پیش بینی بارکوتاه  مدت یک فرآیند پایه در بهره برداری سیستم های قدرت محسوب می شود. بسیاری از توابع بهره برداری نظیر آرایش تولید، پخش بار اقتصادی، ارزیابی ایمنی و هماهنگی آبی حرارتی به پیش ینی بار کوتاه مدت وابسته می باشند. در طی سه دهه اخیر روش های مختلفی برای پیش بینی بار کوتاه  مدت ارائه شده و نرم افزارهای صنعتی متعددی نیز بر پایه این روش ها تهیه شده اند. از جمله این روش ها می توان به انواع سری های زمانی، هموارسازی نمایی، فیلتر کالمن، شبکه های عصبی و شبکه های فازی عصبی اشاره نمود. مشکلی که تمام روشهای پیش بینی بار کوتاه  مدت با آن مواجه می باشند، انتخاب ورودی های مناسب است. این امر وابسته به مشخصات سیستم قدرت بوده و با گذشت زمان و تغییر الگوی بار تغییر می کند. در این مقاله ابتدا سری زمانی بار از طریق یک تبدیل ریاضی مناسب (تبدیل موجک) تجزیه شده و سپس از سریهای حاصل شده پارامترهای ورودی برای آموزش شبکه عصبی استخراج می  شوند.

در این مقاله الگوهای خاکستری بهبودیافته برای پیش بینی بار در حضور پاسخ گویی بار پیشنهاد شده است. پاسخ گویی بار، یکی از ویژگی های ارزشمند شبکه های هوشمند است. از طرف دیگر، در صنعت برق تجدید ساختار یافته، پیش بینی کوتاه مدت بار برای برنامه ریزی خرید انرژی و بهره برداری بهینه از سیستم قدرت اهمیت زیادی دارد. پیش بینی کوتاه مدت بار با در نظر گرفتن پاسخ گویی سمت تقاضا به دلیل نبود آگاهی دقیق از میزان مشارکت مصرف کنندگان، دشوار است. روش های متعدد ارائه شده برای پیش بینی بار تاکنون توانایی چندانی در رهگیری واکنش سمت تقاضا نداشته است، بنابراین به روشی برای الگوسازی و پیش بینی کوتاه مدت بار در حضور پاسخ گویی بار نیاز است. در این مقاله الگوهای خاکستری که از داده های کم و دقت زیاد بهره می گیرند، با روش های مبتنی بر تکرار برای پیش بینی کوتاه مدت بار بهبود یافته اند. این روش ها پیش بین کننده های محلی اند، به همین دلیل توانایی بهتری در الگوسازی پروفیل های بار با تغییرات ناگهانی از خود نشان می دهند، مانند آنچه در هنگام پاسخ گویی بار رخ می دهد. برای اعتبارسنجی روش های پیشنهادی، منحنی بار ایران پس از اعمال سناریوهای پاسخ گویی بار استفاده شده است و نتایج شبیه سازی عملکرد مطلوب و دقت زیاد روش های پیشنهادی را نشان می دهند.

در این مقاله یک روش یادگیری خم تحت عنوان Locally Linear Embedding (LLE) برای استخراج ورودی های دارای اطلاعات بیشتر و کاهش ابعاد فضای ورودی جهت پیش بینی بار کوتاه مدت، پیشنهاد شده است. روش LLE رابطه غیرخطی بین ویژگی ها را با تصویر کردن یک خم خطی محلی در فضای ویژگی، می یابد. برای بررسی تأثیر روش پیشنهادی در خطای پیش بینی بار، یک سامانه پیش بینی ترکیبی، از شبکه ای با یک تابع پایه رادیال (RBF) و سامانه ای فازی، پیشنهاد شده است. شبکه RBF هسته موتور پیش بینی و ورودی آن تاریخچه بار است. سامانه استنتاج فازی جهت دخالت دادن اثر دما بر بار، با شبکه RBF ترکیب شده است. شبیه سازی با داده های واقعی بار منطقه مازندران، کارایی موتور پیش بینی پیشنهادی را در مقایسه با روش های شبکه عصبی مصنوعی، سری زمانی و شبکه نورو-فازی نشان می دهد؛ علاوه بر این، روش انتخاب ورودی (LLE) با روش تحلیل مؤلفه اصلی (PCA) و انتخاب تجربی ورودی ها، مقایسه شده است. نتایج شبیه سازی با تجزیه و تحلیل آماری معنا دار، نشان می دهد که روش پیشنهادی، نسبت به سایر روش های انتخاب ورودی و موتورهای پیش بینی، دارای ابعاد ورودی کوچکتر و خطای پیش بینی کمتر است.

