پیش بینی احتمالاتی میان مدت 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 عدم قطعیت را در شبکه قدرت موجب می شود؛ زیرا بیشتر ادوات اندازه گیری، بار خالص شبکه را بدون در نظر گرفتن خروجی تولیدات پراکنده اندازه گیری می کنند. این مقاله روشی را برای پیش بینی احتمالاتی میان مدت بار خالص در شبکه برق براساس پیش بینی های مجزای بار و توان خروجی یک ایستگاه خورشیدی با استفاده از ترکیب روش های تحلیل اجزای اصلی و روش ماشین یادگیری شدید پیشنهاد می دهد. داده های پیش بینی مربوط به دو پایگاه داده NERL و GEFCom2014 برای آموزش مدل ها استفاده شده اند و با روش تحلیل اجزای اصلی ماتریس نمرات از این مجموعه داده ها، استخراج و با مدل ماشین یادگیری شدید ORELM مدل های پیش بینی آموزش داده می شوند و در سه بخش آموزش، اعتبارسنجی و پیش بینی میان مدت ارزیابی می شوند. هدف اصلی روش پیشنهادشده افزایش دقت پیش بینی بار خالص از طریق بهبود پیش بینی های نقطه ای است. مقایسه انجام شده بین نتایج ارایه شده در این مقاله با مراجع دیگر نشان می دهد خطای میانگین مطلق خطای پیش بینی های بار و توان خروجی ایستگاه خورشیدی به ترتیب به میزان 1333/1 و 3118/0 بهبود یافته است که کاهش خطای کلی پیش بینی را سبب می شود.