نوع مقاله : مقاله پژوهشی- فارسی
نویسندگان
1 گروه مهندسی صنایع، دانشگاه یزد، یزد، ایران
2 گروه قدرت، دانشکده مهندسی برق، دانشگاه یزد، یزد، ایران
چکیده
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
نویسندگان [English]
Purpose: The electricity industry is a fundamental pillar of industrial and economic development. However, the persistent imbalance between electricity supply and demand has become a major challenge in recent years, leading to planned power outages in the industrial sector and causing substantial economic losses. Interruptions in electricity supply negatively affect industrial production and development by reducing productivity, damaging equipment, delaying orders, and disrupting supply chains. In Iran, the imbalance between supply and demand—particularly during peak consumption periods such as summer and winter—has increased the likelihood of planned outages for industrial consumers. At the same time, rising electricity demand, limitations in generation capacity, and the prioritization of residential consumers by distribution companies have resulted in frequent, and in some cases unannounced, interruptions for industrial users. Therefore, short‑term outage prediction can provide a valuable basis for proactive planning and help mitigate the impacts of unexpected interruptions on industrial operations. This study aims to develop a machine‑learning‑based approach for short‑term prediction of electricity outages at the feeder and hourly levels in an industrial area in Iran.
Design/methodology/approach: The study uses data collected from industrial electricity feeders in an Iranian industrial zone over the period from March 20, 2024, to March 20, 2025. The dataset includes electricity load, outage records, weather information (temperature and wind speed), temporal and calendar variables, and features derived from lagged observations. Machine learning methods were applied to model outage occurrences and predict the probability of outages over a short‑term horizon. The proposed approach was designed to identify outage patterns at both the feeder and hourly levels and to generate information that can support planning and decision‑making by industrial managers and electricity distribution companies.
Findings: The results show that machine learning methods provide an effective approach for predicting outages in industrial electricity networks. Among the evaluated models, LightGBM achieved an overall accuracy of approximately 99.9% and an F1‑score of 0.989, indicating that it successfully reproduced observed outage patterns with high precision. The predicted outage probabilities can also serve as early‑warning indicators and decision‑support tools for electricity distribution companies and industrial managers. To demonstrate the practical application of the developed model, two prediction calendars were generated. The first covered March 14–20, 2025, representing the final week of the study period, while the second covered March 21–27, 2025, representing the first week outside the study period. The results showed that no outages were predicted during March 14–20, 2025, which was consistent with the actual records provided by the electricity distribution company. For March 21–27, 2025, although the predicted probabilities were close to zero, the model still identified areas with relatively higher levels of risk. This demonstrates that the model can capture temporal patterns in outage occurrence and provide precautionary warnings even when the predicted probability is low.
Research limitations/implications: A key limitation of this study is that the analysis is based on a single year of data, covering the period from March 20, 2024, to March 20, 2025. Future studies could incorporate multi‑year datasets, where available, to examine medium‑ and long‑term patterns in electricity load and outage behavior. Using multi‑year data would also improve understanding of seasonal and annual variations in outage occurrence. Additionally, future research could integrate electricity consumption and outage data with economic indicators—such as industrial value added or employment levels—to investigate the direct effects of power outages on industrial production and broader economic performance. Such analyses could provide a stronger basis for prioritization in energy management and industrial planning.
Practical implications: Short‑term outage predictions can help industrial managers plan production activities more effectively. By providing outage probabilities at the feeder and hourly levels, the developed approach can function as both an early‑warning system and a decision‑support tool. The predictions may also assist electricity distribution companies in making informed decisions related to outage management and load reduction during periods of peak demand.
Social implications: Accurate prediction of power outages can contribute to more stable industrial operations and help reduce disruptions to production and supply chains. More broadly, the use of predictive models for outage management supports more efficient energy planning and contributes to the development of smarter electricity networks and sustainable industrial growth.
Originality/value: This study develops a machine‑learning‑based approach for short‑term electricity outage prediction using data from industrial electricity feeders in Iran. The approach integrates electricity load, outage records, weather conditions, temporal and calendar variables, and lag‑based features to predict outage occurrence at both the feeder and hourly levels. The creation of prediction calendars for the final week of the study period (March 14–20, 2025) and the subsequent week outside the study period (March 21–27, 2025) illustrates how outage probabilities can be used to provide practical warnings and support decision‑making in industrial electricity management.
کلیدواژه‌ها [English]
با وجود توسعۀ فناوری‌ها و منابع انرژی تجدیدپذیر، همچنان شاهد وقوع خاموشی‌ها[i] در سراسر دنیا هستیم. در ایران نیز به‌دلیل ناترازی بین عرضه‌و‌تقاضای برق، به‌خصوص در فصول اوج مصرف مانند تابستان و زمستان، احتمال وقوع خاموشی‌های برنامه‌ریزی‌شده[ii] در صنایع زیاد خواهد بود. در سال‌های اخیر، بیش از 90درصد خاموشی‌ها در ایران، در تابستان رخ می‌دهند (Tamjid Shabestari et al., 2022). مدیریت نادرست و غیرعلمی مصرف انرژی در شبکۀ برق، خسارات اقتصادی و عملیاتی گسترده‌ای را به‌ویژه برای مشترکان صنعتی به بار میآورد؛ زیرا کوچک‌ترین اختلال در تأمین برق و رخداد خاموشی، به توقف خطوط تولید و زیان‌های مالی سنگین آنها منجر می‌شود. طبق گزارش وزارت نیرو در تیرماه سال 1404، مصرف برق در بخش صنعتی، 37/8درصد از کل موارد مصرف بوده است. جدول (1)، وضعیت مصرف برق کشور را در سال جاری نشان می‌دهد. همان‌گونه که در این جدول مشخص است، بخش صنعتی و خانگی بیشترین سهم مصرف را به خود اختصاص می‌دهند.
|
بخش |
سال 1403 |
تا پایان تیرماه سال 1404 |
سهم مصرف (درصد) |
|
خانگی |
108441 |
31123 |
8/30 |
|
عمومی |
30262 |
8165 |
1/8 |
|
کشاورزی |
45720 |
13932 |
8/13 |
|
صنعتی |
122511 |
38138 |
8/37 |
|
تجاری |
28575 |
8641 |
6/8 |
|
روشنایی معابر |
4648 |
897 |
9/0 |
|
کل |
340157 |
100896 |
100 |
توسعۀ مدل‌هایی برای پیش‌بینی کوتاه‌مدت خاموشی‌ها، به اطلاع‌رسانی به‌موقع و کاهش خسارت‌ها کمک می‌کند. در سال‌های اخیر، یادگیری ماشین[iii] و الگوریتم‌های پیشرفته، دقت بالایی را در پیش‌بینی الگوهای پیچیده ازجمله بار مصرفی[iv] و خاموشی‌ها فراهم کرده‌اند. توسعۀ مدلی که بتواند در افق کوتاه‌مدت، احتمال خاموشی را به تفکیک ساعت و فیدر پیش‌بینی کند، به صنایع کمک می‌کند برنامۀ تولید خود را با آن متناسب کنند و خسارات ناشی از توقف ناگهانی را به حداقل برسانند. همچنین این پیش‌بینی‌ها برای شرکت‌های توزیع برق، مبنای تصمیم‌گیری در اعمال خاموشی عادلانه و کاهش بار شبکه در ساعات اوج مصرف است. به همین دلیل، انجام این پژوهش نه‌تنها برای ارتقای بهره‌وری و کاهش زیان صنایع حیاتی است، گام مهمی در جهت مدیریت هوشمند شبکۀ برق و توسعۀ پایدار کشور تلقی می‌شود. هدف اصلی این پژوهش نیز، توسعۀ مدلی کارآمد و ارزیابی آن در پیش‌بینی کوتاه‌مدت خاموشی‌های برق در یکی از شهرک‌های صنعتی کشور است که به درخواست شرکت توزیع برق مربوطه، از ذکر نام شهر و همچنین شهرک صنعتی آن، پرهیز شده است.
