ترجمه فارسی مقاله پیش‌بینی بار مقاوم خوشه‌های شبکه قدرت مبتنی بر ترانسفورماتور بهبود یافته با مدل ابری

چکیده

Load data from power network clusters indicates economic development in each area, crucial for predicting regional trends and guiding power enterprise decisions. The Transformer model, a leading method for load prediction, faces challenges modeling historical data due to variables like weather, events, festivals, and data volatility. To tackle this, the cloud model’s fuzzy feature is utilized to manage uncertainties effectively. Presenting an innovative approach, the Cloud Model Improved Transformer (CMIT) method integrates the Transformer model with the cloud model utilizing the particle swarm optimization algorithm, with the aim of achieving robust and precise power load predictions. Through comparative experiments conducted on 31 real datasets within a power network cluster, it is demonstrated that CMIT significantly surpasses the Transformer model in terms of prediction accuracy, thereby highlighting its effectiveness in enhancing forecasting capabilities within the power network cluster sector.

چکیده به فارسی (ترجمه ماشینی)

داده های بار از خوشه های شبکه برق نشانگر توسعه اقتصادی در هر منطقه است ، برای پیش بینی روندهای منطقه ای و هدایت تصمیمات سازمانی قدرت بسیار مهم است.مدل ترانسفورماتور ، یک روش پیشرو برای پیش بینی بار ، به دلیل متغیرهایی مانند آب و هوا ، رویدادها ، جشنواره ها و نوسانات داده ، با چالش مدل سازی داده های تاریخی روبرو است.برای مقابله با این امر ، از ویژگی فازی مدل ابر برای مدیریت مؤثر عدم قطعیت ها استفاده می شود.با ارائه یک رویکرد نوآورانه ، مدل Cloud روش ترانسفورماتور (CMIT) را بهبود می بخشد ، مدل ترانسفورماتور را با مدل ابر با استفاده از الگوریتم بهینه سازی swarm ذرات ، با هدف دستیابی به پیش بینی های بار قدرت قوی و دقیق ادغام می کند.از طریق آزمایش های مقایسه ای که بر روی 31 مجموعه داده واقعی در یک خوشه شبکه برق انجام شده است ، نشان داده شده است که CMIT از نظر دقت پیش بینی از مدل ترانسفورماتور پیشی می گیرد و از این طریق اثربخشی آن را در تقویت قابلیت های پیش بینی در بخش خوشه شبکه برق برجسته می کند.