با افزایش جمعیت و رشد جوامع صنعتی تغییرات بار مصرفی در شبکه های قدرت غیر قابل اجتناب بوده و لازم است میزان بار مورد نیاز شبکه، پیش بینی شود. پیش بینی بار ساعتی به صورت میان مدت می تواند معیار مناسبی برای برآورد بار و انرژی باشد. همچنین این پیش بینی الگوی خوبی برای پیش بینی کوتاه مدت بار خواهد بود. در این مقاله روش جدیدی برای پیش بینی ساعتی بار به صورت میان مدت و کوتاه مدت با استفاده از شبکه های عصبی راف و الگوریتم جهش ملخ ارایه می گردد. در این مقاله یک شبکه عصبی راف بهبود یافته ارایه شده است. شبکه های عصبی راف نوعی از ساختارهای عصبی هستند که براساس نرون های راف طراحی می شوند. یک نرون راف را می توان به صورت زوجی از نرون ها در نظر گرفت که به نرون های کران بالا و کران پایین مرسوم هستند. همانند شبکه های پرسپترون چند لایه شبکه عصبی راف نیز می تواند با استفاده از الگوریتم پس انتشار خطا مبتنی بر گرادیان نزولی آموزش داده شود. با این حال این الگوریتم دارای مشکلاتی مانند در دام افتادن در کمینه های محلی است که در این مقاله به کمک الگوریتم جهش ملخ، بر این کاستی غلبه می شود. برای شبیه سازی روش پیشنهادی در پیش بینی بار روزانه، شبکه سراسری برق دبی به منظور اعمال شبکه های عصبی راف و ترکیب آن با الگوریتم جهش ملخ ارایه می گردد که نتایج نشانگر موفقیت آمیز بودن روش های پیشنهادی می باشد.

پیش بینی بار الکتریکی مصرفی برای عملکرد مطمین سیستم های قدرت و همچنین برای برنامه ریزی مدیریت تقاضا و ذخیره بار حیاتی است. در این مقاله پیش-بینی بار با استخراج ویژگی های تاریخچه بار مصرفی با استفاده از شبکه های عصبی عمیق انجام شده است. شبکه های عصبی بازگشتی، به ویژه شبکه های عصبی بازگشتی بهبود یافته، مانند LSTM و GRU قادر به نگه داشتن حافظه کوتاه مدت و طولانی هستند تا روابط بین مقادیر بار را از سری زمانی استخراج کنند. از طرف دیگر، شبکه های عصبی کانولوشنی قادر به یادگیری خودکار ویژگی ها هستند و می توانند مستقیما یک بردار را برای پیش بینی تولید کنند. روش پیشنهادی این مقاله، استخراج ویژگی های بار با استفاده از شبکه های عصبی کانولوشن و سپس استخراج اطلاعات توالی زمانی بار با بهره گیری از شبکه GRU است. نتایج آزمایش ها بر روی سه مجموعه داده Toronto و ISO-NE و North American Utility نشان دهنده کاهش خطای پیش بینی روش پیشنهادی در مقایسه با سایر روش های رقیب است.

پیش بینی تقاضای الکتریکی یکی از مهمترین عوامل در برنامه ریزی، طراحی و بهره برداری از سیستم های الکتریکی رقابتی است. اما بیش تر روش های پیش بینی بار دارای دقت مناسبی نمی باشند، از این رو در این مقاله جهت افزایش دقت پیش بینی کوتاه مدت بار الکتریکی به ارائه یک روش ترکیبی جهت پیش بینی بار الکتریکی بر پایه شبکه عصبی عمیق با تبدیل موجک و اتتخاب ورودی بر مبنای تابع آنتروپی پرداخته شده است. همچنین برای نشان دادن قدرت روش پیشنهادی، بر روی داده های بار الکتریکی سال 2006 میلادی بازار برق PJM و یکی از پستهای کرمان در سال 1395 پیش بینی صورت پذیرفته است که نتایج آن تاکیدی بر کارایی روش پیشنهادی در پیش بینی بار الکتریکی برای برنامه ریزی تولید و توزیع می باشد.

امروزه انرژی الکتریسیته یکی از اساسی ترین نیازهای جوامع بشری محسوب می شود به گونه ای که تمام فعالیت های صنعتی و بخش زیادی از فعالیت های اجتماعی، اقتصادی، کشاورزی و. . . با اتکا به این انرژی انجام می شود، بنابراین کیفیت و تداوم انرژی الکتریسیته از اهمیت بسزایی برخوردار است. هدف این پژوهش آن است که بر اساس عوامل موثر بر بار الکتریکی که دارای روابط پیچیده غیرخطی هستند و عمدتا شامل تغییرات آب و هوا و نوسانات دوره ای روزانه و هفتگی مصرف می باشند به پیش بینی تغییرات مصرف بار کوتاه مدت دست یابد. روش پیشنهادی یک شبکه عصبی ترکیبی، با استفاده از یادگیری عمیق می باشد که از ترکیب دو معماری CNN و LSTM ایجاد شده است. معماری CNN با توجه به قابلیت آن در استخراج الگوهای موجود در داده و معماری LSTM بر پایه توانایی آن در پیش بینی سری های زمانی، مورد استفاده قرار گرفته اند. رویکرد ارایه شده با استفاده از پیش بینی آب و هوای ساعات آینده و الگوی مصرف بار الکتریکی در ساعات گذشته، قادر به پیش بینی الگوی مصرف آینده خواهد بود. نتایج ارزیابی نشان می دهد که دقت پیش بینی بر اساس معیارهای MAPE، RMSE، RSEوCORR در مقایسه با بهترین روش های موجود بهبود یافته است.