هدف اصلی این پژوهش، توسعه و ارزیابی مدلی کارآمد برای پیش‌بینی کوتاه‌مدت خاموشی‌های برق، در شهرکی صنعتی است تا براساس داده‌های تاریخی بار مصرفی، اطلاعات آبوهوایی و متغیرهای تقویمی، احتمال وقوع خاموشی را به تفکیک فیدر و ساعت برآورد کرد.
در بخش اول، به‌اهمیت موضوع خاموشی‌ها اشاره شد. ادامۀ مقاله نیز به این صورت تنظیم شده است: در بخش دوم، مبانی نظری استفاده‌شده در این مقاله تصریح شده است، در بخش سوم روش انجام پژوهش و گام‌های اجرایی آن برشمرده شده‌اند، در بخش چهارم نمونۀ موردی و داده‌های گردآوری شده و همچنین نتایج عددی حاصل از پیاده‌سازی مدل‌های پیشنهادی شرح داده شده‌اند، بخش پنجم به بحث دربارۀ نتایج روی آورده و در بخش ششم، جمع‌بندی پژوهش و پیشنهادهایی برای ادامۀ این پژوهش توصیه شده است.
در این بخش از مقاله، به‌منظور ایجاد درک عمیق‌تر از مسئلۀ پژوهش و فراهم‌سازی مبنای علمی برای مراحل بعدی، مهم‌ترین پژوهش‌های مرتبط، مرور شده‌اند.
در این بخش، مهم‌ترین مقالات مرتبط با پژوهش حاضر شامل پژوهش‌های مرتبط با پیش‌بینی بار مصرفی، پیش‌بینی خاموشی‌های ناشی از رخداد حوادث و اعمال خاموشی‌ها بهجهت تعمیرات و نگهداری مرور شده‌اند.
والسر و سور[v] (2021) در پژوهشی با تأکید بر اهمیت پیش‌بینی کوتاه‌مدت بار مصرفی، با ترکیب دو روش درخت تصمیم[vi] و گونه‌ای از شبکه‌های عصبی[vii]، بار مصرفی سه کارخانه را با کاربری مختلف در آلمان پیش‌بینی کردند. ویژگی‌های استفاده‌شده در این پژوهش شامل بار مصرفی گذشته، داده‌های آب و هوایی و اطلاعات تقویمی بوده‌اند. نورالدین و همکاران[viii] (2023)، ارتقای عملکرد الگوریتم‌های یادگیری ماشین را در پیش‌بینی بار روزانه در کرکوک عراق برای برنامه‌ریزی بهتر، تخصیص منابع و راهبرد مناسب بررسی کرده‌اند. آنها از روش‌های درخت تصمیم، ماشین بردار پشتیبان، بگینگ[ix] و ادابوست[x] برای پیش‌بینی استفاده کرده‌اند. نتایج نشان می‌دهد روش بگینگ بیشترین دقت را نسبت‌به دیگر مدل‌ها دارد و بیانگر پتانسیل استفاده از آن به‌عنوان ابزاری ارزشمند برای برنامه‌ریزان و سیاست‌گذاران شرکت‌های انرژی است. مجموعه داده‌های استفاده‌شده در این پژوهش مربوط به پارامتر‌های محیطی و هواشناسی بوده است. تیمور و اوستونل[xi] (2025) در پژوهشی پیش‌بینی کوتاه‌مدت بار الکتریکی را در یک کارخانۀ صنعتی بزرگ در آدانا، ترکیه انجام داده‌اند. هدف آنها بهبود مدیریت انرژی، کاهش هزینه‌ها و تسهیل بهره‌گیری از منابع تجدیدپذیر بوده است. برای این منظور، عملکرد پنج روش یادگیری ماشین شامل رگرسیون خطی چندگانه، روش گروهی داده‌پردازی، شبکۀ عصبی پرسپترون چندلایه، درخت تصمیم تقویتی گرادیان و برنامه‌ریزی بیان ژنی مقایسه شده است. داده‌های استفاده‌شده از سال 2020 تا 2023 و شامل داده‌های آبوهوایی (دما، رطوبت و میزان بارندگی)، داده‌های بار مصرفی و داده‌های تقویمی بوده است. نتایج نشان می‌دهند که مدل درخت تصمیم تقویتی گرادیان، بالاترین دقت و عملکرد را داشته است؛ هرچند زمان محاسبۀ بیشتری نسبت‌به دیگر مدل‌ها دارد. واتسون و همکاران[xii] (2022)، مدل پیشرفتهای را برای پیش‌بینی خاموشی‌های ناشی از رویدادهای شدید آبوهوایی، با هدف کمک به شرکت‌های برق در برنامه‌ریزی و تخصیص منابع قبل از وقوع طوفان ارائه دادند. در این پژوهش، داده‌های شبیه‌سازی عددی هواشناسی همراه با ویژگی‌های محیطی به کار گرفته شده است تا مجموعه داده‌ای بزرگ و چندبعدی تشکیل شود. مدل با استفاده از الگوریتم گرادیان بوستینگ درختی، آموزش یافته و درنهایت ارزیابی با روش اعتبارسنجی متقابل نشان داده است که مدل نهایی قادر است با ضریب تعیین R2=0.82، پیش‌بینی دقیقی از میزان خاموشی‌ها در مقیاس وسیع ارائه دهد. شارما و همکاران[xiii] (2023)، روشی برای پیش‌بینی ساعتی خاموشی‌های ناشی از شرایط جوی در افق یک روزه ارائه و برای غلبه بر نبود تعادل داده‌ها، از رگرسیون لجستیک وزنی استفاده کرده‌اند. مدل ایشان با به‌کارگیری متغیرهای باد، بارش، دما و اعتبارسنجی متحرک، در سطح شهر و پست آزمایش شده و نسبت‌به روش‌های ساده‌تر، عملکرد دقیق‌تری در شناسایی خاموشی‌ها داشته است. هانگ و همکاران[xiv] (2024)، مدلی ترکیبی برای پیش‌بینی مناطق خاموشی در زمان بلایای طبیعی ارائه کرده‌اند که با تحلیل هم‌زمان ویژگی‌های مکانی و زمانی داده‌های شدید آبوهوایی، دقت و سرعت پیش‌بینی را بهبود می‌دهد. علی‌محمدی و بهنامیان[xv] (2021)، مدل ریاضی برای را زمان‌بندی بهینۀ تعمیرات پیشگیرانه در شبکۀ توزیع برق ارائه کرده‌اند که با داده‌های واقعی در ایلام ارزیابی شده است. در این مدل با در نظر گرفتن شاخص‌هایی مانند انرژی توزیع‌نشده، تعداد مشترکان متأثر و ظرفیت تیم‌های عملیاتی، از دو روش ابتکاری برای حل مسئله استفاده شده است. نتایج این پژوهش، بیانگر کاهش درخور توجه انرژی توزیع‌نشده و بهبود قابلیت اطمینان نسبت‌به روش‌های سنتی بوده است که البته تمرکز اصلی آن بر مدیریت خاموشی‌های تعمیراتی است و حوزۀ پیش‌بینی خاموشی‌ها را پوشش نمی‌دهد. توبو و همکاران[xvi] (2022)، یک چارچوب داده‌محور را برای برنامه‌ریزی تعمیرات شبکه‌های قدرت با حضور انرژی‌های تجدیدپذیر پیشنهاد می‌کنند که با کاهش هزینۀ محاسباتی، به تصمیم‌گیری سریع‌تر اپراتور کمک می‌کند. با استفاده از داده‌های بار، تولید، آب‌وهوا و تبادلات توان، امنیت بازه‌های تعمیر پیش‌بینی شده و در میان مدل‌های آزموده‌شده، جنگل تصادفی با دقت بالای90درصد، بهترین عملکرد را نشان داده است. این پژوهش همچنین دو شاخص جدید برای سنجش پیچیدگی زمان‌بندی تعمیرات معرفی می‌کند و نشان می‌دهد افزایش منابع تجدیدپذیر، بازه‌های امن تعمیرات را کاهش می‌دهد. البته تمرکز پژوهش مذکور بر بهینه‌سازی برنامۀ تعمیرات است و پیش‌بینی مستقیم وقوع خاموشی‌ها را پوشش نمی‌دهد.
