ఇంటర్నేషనల్ జర్నల్ ఆఫ్ స్వార్మ్ ఇంటెలిజెన్స్ అండ్ ఎవల్యూషనరీ కంప్యూటేషన్

నైరూప్య

కృత్రిమ న్యూరల్ నెట్‌వర్క్‌ని ఉపయోగించి లోడ్ మరియు పునరుత్పాదక శక్తి యొక్క స్వల్పకాలిక అంచనా

రామ్ శ్రీనివాసన్, వెంకీ బాలసుబ్రమణియన్, బువన సెల్వరాజ్

లోడ్ ఫోర్‌కాస్టింగ్ అనేది బ్యాటరీ నిర్వహణలో విద్యుత్ లోడ్ డిమాండ్‌లను అంచనా వేయడానికి ఉపయోగించే సాంకేతికత. సాధారణంగా, షార్ట్-టర్మ్ ఎలక్ట్రికల్ లోడ్ ఫోర్‌కాస్టింగ్ (STLF) కోసం ఉపయోగించే సమగ్ర స్థాయి బహుళ మూలాధారాల నుండి సేకరించబడిన సంఖ్యా లేదా సంఖ్యా రహిత సమాచారాన్ని కలిగి ఉంటుంది, ఇది ఖచ్చితమైన డేటా మరియు సమర్థవంతమైన అంచనాను పొందడంలో సహాయపడుతుంది. ఏది ఏమైనప్పటికీ, సమగ్ర స్థాయి, రేడియన్స్ లెవెల్ (W/m2) మరియు ఫోటోవోల్టాయిక్ అవుట్‌పుట్ పవర్ (W) యొక్క నిజ-సమయ కొలతలతో సహా సంఖ్యా డేటా యొక్క ధ్రువీకరణ మరియు పరీక్ష దశలను ఖచ్చితంగా అంచనా వేయలేదు. ఇప్పటికే ఉన్న వారంవారీ, రోజువారీ మరియు వార్షిక సైకిల్ లోడ్ డేటాలో ఉపకరణాల యాదృచ్ఛిక వినియోగం వల్ల కలిగే హెచ్చుతగ్గుల కారణంగా అంచనా వేయడం కూడా ఒక సవాలుగా ఉంది. ఈ అధ్యయనంలో, బయేసియన్ రెగ్యులరైజేషన్ (BR) మరియు లెవెన్‌బర్గ్-మార్క్వార్డ్ (LM) అల్గారిథమ్‌ల వంటి ఆర్టిఫిషియల్ న్యూరల్ నెట్‌వర్క్ (ANN) పద్ధతులను ఉపయోగించడం ద్వారా మేము ఈ సవాలును అధిగమించాము. ANN-ఆధారిత పద్ధతుల ద్వారా సాధించిన STLF సూచన ఖచ్చితత్వాన్ని మెరుగుపరుస్తుంది. ANN అభివృద్ధి దశల్లో BR మరియు LM అల్గారిథమ్‌ల యొక్క మొత్తం పనితీరు విశ్లేషించబడింది. ANNకి శిక్షణ ఇవ్వడానికి మరియు పరీక్షించడానికి ఉపయోగించే ఇన్‌పుట్ లేయర్, దాచిన లేయర్ మరియు అవుట్‌పుట్ లేయర్ కలిసి 24 గంటల విద్యుత్ డిమాండ్‌ను అంచనా వేస్తాయి. LM మరియు BR అల్గారిథమ్‌లను ఉపయోగించడం వల్ల పునరుత్పాదక శక్తి అంచనా డిమాండ్ కోసం అత్యంత సమర్థవంతమైన నిర్మాణాన్ని అందజేస్తుందని ఫలితాలు చూపిస్తున్నాయి.