پيش‌بيني ميان‌مدت بار مسكوني مبتني بر انتخاب ويژگي به روش تحليل اجزاي مجاور

Mid-Term Residential Load Forecasting Based on Feature Selection Using Neighborhood Component Analysis

پيش‌بيني بار مسكوني نقش مهمي در مديريت و برنامه‌ريزي در شبكه‌هاي هوشمند مدرن دارد. در برنامه‌ريزي براي متعادل نگه داشتن تقاضا و توليد توان، لازم است پيش‌بيني دقيقي از بار مناطق مسكوني انجام شود. در اين مقاله، يك روش پيش‌بيني ميان‌مدت بار مسكوني مبتني بر انتخاب ويژگي براي حل مسئلۀ رگرسيون خطي ارائه شده است؛ به اين ترتيب كه براي انتخاب ويژگي به‌منظور انجام رگرسيون، از روش تحليل اجزاي مجاور استفاده مي‌شود. بنابراين، يك مسئلۀ بهينه‌سازي طرح شده است؛ مسئلۀ مذكور با استفاده از الگوريتم حافظۀ محدود BFGS (LBFGS) حل مي‌شود. مجموعه داده‌هاي AMPds2 براي اجراي روش پيشنهادي استفاده شد و نتايج به‌دست‌آمده با نتايج شش روش پيش‌بيني ديگر مقايسه شدند. مقايسه ازطريق شاخص‌هاي ميانگين مربعات خطا، جذر ميانگين مربعات خطا و ميانگين مطلق درصد خطا انجام شد و نتايج شبيه‌سازي مؤثربودن روش پيشنهادي را براي پيش‌بيني دقيق بار مسكوني تأييد كردند.

Residential load forecasting plays an important role in management and planning of modern smart grids. Accurate residential load forecasting is needed in planning to keep demand and supply balanced. This paper presents a mid-term residential load forecasting method based on feature selection to solve the linear regression problem. In this way, for feature selection to perform the regression, the neighborhood component analysis method is used. For this purpose, an optimization problem is designed, and the problem is solved using the LBFGS algorithm. The AMPds2 dataset is used to implement the proposed method, and the results were compared with the results of the other six forecasting methods. Comparisons were made through mean squared error, root mean squared error, and mean absolute percentage error. The simulation results confirm the effectiveness of the proposed method for accurate residential load forecasting.