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 دادة‌ 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. مقایسة 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 1333/1 و 3118/0 بهبود یافته است که کاهش خطای کلی پیش‌بینی را سبب می‌شود.

Keywords:

تحلیل اجزای اصلی , پیش‌بینی میان‌مدت بار خالص , پیش‌بینی میان‌مدت توان خروجی ایستگاه خورشیدی , ماتریس نمرات , ماشین یادگیری شدید , میانگین مطلق درصد خطا