به‌منظور ترسیم تصویر کلی از جایگاه مطالعۀ حاضر در بین پژوهش‌های اشارهشده، جدول (2) ارائه شده است.
همان‌گونه که در جدول (2) مشخص است، اگرچه مطالعات متعددی در زمینۀ پیش‌بینی بار و خاموشی‌های اضطراری انجام شده است، شکاف پژوهشی مهمی در حوزۀ پیش‌بینی خاموشی‌های ناشی از ناترازی وجود دارد و با دانش فعلی نویسندگان این مقاله، تا به امروز پژوهشی در این زمینه انجام نشده است. با توجه به اینکه کشورمان با تغییرات الگوی مصرف و اعمال سیاست‌های جدید در سال‌های اخیر روبه‌رو شده است، به توسعۀ مدلی نیاز داریم که احتمال وقوع خاموشی‌های برنامه‌ریزی‌شده را با توجه به ویژگی‌های بار، شرایط آبوهوایی و تقویمی پیش‌بینی کند. پژوهش حاضر با تمرکز بر این خلأ علمی، تلاش دارد چارچوب نوینی را برای پیش‌بینی خاموشی‌های برنامه‌ریزی‌شده ارائه دهد که مکمل اطلاع‌رسانی شرکت‌های توزیع برق است و صنایع را در کاهش خسارات ناشی از این خاموشی‌ها یاری می‌دهد.
|
نویسنده/ نویسندگان |
سال انتشار |
حوزۀ پژوهش |
روش/ مدل (های) استفاده‌شده |
|
والسر و سور |
پیش‌بینی بار مصرفی |
درخت تصمیم و شبکۀ عصبی کانولوشنی |
|
|
نورالدین و همکاران |
پیش‌بینی بار مصرفی |
درخت تصمیم، ماشین بردارپشتیبان، بگینگ و ادابوست |
|
|
تیمور و اوستونل |
پیش‌بینی بار مصرفی |
رگرسیون خطی چندگانه، روش گروهی داده‌پردازی، شبکۀ عصبی پرسپترون چندلایه، درخت تصمیم تقویتی گرادیان و برنامه‌ریزی بیان ژنی |
|
|
واتسون و همکاران |
خاموشی ناشی از رخداد |
گرادیان بوستینگ درختی |
|
|
شارما و همکاران |
خاموشی ناشی از رخداد |
رگرسیون لجستیک |
|
|
هانگ و همکاران |
خاموشی ناشی از رخداد |
ترکیبی از شبکۀ عصبی کانولوشنی و حافظۀ کوتاه‌مدت و بلندمدت |
|
|
علی‌محمدی و بهنامیان |
خاموشی برنامه‌ریزی‌شده (ناشی از تعمیرات) |
مدل‌سازی ریاضی زمان‌بندی ماشین‌های موازی + الگوریتم‌های ابتکاری |
|
|
توبو و همکاران |
خاموشی برنامه‌ریزی‌شده (ناشی از تعمیرات) |
جنگل تصادفی، ماشین بردار پشتیبان، گرادیان بوستینگ، نایو بیز |
|
|
پژوهش حاضر |
2024 |
خاموشی برنامه‌ریزی‌شده ناشی از ناترازی |
رگرسیون لجستیک، تقویت گرادیانی شدید[xvii] و ماشین تقویت گرادیانی سبک[xviii] |
به‌منظور پاسخگویی به شکاف‌های تحقیقاتی شناساییشده، نوآوری‌های زیر در پژوهش حاضر ارائه شده‌اند:
در این بخش، رویکرد پیشنهادی پژوهش برای پیش‌بینی کوتاه‌مدت خاموشی فیدرهای شهرکی صنعتی، تشریح می‌شود. هدف از ارائۀ این بخش، توضیح مراحل گام‌به‌گام انجام پژوهش از جمع‌آوری داده‌ها تا پیاده‌سازی و ارزیابی مدل‌های یادگیری ماشین است. در ابتدا، فرآیند آماده‌سازی و پاک‌سازی آنها بیان می‌شود؛ سپس، روش‌های مدل‌سازی شامل رگرسیون‌لجستیک، تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک معرفی و نحوۀ آموزش و اعتبارسنجی آنها توضیح داده می‌شود. در این راستا، مراحل زیر شرح داده شده‌اند:
- جمع‌آوری و آماده‌سازی داده‌ها[xix]؛ - پیش‌پردازش و پاک‌سازی داده‌ها[xx]؛
- مدل‌سازی؛ - اعتبارسنجی و تست مدل[xxi]؛
- تولید تقویم پیش‌بینی خاموشی.
داده‌های این پژوهش شامل بار مصرفی ساعتی 16 فیدر صنعتی، اطلاعات خاموشی‌های برنامه‌ریزی‌شده، داده‌های تقویم رسمی و متغیرهای هواشناسی مربوط به ابتدا تا انتهای سال ۱۴۰۳ هستند. اولین گام، یکپارچه‌سازی این منابع، در قالب یک پایگاه داده‌ی یکتاست تا هر ردیف نشان‌دهندۀ یک ساعت از یک فیدر مشخص باشد و علاوه بر بار مصرفی، وضعیت خاموشی و ویژگی‌های تقویمی و آبوهوایی را نیز در بر بگیرد. برای این منظور، داده‌های بار از قالب ستونی (۲۴ ستون برای ساعات شبانه‌روز) به قالب ستونی _ بلند[xxii] تبدیل شدند تا هر ساعت، یک رکورد مجزا داشته باشد؛ سپس اطلاعات خاموشی با استفاده از تطبیق تاریخ و بازۀ زمانی به این رکوردها ملحق و متغیر برچسب خاموشی ساخته شده است که در صورت وقوع خاموشی، مقدار یک و در غیر این صورت، صفر می‌گیرد.
