:11.0pt;">python</span></span></strong><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;"><strong> مقایسه شده است.</strong> </span></span><span dir="LTR" style="font-weight:normal;"><span style="font-size:11.0pt;"></span></span></div> <div style="text-align: justify;">: Prior knowledge about the load data in the shape of future information plays a pivotal role in the optimal operation and planning in the electrical networks. In this paper, we design a deep learning-based network to characterize the load for the next hours. With emerging new technologies and a high growth rate of the population, short-term load forecasting (STLF) has reformed to a more complicated problem rather than in the traditional electrical networks, therefore, designing a structure that can capture spatial-temporal features is a challenging and essential task. To this end, we aim to develop a new deep learning structure, which is able to handle high volatility time series including load sequences. The designed network is composed of three different types of deep networks, convolutional neural network (CNN) as a strong spatial feature extractor, bidirectional long short-term memory unit as a suitable temporal feature learner, and encoder-decoder to enhance accuracy, which are formed in a graph-based deep network to inherently learn features of a time series and corresponding meteorological data. The proposed method is directly applicable to raw data and enhances the level of accuracy in terms of several metrics. The simulation results on actual load time series, in Shiraz, Iran, are compared with a number of well-known shallow and deep-based networks to verify the effectiveness and superiority of the designed deep network. Furthermore, the proposed STLF structure is tested in different seasons and the impact of the meteorological data is analyzed.<span dir="RTL"></span></div> انکودر-دکودر, دو طرفه حافظه‌ی بلند کوتاه-مدت, پیش‌بینی کوتاه مدت بار مصرفی, شبکه‌ی عصبی کانولوشنی, یادگیری عمیق بر مبنای گراف Encoder-decoder, Bidirectional long short-term memory, short-term load consumption forecasting, convolutional neural network, deep graph learning 37 46 http://jeps.dezful.iau.ir/browse.php?a_code=A-10-209-2&slc_lang=fa&sid=1 Mahtab Ganjouri مهتاب گنجوری mahtab.ganjouri@miau.ac.ir 10031947532846001205 10031947532846001205 No Department of Electrical Engineering, Marvdasht Branch, Islamic Azad University, Marvdasht, Iran Mazda Moattari مزدا معطری moattari@miau.ac.ir 10031947532846001206 10031947532846001206 Yes Department of Electrical Engineering, Marvdasht Branch, Islamic Azad University, Marvdasht, Iran Ahmad forouzantabar احمد فروزان‌تبار a.forouzantabar@miau.ac.ir 10031947532846001207 10031947532846001207 No Department of Electrical Engineering, Marvdasht Branch, Islamic Azad University, Marvdasht, Iran Mohammad Azadi محمد آزادی mazadi@miau.ac.ir 10031947532846001208 10031947532846001208 No Department of Electrical Engineering, Marvdasht Branch, Islamic Azad University, Marvdasht, Iran