دراسة مقارنة لنماذج الشبكات العصبية للتنبؤ بالأحمال قصيرة المدى باستخدام بيانات تشغيلية حقيقية: دراسة حالة شبكة الجفرة
DOI:
https://doi.org/10.51984/1ym5eq70الكلمات المفتاحية:
التنبؤ بالأحمال قصيرة المدى (STLF)، الشبكات العصبية الاصطناعية (ANN)، الشبكة العصبية المتكررة (RNN)، شبكة الجفرة، متوسط نسبة الخطأ المطلق (MAPE).الملخص
يُعد التنبؤ بالأحمال قصيرة المدى (STLF) أحد أهم التطبيقات في تشغيل أنظمة الطاقة الكهربائية، وذلك لدوره في دعم القرارات التشغيلية وتحسين إدارة الأحمال. في هذه الورقة البحثية، تمت دراسة ومقارنة ثلاث بنيات مختلفة للشبكات العصبية الاصطناعية (ANN)، وهي: الشبكة العصبية ذات التغذية الأمامية (FFNN)، والشبكة العصبية المتكررة (RNN)، والشبكة العصبية المتتالية (CaNN)، وذلك لتقييم أدائها في التنبؤ بالأحمال قصيرة المدى. طُبقت الدراسة باستخدام بيانات تشغيلية حقيقية لشبكة الجفرة خلال الفترة من يناير إلى منتصف أبريل، متضمنةً متغيرات زمنية، والأحمال التاريخية، ومدخلات البيانات المناخية. وأظهرت النتائج أن جميع نماذج الشبكات العصبية الاصطناعية حققت دقة تنبؤ جيدة، مع تفوق نموذج الشبكة العصبية المتكررة (RNN) على النماذج الأخرى. كما أظهرت الدراسة أن جودة البيانات واختيار المدخلات المناسبة هما عاملان هامان لتحسين أداء النماذج وتشغيل الشبكات الكهربائية بفعالية.
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2026 وقائع مؤتمرات جامعة سبها
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
