پیشبینی بلندمدت و ساعتی بار پستهای فوقتوزیع برای زمانبندی بهینه تعمیرات، مدیریت تقاضای بازار برق و برنامهریزی توسعه، حیاتی است. مطالعات پیشین از روشهای آماری مانند میانگین متحرک خودهمبسته یکپارچه و مدلهای تودرتو برای پیشبینی بار ساعتی با تجزیه بار به اجزای سالانه و ساعتی استفاده کردهاند و با تکنیکهای یادگیری ماشین و یادگیری عمیق با ورودیهایی مانند دما، رطوبت و عوامل اقتصادی، دقت را در بارهای نوسانی بهبود بخشیدهاند. در این مطالعه، چارچوبی مبتنی بر روشهای یادگیری ماشین، شامل شبکه عصبی پرسپترون چندلایه (MLP)، شبکههای حافظهدار بلندمدت-کوتاهمدت (LSTM)، رگرسیون بردار پشتیبان (SVR)، تقویت گرادیان (GB) و جنگل تصادفی (RF)، که با استفاده از الگوریتم ژنتیک برای بهینهسازی هایپرپارامترها و عملکرد مدلها بهرهبرداری شده است، برای پیشبینی بار ساعتی دو پست فوقتوزیع (یکی با بارهای شهری-روستایی و دیگری با بارهای صنعتی) ارائه شده است. این پستها در استان مرکزی واقع شدهاند. مدلها با استفاده از دادههای واقعی بار الکتریکی ساعتی چهارساله از این دو پست توسعه و اعتبارسنجی شدهاند. فرآیند مدلسازی بر اساس تجزیه و تحلیل الگوهای رفتار بار، به تفکیک هر روز هفته در هر ماه از سال طراحی شد. تأثیر تعطیلات رسمی، روزهای پس از تعطیلات و (برای پست شهری-روستایی) مدتزمان روشنایی روز در مدل لحاظ شد. خطای پیشبینی معادل روزهای هفته در هر ماه و همچنین برای پیشبینیهای یکساله محاسبه شد. نتایج نشان میدهند که خطای میانگین مطلق درصدی سالانه با روش جنگل تصادفی برای پست شهری-روستایی 3٫94٪ و برای پست صنعتی 4٫63٪ است، که دقت بالای مدل در تحلیل پیچیدگیهای زمانی و رفتاری بار را تأیید میکند.