در مرحلۀ پیش‌پردازش، مقادیر غیرواقعی بار مصرفی اصلاح شدند؛ به‌طوری که مقادیر منفی ناشی از بازگشت توان و همچنین صفرهای غیر مرتبط با خاموشی، با میانگین همسایگی زمانی و میانه جایگزین شدند تا روند واقعی مصرف، حفظ شود. تنها صفرهایی بدون تغییر نگه داشته شدند که هم‌زمان با وقوع خاموشی ثبت شده بودند؛ زیرا نقش کلیدی را در برچسب‌گذاری صحیح داده دارند. پس از پاک‌سازی، مجموعه‌ای از ویژگی‌های مؤثر بر الگوهای مصرف و رخداد خاموشی ایجاد شد. این ویژگی‌ها شامل اطلاعات تقویمی (ساعت، روز هفته، ماه و فصل)، نوع روز (عادی، تعطیل و روز جمعه) و ویژگی‌های تأخیری بار و خاموشی برای مدل‌سازی وابستگی‌های کوتاه‌مدت و روزانه بودند. همچنین، ویژگی تغییرات لحظه‌ای بار بهجهت بازتاب نوسانات ناگهانی در مصرف محاسبه شد. در ادامه، متغیرهای طبقه‌ای با روش وان‌هات اینکدینگ و داده‌های پیوسته شامل بار مصرفی، دما و سرعت باد، با استانداردسازی مقیاس‌بندی شدند تا تمامی ورودی‌ها در یک مقیاس مقایسهپذیر قرار گیرند. یکی از چالش‌های اصلی، نامتوازنبودن توزیع داده‌ها بود؛ به‌گونه‌ای که کمتر از یک درصد نمونه‌ها، شامل خاموشی بودند. برای جلوگیری از تمایل مدل به پیش‌بینی کلاس اکثریت، رویکرد ترکیبی شامل افزایش نمونه‌های اقلیت با SMOTE[xxiii] و کاهش نمونه‌های اکثریت به کار گرفته شد. این روش موجب شد مدل، توانایی تشخیص خاموشی‌های واقعی را کسب کند و عملکرد آن به شکل چشمگیری بهبود یابد. شایان ذکر است که تمام مراحل انجام‌شده مثل استاندارسازی و ساخت ویژگی‌ها، تنها بر داده‌های آموزش محاسبه شده است. در تقسیم داده‌ها نیز به‌جای روش تصادفی، تفکیک براساس ترتیب زمانی انجام شد تا از نشت اطلاعات جلوگیری و شرایط واقعی بهره‌برداری شبیه‌سازی شود. مجموعۀ آزمون به‌گونه‌ای انتخاب شد که هم شامل دوره‌هایی دارای خاموشی و هم فاقد خاموشی باشد تا ارزیابی مدل ازنظر مثبت‌های واقعی و کاذب معتبر باشد. همچنین عملیات متوازن‌سازی، تنها برای داده‌های آموزش انجام شد تا استقلال و اعتبار نتایج تست حفظ شود؛ درنتیجه، داده‌ها پس از مجموعه‌ای از فرایندهای پاک‌سازی، مهندسی ویژگی، مقیاس‌بندی و متوازن‌سازی، در قالبی مناسب و اتکاپذیر برای مدل‌سازی یادگیری ماشین آماده شدند و بستر لازم برای یک پیش‌بینی دقیق و کاربردی فراهم شد.
هدف اصلی این پژوهش، پیش‌بینی کوتاه‌مدت خاموشی با اتکا به داده‌های عملیاتی شبکۀ توزیع است. این داده‌ها شامل ویژگی‌های زمانی، بار مصرفی لحظه‌ای و تأخیری، وضعیت پیشین خاموشی و متغیرهای اقلیمیاند. با توجه به نامتوازنبودن شدید توزیع کلاس‌ها، مدل انتخابی باید توانایی یادگیری الگوهای پیچیده و در عین حال مقاومت در برابر ناتوازنی داده‌ها را داشته باشد. برای پاسخ به این نیاز، دو سطح از مدل‌های یادگیری ماشین به کار رفت. در سطح پایه، رگرسیون لجستیک خط مبنا انتخاب شد تا امکان تفسیرپذیری و تحلیل تأثیر متغیرها فراهم شود. در سطح پیشرفته، دو مدل تقویت گرادیانی شامل تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک به کار گرفته شدند؛ این مدل‌ها با ساختار مبتنی بر درخت تصمیم و توانایی کشف الگوهای غیرخطی و آثار متقابل متغیرها، گزینۀ مناسبی برای مسائل طبقه‌بندی نامتوازن به شمار می‌روند و قابلیت ارائۀ احتمال پیش‌بینی‌شده را دارند که برای تحلیل ریسک و برنامه‌ریزی عملیاتی، ضروری است. داده‌ها براساس زمان به دو بخش آموزش و آزمون تقسیم شدند؛ به‌گونه‌ای که داده‌های آزمون متعلق به هفته‌های پایانی سال ۱۴۰۳ باشند. این تقسیم زمانی، باعث می‌شود مدل روی داده‌هایی آموزش ببیند که پیش از بازۀ پیش‌بینی رخ داده‌اند و از نشت اطلاعات جلوگیری شود.
عملکرد مدل‌ها با معیارهای کلاسیک طبقه‌بندی شامل دقت، بازخوانی، امتیاز F1 و صحت سنجیده شده‌اند. محاسبۀ این معیارها براساس عناصر ماتریس سردرگمی انجام شده است که تعاریف آنها به شرح زیر است:
معیار دقت در رابطۀ (1)، نسبت نمونه‌های مثبت پیش‌بینی‌شده به‌درستی، به کل نمونه‌هایی است که مدل آنها را مثبت پیش‌بینی کرده است.
|
(1) |
|
معیار بازخوانی در رابطۀ (2)، نسبت نمونه‌های مثبت شناساییشده به‌درستی، به کل نمونه‌های واقعاً مثبت در مجموعه داده است.
|
(2) |
|
امتیاز F1 در رابطۀ (3)، میانگین هارمونیک معیارهای دقت و بازخوانی است که به‌منظور ارزیابی هم‌زمان این دو معیار به کار می‌رود.
|
(3) |
|
معیار صحت در رابطۀ (4)، نسبت تعداد پیش‌بینی‌های صحیح مدل به کل نمونه‌های ارزیابی را نشان می‌دهد.
|
(4) |
|
به‌دلیل نامتوازنبودن داده‌ها، مساحت زیر منحنی دقت_ بازخوانی[xxiv] معیار اصلی انتخاب مدل در نظر گرفته شده است. این معیار تمرکز بیشتری بر تشخیص کلاس مثبت خاموشی (مدل خاموشی را پیش‌بینی کرده و در واقعیت هم خاموشی رخ داده است) دارد و نسبت‌به داده‌های نامتوازن حساسیت کمتری نشان می‌دهد. علاوه بر این، مساحت زیرمنحنی نمودار مشخصۀ عملکرد[xxv] برای ارزیابی کلی عملکرد، محاسبه شده است. برای ارزیابی دقیق عملکرد مدل و اطمینان از بروزنیافتن بیش‌برازش، از اعتبارسنجی متقاطع [xxvi]مبتنی بر زمان استفاده شده است. در این روش، داده‌های آموزشی به چندین بازۀ زمانی متوالی تقسیم شده‌اند و مدل در هر گام، بر بازه‌های قبلی آموزش دیده و سپس روی بازۀ بعدی ارزیابی شده است. این رویکرد تضمین می‌کند که ترتیب زمانی داده‌ها حفظ و ارزیابی مدل براساس داده‌هایی انجام می‌شود که در آینده رخ می‌دهند. نتایج این فرآیند، شامل مقادیر میانگین و انحراف معیار معیارهای ارزیابی، نشان می‌دهد که مدل در پیش‌بینی رخدادهای جدید پایدار است و عملکرد یکنواختی در تمام بازه‌های زمانی دارد. این امر، اعتبار نتایج را افزایش می‌دهد و قابلیت تعمیم مدل را برای استفاده در شرایط عملی تقویت می‌کند. در بخش چهارم مقاله، نتایج روش اعتبارسنجی متقاطع زمانی آورده شده است.
