یک روش ترکیبی پیش‏ بینی احتمالاتی بلند‌مدت بار خالص شبکه با در نظر گرفتن اثر توان تولید‌شده توسط منابع انرژی تجدیدپذیر در شبکه‌های هوشمند

امروزه با توجه به رشد گسترده و نفوذ استفاده از منابع تولید پراکنده در شبکه‌های هوشمند، پیش‌بینی بار خالص شبکه با در نظر گرفتن اثر تولیدات پراکنده اهمیت قابل توجهی پیدا کرده است. در این مقاله یک روش بهینه‌سازی ترکیبی به منظور پیش‏بینی احتمالاتی بلندمدت بار خالص شبکه با استفاده از روش تحلیل اجزای همسایگی و حل مساله رگرسیون به روش minibatchlbfgs و ترکیب پیش‏بینی‏های به دست آمده با استفاده از سیستم استنتاج عصبی فازی تطبیقی ارائه شده است. این ساختار شامل ترکیب چندین پیش‌بینی بلندمدت از جمله پیش‏بینی بار، توان یک ایستگاه خورشیدی و توان یک مزرعه بادی با توربین‏های بادی مجهز به ژنراتور القایی دوسوتغذیه است. پیش‏بینی بار خالص و بررسی وابستگی موجود بین خطاهای پیش‏بینی بار و توان‏های خورشیدی و بادی نیز در این مقاله مورد مطالعه قرار گرفته است. نتایج شبیه‏سازی روش پیشنهادی و مقایسه آن با مدل‏های تائو و رگرسیون چندکی نشان می‌دهد که درصد میانگین مطلق خطا برای پیش‌بینی‌های بار و توان‏های خروجی ایستگاه خورشیدی و مزرعه بادی به ترتیب به میزان 0.947%، 0.3079% و 0.0042% بهبود یافته است که کاهش خطای کلی پیش‌بینی را سبب می‌شود.

A Hybrid Long-Term Probabilistic Net Load Forecasting Approach Considering Renewable Energies Power in Smart Grids

With the growth and integration of distributed generation resources in smart grids, net load forecasting is of significant importance. A hybrid optimization method is proposed in this paper for probabilistic net load forecasting using neighborhood component analysis and solving regression problem with the aid of minibatch LBFGS method. Net load forecasting is suggested in this paper trough forecast combination via adaptive networkbased fuzzy inference system. The structure includes a combination of several longterm forecasts, including forecasts of load, the generation of a solar station, and the generation of a wind farm with wind turbines equipped with doublyfed induction generator. Also, the net load forecasting and the relationship between errors of load, wind and solar predictions are studied in this paper. The simulation results of the proposed method and its comparison with Tao and quantile regression models show that mean absolute percentage error of load forecasting, and the forecasts of solar and wind generations improved by 0.947%, 0.3079% and 0042%, respectively which result to a decrease in net load forecasting error.