پیش‌بینی هوشمند مصرف گاز شهری با بهره‌گیری از شبکه عصبی LSTM و متغیرهای آب‌وهوایی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه ریاضی کاربردی، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر، کرمان، ایران

2 Kerman, Bahman Blvd, 22

3 گروه علوم کامپیوتر، دانشکده ریاضی و کامپیوتر، دانشگاه شهید باهنر، کرمان، ایران

چکیده

یکی از چالش‌های اصلی مدیریت منابع انرژی، پیش‌بینی دقیق تقاضا به منظور کاهش هزینه‌های تولید و ذخیره‌سازی است. رفتار سری زمانی تقاضای گاز، به دلیل تأثیر متغیرهایی چون شرایط آب‌وهوایی، قیمت و جمعیت، بسیار پیچیده و غیرخطی است. در این پژوهش، یک مدل ترکیبی بر شبکه عصبی حافظه طولانی کوتاه‌مدت همراه با الگوریتم تجزیه حالت متغیر و الگوریتم کسینوس-سینوسی ارائه شده است. الگوریتم تجزیه حالت متغیر به تجزیه داده‌های سری زمانی و استخراج مؤلفه‌های اصلی می‌پردازد و الگوریتم کسینوس-سینوسی، بهینه‌سازی پارامترهای شبکه حافظه طولانی کوتاه‌مدت را برای افزایش دقت پیش‌بینی انجام می‌دهد. همچنین، در این پژوهش، علاوه بر ترکیب الگوریتم‌های فراابتکاری، تاثیر متغیرهای آب-وهوایی در بهبود عملکرد شبکه نیز بررسی شده است. دقت پیش‌بینی مدل با استفاده از معیارهایی مانند ریشه میانگین مربعات خطا، میانگین مطلق خطا و درصد میانگین مطلق خطا و در مقایسه با شبکه عصبی حافظه طولانی کوتاه‌مدت ساده، مدل رگرسیون بردار پشتیبان و مدل میانگین متحرک یکپارچه اتورگرسیو ارزیابی شده است. نتایج نشان می‌دهد که مدل پیشنهادی توانسته است دقت بالاتری نسبت به سایر مدل‌ها ارائه دهد و می‌تواند در برنامه‌ریزی و مدیریت منابع انرژی به‌عنوان ابزاری کارآمد مورد استفاده قرار گیرد.

کلیدواژه‌ها

موضوعات