خروجی مدل‌ها برای افق‌های زمانی (هفت‌روزه، آخرین هفتۀ اسفندماه و هفتۀ اول فرودین‌ماه) محاسبه شده است. هدف این مرحله، ایجاد یک تقویم پیش‌بینی خاموشی است که در آن برای هر فیدر، هر روز و هر ساعت، احتمال وقوع خاموشی گزارش شود؛ سپس این احتمال‌ها براساس آستانۀ انتخاب‌شده به برچسب‌های دودویی (خاموشی/ نبود خاموشی) تبدیل شدند. این بازنمایی ساختاریافته کمک می‌کند تا تصمیم‌گیرندگان صنعتی و مدیران بهره‌برداری به شکل بصری و ساده، وضعیت ریسک خاموشی را در هفتۀ آینده مشاهده و برنامه‌ریزی عملیاتی خود را بهینه کنند.
داده‌های استفاده‌شده در این پژوهش، از یکی از شرکت‌های توزیع برق کشور، به‌صورت محرمانه و با رعایت اصول حریم خصوصی دریافت شده‌اند. با توجه به تعهدات پژوهشگران دربارۀ انتشارنیافتن منبع و جزییات داده، از ذکر جزئیات مربوط به سازمان خودداری شده است.
در ادامه، یافته‌های این پژوهش به شکل مختصر آورده شده‌اند. شکل‌های (1) و (2) و جدول (3)، کیفیت داده‌های بار مصرفی استفاده‌شده در پژوهش، که دارای مقادیر صفر و منفی بودند، را قبل و بعد از پاک‌سازی پیش‌پردازش داده‌ها مقایسه می‌کنند. با توجه به مقایسۀ شکل‌های (1) و (2)، پاک‌سازی داده‌ها امری ضروری در مدل‌سازی تلقی می‌شود.
جدول (3) نیز بیانگر این است که مقادیر منفی و مقادیر صفر بار، که در آن لحظه خاموشی رخ نداده بود، با میانگین همسایگی جایگزین شدند و مقدار‌های صفر همراه با خاموشی، ثابت باقی ماندند.
شکل 1- هیستوگرام بار مصرفی سال 1403 قبل از پاک‌سازی
شکل 2- هیستوگرام بار مصرفی سال 1403 بعد از پاک‌سازی
|
شاخص |
قبل از پاک‌سازی |
بعد از پاک‌سازی |
|
تعداد کل رکوردها |
140544 |
140544 |
|
تعداد مقادیر منفی بار مصرفی |
184 |
0 |
|
تعداد بار‌های صفر (بدون خاموشی) |
9638 |
0 |
|
تعداد بار‌های صفر (با خاموشی) |
377 |
377 |
فرآیند مدل‌سازی داده‌های آماده‌سازی‌شده تشریح شد و نتایج اولیۀ سه مدل منتخب شامل رگرسیون لجستیک، تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک نشان داد که هر سه مدل از توانایی بالایی در شناسایی الگوهای خاموشی برخوردارند. جدول (4)، عملکرد سه مدل را ازنظر معیارهای ارزیابی در آستانۀ پایه نشان می‌دهد. با توجه به جدول (4)، هر سه مدل نتایج و عملکرد بالایی را نشان می‌دهند.
|
مدل |
Precision |
Recall |
F1-Score |
Accuracy |
ROC-AUC |
PR-AUC |
نرخ خطای مثبت کاذب |
|
LR |
396/0 |
936/0 |
557/0 |
991/0 |
996/0 |
707/0 |
0024/0 |
|
XGBOOST |
957/0 |
957/0 |
957/0 |
999/0 |
1 |
997/0 |
0000/0 |
|
LightGBM |
979/0 |
1 |
989/0 |
999/0 |
1 |
996/0 |
0000/0 |
در ابتدا عملکرد مدل‌ها با آستانۀ تصمیم 0.5 ارزیابی شد؛ سپس، با توجه به ماهیت نامتوازن داده‌ها و اهمیت شناسایی رخدادهای خاموشی، اثر تغییر آستانۀ تصمیم بر دقت و بازخوانی بررسی شد. برای تعیین یک نقطۀ عملیاتی مناسب، آستانه‌ای انتخاب شد که در آن بازخوانی حداقل 90درصد باشد و نتایج آن نشان داد آستانۀ بهینه به ترتیب برای رگرسیون لجستیک، تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک به 70، 45 و 40درصد تغییر می‌کند. این پراکندگی نشان می‌دهد که آستانۀ بهینه بیشتر به نوع مدل و توزیع احتمالات پیش‌بینی‌شده از سوی آن وابسته است. به همین دلیل، برای حفظ چارچوب مقایسه‌ای یکسان و منصفانه بین مدل‌ها و همچنین نبود تفاوت چشمگیر میان دیگر معیارهای ارزیابی، در جدول (5)، از آستانۀ پایه استفاده و نتایج بهینه‌سازی آستانه به‌صورت تحلیل مکمل ارائه شد.
|
مدل |
آستانه بهینه |
Precision |
Recall |
F1-Score |
Accuracy |
ROC-AUC |
PR-AUC |
FPR |
|
LR |
70/0 |
750/0 |
319/0 |
448/0 |
995/0 |
996/0 |
707/0 |
00062/0 |
|
XGBOOST |
45/0 |
978/0 |
957/0 |
968/0 |
999/0 |
1 |
997/0 |
00012/0 |
|
LightGBM |
40/0 |
980/0 |
1 |
999/0 |
999/0 |
1 |
997/0 |
0000/0 |
برای بررسی دقیق‌تر رفتار مدل‌ها در آستانه‌های مختلف تصمیم‌گیری، منحنی دقت_ بازخوانی برای هر سه مدل بر مجموعه تست اصلی رسم شد (شکل3). همان‌گونه که در شکل (3) مشاهده می‌شود، مدل رگرسیون لجستیک نسبت‌به دو مدل دیگر روند نزولی محسوس‌تری بین دقت و بازخوانی نشان می‌دهد؛ در حالی که تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک در بازۀ وسیعی از مقادیر، بازخوانی و دقت نزدیک به یک را حفظ می‌کنند. بررسی تغییرات دقت و بازخوانی برحسب آستانۀ تصمیم در شکل (4) نیز، نشان می‌دهد که برای رگرسیون لجستیک، افزایش آستانه از مقادیر پایین به‌سمت آستانۀ بهینۀ گزارش‌شده در جدول (5) (۰.۷۰)، با افت محسوس بازخوانی همراه است که این با نتایج ارائه‌شده در جدول (5) کاملاً همخوانی دارد. در مقابل، برای مدل‌های تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک، تغییر آستانه در بازۀ 1/0 تا 8/0 تأثیر محدودی بر عملکرد دارد و افت شدید تنها در آستانه‌های بسیار بالا مشاهده می‌شود؛ این رفتار نیز با آستانه‌های بهینۀ نسبتاً پایین این دو مدل در جدول (5) (به‌ترتیب 45/0 و 40/0) سازگار است. این تحلیل امکان می‌دهد تا صنعتگران آستانۀ مناسب عملیاتی خود را بسته به نسبت هزینۀ هشدار کاذب به هزینۀ خاموشی پیش‌بینی‌نشده، انتخاب کنند.
