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.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.