در این کار تحقیقاتی با بهبود شبکه عصبی، برنامه‌ریزی هماهنگی برای واحدهای تولید پراکنده در یک ریزشبکه انجام شد. در الگوریتم پیشنهادی تابع هدف در برنامه‌ریزی پیشنهادی، سود ماکزیمم و بهبود تخصیص انرژی با توجه به نوسانات منابع تولید و عدم قطعیت در باتری و خازن در سیستم تولیدی است. همچنین میزان دما و کارکرد نیز بر طول عمر این قطعات تاثیر مستقیم دارد و این تاثیر قابلیت اطمینان سیستم را کاهش خواهد داد. برای برنامه‌ریزی این سیستم، روش‌های بهینه‌سازی زیادی بررسی شد. که در نتیجه آن دو روش دقیق و مطمئن (شبکه عصبی و الگوریتم ژنتیک) گزینش گردید، تا درصورت وجود ضعف، کمبودها و کاستی‌هایشان برطرف شود. با توجه به اینکه شبکه‌های عصبی برای فرایند آموزش از روش‌های گرادیان رایج استفاده می‌کند و در مسائل نسبتا پیچیده دچار مشکل بهینه محلی می‌شود، برای رفع این چالش اقدام به بهینه‌سازی آن نمودیم. بر اساس نتایج فصل چهارم، روش پیشنهادی از سایر روش‌ها خطای کمتری دارد. این مقایسه از لحاظ MAE، MSE، RMSE، خطای میانگین و برخی روش‌های رایج ارزیابی شد. که نتایج نشان از برتری روش پیشنهادی دارد. همچنین روش پیشنهادی از لحاظ دقت با کمک معیارهای استانداری نظیر Precision، Recall، و ... نیز بررسی شده که مشخص گردید در مقایسه با دو روش دیگر برتری و مقادیر بالاتری دارد. از اینرو نتایج حاصل از پیش‌بینی پیک بار، تقاضا و زمانبندی استفاده از باتری و ابرخازن برای بهبود تخصیص منابع ذخیره‌ساز قابل استناد است.