شکل 3- منحنی Precision-Recall برای سه مدل بر مجموعه تست اصلی
شکل 4- تغییرات دقت و بازخوانی برحسب آستانۀ تصمیم برای هر مدل
با توجه به ماهیت زمانی داده‌ها و وابستگی مشاهدات به ترتیب زمانی، برای بررسی پایداری عملکرد مدل کاندید نهایی، یعنی ماشین تقویت گرادیانی سبک، از اعتبارسنجی متقاطع زمانی استفاده شد. در این روش، داده‌ها به شش پنجرۀ زمانی متوالی تقسیم شدند؛ به‌گونه‌ای که در هر تکرار، مدل تنها با استفاده از داده‌های مربوط به بازه‌های زمانی گذشته آموزش داده و سپس بر بازۀ زمانی بعدی ارزیابی شد؛ بنابراین، اطلاعات مربوط به آینده در فرآیند آموزش هر فولد وارد نمیشود و احتمال نشت اطلاعات ناشی از ترتیب زمانی داده‌ها کاهش می‌یابد. عملکرد مدل در هر فولد، با استفاده از معیارهای موجود در جدول (6) ارزیابی شد. نتایج شش فولد نشان داد که ماشین تقویت گرادیانی سبک در بازه‌های زمانی مختلف، عملکرد پذیرفتنی داشته است. با وجود تغییرات طبیعی عملکرد میان فولدها، پراکندگی معیارها محدود بود و شواهدی از ناپایداری شدید مدل در طول زمان مشاهده نشد. نتایج کامل اعتبارسنجی متقاطع زمانی مدل ماشین تقویت گرادیانی سبک در جدول (6) ارائه شده است.
|
فولد |
Precision |
Recall |
F1-Score |
ROC-AUC |
PR-AUC |
FPR |
|
1 |
88/0 |
78/0 |
83/0 |
9900/0 |
8717/0 |
0008/0 |
|
2 |
93/0 |
71/0 |
80/0 |
9906/0 |
8815/0 |
0008/0 |
|
3 |
90/0 |
64/0 |
75/0 |
9968/0 |
8679/0 |
0007/0 |
|
4 |
83/0 |
83/0 |
83/0 |
9979/0 |
8980/0 |
0004/0 |
|
5 |
91/0 |
75/0 |
82/0 |
9970/0 |
8978/0 |
0004/0 |
|
6 |
85/0 |
80/0 |
82/0 |
9814/0 |
8485/0 |
0005/0 |
|
MEAN ± STD |
038/0±889/0 |
070/0±755/0 |
032/0±813/0 |
006/0±992/0 |
019/0±877/0 |
0002/0±0007/0 |
به‌منظور بررسی قابلیت تعمیم مدل‌ها به یک بازۀ زمانی کاملاً مستقل، عملکرد سه مدل نهایی شامل رگرسیون لجستیک، تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک در ۲۸ روز پایانی دورۀ مطالعهشده به‌صورت مستقل ارزیابی شد. در فرآیند آموزش، انتخاب ویژگی، تنظیم مدل و انتخاب آستانه دخالت داده نشد. مجموعۀ آزمون مستقل شامل ۱۰۷۵۲ نمونه بود که ۱۳۹ مورد آن به وقوع خاموشی مربوط میشد. نتایج نشان داد که هر سه مدل توانایی مناسبی در تشخیص خاموشی‌های برنامه‌ریزی‌شده در بازۀ زمانی کاملاً مستقل دارند XGBoost .با F1 برابر با 808/0 و PR-AUC برابر با 930/0، بهترین توازن کلی میان دقت و بازخوانی را نشان داد؛ در حالی که ماشین تقویت گرادیانی سبک با دقت برابر با 968/0 و نرخ خطای مثبت کاذب 0003/0، کمترین میزان هشدار کاذب را داشت. رگرسیون لجستیک نیز با وجود بازخوانی برابر با 719/0، نسبت‌به دو مدل درختی، امتیازF1 و مقدار مساحت زیر منحنی دقت_ بازخوانی پایین‌تری به دست آورد. نتایج این ارزیابی مستقل، عملکرد مناسب مدل‌ها را در مواجهه با داده‌های زمانی مشاهده‌نشده تأیید می‌کند. نتایج به‌طور کامل در جدول (7) آورده شده است.
|
مدل |
Precision |
Recall |
F1-Score |
Accuracy |
ROC-AUC |
PR-AUC |
نرخ خطای مثبت کاذب |
|
LR |
546/0 |
719/0 |
621/0 |
988/0 |
969/0 |
731/0 |
0078/0 |
|
XGBOOST |
934/0 |
712/0 |
808/0 |
995/0 |
997/0 |
930/0 |
00007/0 |
|
LightGBM |
968/0 |
669/0 |
791/0 |
995/0 |
996/0 |
9198/0 |
00003/0 |
در گام نهایی این بخش، تقویم پیش‌بینی خاموشی ارائه می‌شود که هدف آن تبدیل خروجی مدل به ابزاری استفادهشدنی برای برنامه‌ریزی عملیاتی صنایع است. براساس نتایج جدول (7)، مدل ماشین تقویت گرادیانی سبک، مدل برگزیده انتخاب شد؛ زیرا در مرحلۀ ارزیابی بر داده‌های آزمون (۹۰ روز پایانی سال ۱۴۰۳)، با صحت کلی نزدیک به ۹۹٫۹درصد، نرخ یادآوری ۱۰۰درصد و مساحت زیر منحنی ROC نزدیک به ۱، دارای عملکردی پایدار و مطمئن است؛ سپس برای ارزیابی عملی خروجی مدل، پیش‌بینی خاموشی‌ها برای دو بازۀ زمانی متوالی شامل هفتۀ پایانی اسفند ۱۴۰۳ و هفتۀ اول فروردین ۱۴۰۴ انجام شد که نتایج حاصل به‌صورت تجمیعی در جدول (8) آورده شده است. براساس اطلاعات جدول (6)، پیش‌بینی مدل با الگوی داده‌های واقعی همخوانی دارد.
|
بازۀ زمانی |
تعداد رکوردها |
مجموع ساعات پیشبینیشدۀ خاموشی |
درصد کل |
توضیح |
|
هفتۀ آخر اسفند 1403 |
2688 |
صفر |
0% |
مدل هیچ ساعت پرریسکی پیش‌بینی نکرد. بررسی داده‌های واقعی هم تأیید می‌کند که خاموشی در این بازه رخ نداده است. |
|
هفتۀ اول فروردین 1404 |
2688 |
صفر |
0% |
مشابه هفتۀ قبل، خاموشی پیش‌بینی نشده است که این با الگوی کاهش بار صنایع در بهار همخوانی دارد. |
پیش از آغاز فرآیند پاک‌سازی و آماده‌سازی داده‌ها، لازم بود شناخت دقیقی از ماهیت و الگوهای موجود در داده‌های خام به دست آید. این مرحله که تحلیل اکتشافی[xxvii] داده‌ها شناخته می‌شود، کمک می‌کند تا توزیع ویژگی‌ها، الگوهای زمانی، رفتار رخداد خاموشی‌ها و وجود مقادیر غیرعادی شناسایی شوند. هدف از این مرحله، ایجاد بینشی عمیق دربارۀ رفتار سیستم و فراهمکردن مبنای علمی برای تصمیم‌گیری در مراحل بعدی مدل‌سازی است. الگوهای زمانی بار در مقیاس‌های مختلف بررسی شد. تحلیل سالانه و ماهانه و فصلی بار نشان داد که بیشترین مصرف در فصل‌های پاییز و زمستان رخ می‌دهد. این در حالی است که در تابستان و به‌ویژه در ماه‌های تیر و مرداد، افت مصرف محسوس است (شکل‌های 5 و6). این افت با الگوهای خاموشی همبستگی داشت و احتمالاً ناشی از اعمال سیاست‌های مدیریت بار از سوی شرکت توزیع برق بود.
