پيش‌بيني احتمالاتي ميان‌مدت بار خالص شبكه با در نظر گرفتن اثر توليد توان خورشيدي با استفاده از ماشين يادگيري شديد

Probabilistic mid-term net load forecasting considering the effect of solar power using extreme learning machine

افزايش ميزان نفوذ توان توليدشده با استفاده از انرژي خورشيدي، افزايش عدم‌قطعيت را در شبكه قدرت موجب مي‌شود؛ زيرا بيشتر ادوات اندازه‌گيري، بار خالص شبكه را بدون در نظر گرفتن خروجي توليدات پراكنده اندازه‌گيري مي‌كنند. اين مقاله روشي را براي پيش‌بيني احتمالاتي ميان‌مدت بار خالص در شبكه برق براساس پيش‌بيني‌هاي مجزاي بار و توان خروجي يك ايستگاه خورشيدي با استفاده از تركيب روش‌هاي تحليل اجزاي اصلي و روش ماشين يادگيري شديد پيشنهاد مي‌دهد. داده‌هاي پيش‌بيني مربوط به دو پايگاه دادة‌ NERL و GEFCom2014 براي آموزش مدل‌ها استفاده شده‌اند و با روش تحليل اجزاي اصلي ماتريس نمرات از اين مجموعه داده‌ها، استخراج و با مدل ماشين يادگيري شديد ORELM مدل‌هاي پيش‌بيني آموزش داده مي‌شوند و در سه بخش آموزش، اعتبارسنجي و پيش‌بيني ميان‌مدت ارزيابي مي‌شوند. هدف اصلي روش پيشنهادشده افزايش دقت پيش‌بيني بار خالص از طريق بهبود پيش‌بيني‌هاي نقطه‌اي است. مقايسة انجام‌شده بين نتايج ارائه‌شده در اين مقاله با مراجع ديگر نشان مي‌دهد خطاي ميانگين مطلق خطاي پيش‌بيني‌هاي بار و توان خروجي ايستگاه خورشيدي به‌ترتيب به ميزان 1/1333 و 0/3118 بهبود يافته است كه كاهش خطاي كلي پيش‌بيني را سبب مي‌شود.

The increase in power generated by using solar energy increases the uncertainty in the power grid, since the majority of meters measure only the net load of a grid regardless of the output of distributed generations. This paper proposes a framework for probabilistic mid-term net load forecasting in a power grid based on separate forecasts of the load and output power of a solar station using the combination of principal components analysis and the extreme learning machine methods. The data used in this paper is related to the NERL and GEFCom2014 data bases and the matrix of scores is extracted by the use of principal component analysis. The prediction models are trained using ORELM model and evaluated in three sections: training, validation and mid-term prediction. The main objective of the proposed method is to increase the precision of net load forecasting by improving point forecasts. The comparison between the results presented in this thesis with other references shows that the MAPE error of predicted load, and predicted output power of the solar station improved to 1.1333 and 0.3118, respectively, which will reduce overall forecast error.