پیش‌بینی احتمالاتی میان‌مدت بار خالص شبکه با در نظر گرفتن اثر تولید توان خورشیدی با استفاده از ماشین یادگیری شدید

افزایش میزان نفوذ توان تولیدشده با استفاده از انرژی خورشیدی، افزایش عدم‌قطعیت را در شبکه قدرت موجب می‌شود؛ زیرا بیشتر ادوات اندازه‌گیری، بار خالص شبکه را بدون در نظر گرفتن خروجی تولیدات پراکنده اندازه‌گیری می‌کنند. این مقاله روشی را برای پیش‌بینی احتمالاتی میان‌مدت بار خالص در شبکه برق براساس پیش‌بینی‌های مجزای بار و توان خروجی یک ایستگاه خورشیدی با استفاده از ترکیب روش‌های تحلیل اجزای اصلی و روش ماشین یادگیری شدید پیشنهاد می‌دهد. داده‌های پیش‌بینی مربوط به دو پایگاه داده‌ nerl و gefcom2014 برای آموزش مدل‌ها استفاده شده‌اند و با روش تحلیل اجزای اصلی ماتریس نمرات از این مجموعه داده‌ها، استخراج و با مدل ماشین یادگیری شدید orelm مدل‌های پیش‌بینی آموزش داده می‌شوند و در سه بخش آموزش، اعتبارسنجی و پیش‌بینی میان‌مدت ارزیابی می‌شوند. هدف اصلی روش پیشنهادشده افزایش دقت پیش‌بینی بار خالص از طریق بهبود پیش‌بینی‌های نقطه‌ای است. مقایسه انجام‌شده بین نتایج ارائه‌شده در این مقاله با مراجع دیگر نشان می‌دهد خطای میانگین مطلق خطای پیش‌بینی‌های بار و توان خروجی ایستگاه خورشیدی به‌ترتیب به میزان 1.1333 و 0.3118 بهبود یافته است که کاهش خطای کلی پیش‌بینی را سبب می‌شود.

Probabilistic midterm net load forecasting considering the effect of solar power using extreme learning machine

The increase in power generated by using solar energy increases the uncertainty in the power grid, since the majority of meters measure only the net load of a grid regardless of the output of distributed generations. This paper proposes a framework for probabilistic midterm net load forecasting in a power grid based on separate forecasts of the load and output power of a solar station using the combination of principal components analysis and the extreme learning machine methods. The data used in this paper is related to the NERL and GEFCom2014 data bases and the matrix of scores is extracted by the use of principal component analysis. The prediction models are trained using ORELM model and evaluated in three sections: training, validation and midterm prediction. The main objective of the proposed method is to increase the precision of net load forecasting by improving point forecasts. The comparison between the results presented in this thesis with other references shows that the MAPE error of predicted load, and predicted output power of the solar station improved  to 1.1333 and 0.3118, respectively, which will reduce overall forecast error.