شکل 5- نمودار بار مصرفی ماهانۀ سال 1403[xxviii]
شکل 6- نمودار بار مصرفی فصلی در سال 1403
در مقیاس ساعتی نیز، مشخص شد که پیک مصرف در بازۀ ۷ تا ۱۴ (ساعات کاری صنایع) رخ می‌دهد و بار از عصر به بعد کاهش می‌یابد (شکل 7).
شکل 7- نمودار میانگین سالیانۀ بار مصرفی ساعتی در سال 1403
تحلیل خاموشی‌ها نیز بخش مهمی از این مرحله بود. نمودار توزیع خاموشی‌ها برحسب ساعت و روز هفته، نشان داد که بیشترین فراوانی خاموشی در بازۀ ۱۸ تا ۲۱ (هم‌زمان با پیک خانگی) و در روزهای میانی هفته و همچنین روزهای کاری اتفاق می‌افتد (شکل‌های 8 و 9). این الگو بیانگر این است که خاموشی‌ها تنها تصادفی نبوده و ابزاری برای متعادل‌سازی بار شبکه است.
شکل 8- نمودار خاموشی‌های ساعتی در سال 1403
شکل 9- نمودار خاموشی‌های روزهای هفته در سال 1403
یکی از مهم‌ترین مراحل این پژوهش، اطمینان از کیفیت داده‌ها پیش از مدل‌سازی بود. داده‌های جمع‌آوری‌شده شامل مقادیر بار مصرفی، دما، سرعت باد، تعطیلات رسمی ایران و برچسب خاموشی‌ها در بازۀ زمانی یک‌ساله بودند. بررسی‌های اولیه نشان داد که بخشی از داده‌های بار مصرفی، دچار مشکلاتی از قبیل مقادیر صفر غیرواقعی، مقادیر منفی ناشی از برگشت توان و ثبت‌های نویزیاند که دقت مدل را به‌شدت تحت تأثیر قرار می‌دهند؛ از این رو، فرآیند پاک‌سازی داده‌ها یک گام اساسی طراحی شد تا داده‌ها نمایانگر رفتار واقعی شبکه باشند. در اولین گام، کلیۀ مقادیر بار منفی شناسایی و با میانگین متحرک ساعتی جایگزین شدند تا پیوستگی پروفایل بار حفظ شود؛ سپس مقادیر صفرِ بدون خاموشی که احتمالاً ناشی از خطای اندازه‌گیری بودند، با روش‌های آماری جایگزین شدند. این اصلاحات باعث شد نسبت مقادیر صفر کاهش یابد و تمامی مقادیر منفی حذف شود. علاوه بر این، بررسی‌های همبستگی نشان داد که ویژگی‌های اصلی نظیر بار مصرفی و روندهای فصلی، همچنان رفتار مشابهی نسبت‌به قبل دارند و فرآیند پاک‌سازی به حذف الگوهای واقعی منجر نشده است. این مرحله تضمین کرد که ورودی‌های مدل فاقد داده‌های غیرمنطقیاند و مدل‌های یادگیری ماشین، الگوهای واقعی بار و خاموشی را میآزموزند. پس از آموزش و ارزیابی سه مدل رگرسیون لجستیک، تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک تحت شرایط پایه (آستانۀ احتمال 0.5)، نتایج نشان داد که هر سه مدل عملکرد پذیرفتنی در پیش‌بینی خاموشی‌های برنامه‌ریزی‌شده دارند. مقادیر ROC-AUC برای هر سه مدل بالاتر از 99/0 و بیانگر توانایی بالای مدل‌ها در جداسازی کلاس خاموشی و نبود آن است. همچنین مقادیر PR-AUC که برای ارزیابی کارایی مدل در داده‌های نامتوازن مناسب‌تر است، نشان دادند که مدل‌های مبتنی بر درخت (تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک) در مقایسه با مدل خطی لجستیک، عملکرد بهتری دارند و موارد مثبت را با دقت بالاتری شناسایی می‌کنند. تحلیل خطای مدل‌ها نشان داد که رگرسیون لجستیک گرچه بسیاری از موارد مثبت را شناسایی می‌کند، میزان نرخ خطای مثبت کاذب[xxix] بالاتری در مقایسه با دو مدل دیگر دارد که به هشدارهای نادرست منجر می‌شود. در مقابل، دو مدل تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک با دقت نزدیک به 100درصد موارد مثبت را شناسایی کردند و تقریباً هیچ هشدار نادرستی تولید نکردند (FPR ≈ 0.0). این یافته نشان‌دهندۀ توانایی بالای مدل‌های مبتنی بر درخت در یادگیری الگوهای پیچیده و غیرخطی در داده‌های خاموشی است. درمجموع، نتایج این بخش نشان داد که مدل ماشین تقویت گرادیانی سبک بهترین عملکرد را در بین سه مدل بررسیشده دارد. همچنین پنج ویژگی مهم در مدل منتخب به‌ترتیب ساعت خاموشی، اختلاف بار مصرفی یک ساعت قبل، دما، بار مصرفی و اختلاف بار مصرفی 24 ساعت قبل بوده‌اند. در تقویم خاموشی مدل، در هیچ‌یک از بازه‌ها ساعت پرریسکی پیش‌بینی نشده است. این نتیجه با داده‌های واقعی خاموشی در همین بازه همخوانی دارد و نشان می‌دهد که مدل از ایجاد هشدارهای کاذب، اجتناب می‌کند. همچنین با الگوی تاریخی کاهش بار و خاموشی در آغاز فصل بهار هم سازگار است و صحت عملکرد مدل را در شرایط عملیاتی تأیید می‌کند. یافته‌های این پژوهش نشان می‌دهد که مدل‌های بوستینگ به‌ویژه ماشین تقویت گرادیانی سبک در شناسایی رخدادهای نادر خاموشی، عملکرد بهتری نسبت‌به مدل پایۀ رگرسیون لجستیک دارند. این برتری به‌ویژه در شاخص‌های حساسیت و F1-Score نمایان است و نشان می‌دهد روابط غیرخطی و آثار کوتاه‌مدت بار و خاموشی گذشته، نقش مهمی در وقوع خاموشی‌های برنامه‌ریزی‌شده دارند. استفاده از ویژگی‌های زمانی نظیر نوع روز و الگوهای تکرارشوندۀ مصرف نیز، به افزایش قدرت تفکیک مدل کمک و ثابت کرده است که تصمیم‌گیری‌های عملیاتی شبکه به‌شدت از رفتار مصرف‌کنندگان و الگوی تقاضا تأثیر می‌پذیرد. همچنین رویکرد ترکیبی متوازن‌سازی داده‌ها باعث شد مدل توانایی خود را در شناسایی خاموشی‌های واقعی حفظ کند و تنها به پیش‌بینی کلاس اکثریت بسنده نکند؛ بنابراین، بهره‌گیری از الگوریتم‌های بوستینگ براساس داده‌های واقعی بهره‌برداری، امکان پیش‌بینی اتکاپذیر و عملیاتی خاموشی‌ها را در