یک روش ترکیبی پیش‏ بینی احتمالاتی بلند مدت بار خالص شبکه با در نظر گرفتن اثر توان تولید شده توسط منابع انرژی تجدیدپذیر در شبکه های 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 mini-batch-LBFGS و ترکیب پیش‏بینی‏های به دست آمده با استفاده از سیستم استنتاج عصبی- فازی تطبیقی ارایه 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 تایو 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 947/0%، 3079/0% و 0042/0% بهبود یافته است که کاهش خطای کلی پیش‌بینی را سبب می‌شود.