افق کوتاه‌مدت فراهم می‌کند و زیرساخت مناسبی برای تصمیم‌گیری ریسک‌محور در شرکت‌های توزیع برق است. بررسی منابع نشان می‌دهد با دانش فعلی نویسندگان این مقاله، تاکنون الگوریتم‌های یادگیری ماشین برای پیش‌بینی مستقیم خاموشی‌های برنامه‌ریزی‌شده با داده‌های واقعی بهره‌برداری شرکت توزیع به کار گرفته نشده‌اند؛ بنابراین این پژوهش، خلأ موجود را پوشش می‌دهد. با توجه به نتایج به دست آمده و عملکرد مطلوب مدل پیشنهادی در پیش‌بینی کوتاه‌مدت خاموشی‌های برنامه‌ریزی‌شده، به‌کارگیری این مدل در فرآیند تصمیم‌سازی شرکت توزیع، پیامدهای مدیریتی درخور توجهی بههمراه دارد. بهره‌برداری از نتایج مدل در قالب یک تقویم پیش‌بینی خاموشی، امکان اطلاع‌رسانی هدفمند و زودهنگام به صنایع واقع در فیدرهای تحت محدودیت را فراهم و درنتیجه، زمینۀ برنامه‌ریزی مناسب خطوط تولید و کاهش خسارات ناشی از توقف فعالیت‌ها را ایجاد می‌کند. همچنین، استفاده از پیش‌بینی‌ها در زمان‌بندی فعالیت‌های تعمیرات و مانورهای شبکه، از هم‌پوشانی این فعالیت‌ها با دوره‌های پرمصرف جلوگیری و مدیریت محدودیت را کارآمدتر می‌کند. به‌طور کلی، استقرار یک سامانۀ هشدار و برنامه‌ریزی مبتنی بر پیش‌بینی، علاوه بر افزایش قابلیت اتکای شبکه و بهبود تعامل با مشترکان صنعتی، به کاهش نارضایتی ناشی از خاموشی‌های ناگهانی و افزایش اعتماد مشترکان به تصمیمات شرکت توزیع منجر می‌شود.
در این پژوهش، رویکردی مبتنی بر یادگیری ماشین برای پیش‌بینی کوتاه‌مدت خاموشی‌های ناشی از ناترازی در شبکۀ توزیع صنایع یکی از شهر‌های ایران ارائه شد؛ پس از پیش‌پردازش دقیق داده‌ها، مهندسی ویژگی و رفع نامتوازنی کلاس‌ها، سه مدل طبقه‌بندی شامل رگرسیون لجستیک، تقویت گرادیانی شدید و ماشین تقویت گرادیانی سبک آموزش و مقایسه شدند. نتایج نشان داد که مدل ماشین تقویت گرادیانی سبک با دستیابی به دقت ۹۹٫۹درصد و مقدار F1-Score برابر با 989/0 عملکردی برتر را در پیش‌بینی وقوع خاموشی صنعتی ارائه می‌کند. مهم‌ترین دستاورد تحقیق، تولید تقویم پیش‌بینی خاموشی برای افق کوتاه‌مدت است که به‌عنوان یک ابزار هشدار زودهنگام در اختیار تصمیم‌گیرندگان قرار می‌گیرد. نوآوری پژوهش در تمرکز بر خاموشی‌های برنامه‌ریزی‌شده، ناشی از محدودیت شبکه و استفاده از رویکرد داده‌محور در سطح فیدر و ساعت است؛ حوزه‌ای که تاکنون کمتر مطالعه شده است. این نوآوری نقش مهمی در ارتقای قابلیت اتکای شبکه و کاهش خسارت صنایع در شرایط ناترازی برق دارد. این پژوهش با وجود نتایج به دست آمده، با محدودیت‌هایی همراه بوده است که لازم است در تفسیر نتایج مدنظر قرار گیرند. اولین محدودیت به سطح دسترسی داده‌ها بازمی‌گردد. داده‌های مصرف برق تنها در سطح فیدر و به‌صورت تجمیعی موجود بودند و امکان تفکیک آنها در سطح واحدهای صنعتی وجود نداشت؛ درنتیجه، متغیرهای مهمی مانند نوع صنعت، ظرفیت تولید، تعداد شیفت‌های کاری و الگوهای مصرف اختصاصی کارخانهها در مدل وارد نشدند. این موضوع سبب شد بخشی از تنوع واقعی رفتار مصرف صنایع در مدل‌سازی قرار نگیرد. همچنین باید توجه داشت که پیش‌بینی خاموشی حتی در افق کوتاه‌مدت، ذاتاً با عدم قطعیت همراه است. وقوع یا وقوعنیافتن خاموشی تنها به الگوی بار یا شرایط آبوهوایی وابسته نیست و تحت تأثیر تصمیمات مدیریتی، محدودیت‌های فنی لحظه‌ای و رخدادهای غیرمنتظره مانند خرابی تجهیزات نیز قرار دارد. با توجه به اینکه این عوامل در داده‌های ورودی مدل پوشش داده نشدند، نتایج مدل باید با در نظر گرفتن این محدودیت‌ها تفسیر شود.
برای پژوهش‌های آینده پیشنهاد می‌شود بازۀ زمانی داده‌ها توسعه یابد و داده‌های عملیاتی شبکه در مدل لحاظ شود. نتایج این پژوهش نشان داد که برخی فیدرها سهم بیشتری در بار شبکه دارند. پژوهش‌های آتی تمرکز خود را بر این فیدرهای کلیدی قرار دهند و با ترکیب داده‌های مصرف انرژی با شاخص‌های اقتصادی (مانند ارزش افزوده تولید یا میزان اشتغال)، اثر مستقیم خاموشی‌ها را بر تولید و اقتصاد صنایع متصل به آنها را بررسی کنند. این تحلیل مبنای تصمیم‌گیری‌های اولویت‌بندی در مدیریت بار برای مدیران شرکت‌های توزیع قرار می‌گیرد.
[i] Power Outage
[ii] Planned Power Outage
[iii] Machine learning
[iv] Power Load
[v] Walser & Sauer
[vi] Decision Tree
[vii] Convolutional Neural Network (CNN)
[viii] Nooruldeen et al.
[ix] Bagging
[x] AdaBoost
[xi] Timur & Üstünel
[xii] Watson et al.
[xiii] Sharma et al.
[xiv] Huang et al.
[xv] Alimohammadi & Behnamian
[xvi] Toubeau et al.
[xvii] Extreme Gradient Boosting (XGBOOST)
[xviii] LightGBM
[xix] Data collection and preparation
[xx] Data preprocessing and cleaning
[xxi] Model validation and testing
[xxii] Long format
[xxiii] Synthetic Minority Over-sampling Technique
[xxiv] Area Under the Precision Recall Curve (PR-AUC)
[xxv] Receiver Operating Characteristic Curve (ROC)
[xxvi] Cross Validation
[xxvii] Exploratory Data Analysis (EDA)
[xxviii] ماه‌های سال به فرمت میلادیاند.
[xxix] False Positive Rate (FPR)
)