پیش بینی توان تولیدی واحدهای بادی با استفاده از یک موتور پیش بینی ترکیبی برمبنای آنالیز اطلاعات متقابل و شبکه عصبی GMDH

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 158

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-9-2_001

تاریخ نمایه سازی: 2 دی 1400

چکیده مقاله:

تخمین مناسب میزان تولید پرنوسان واحدهای بادی برای استفاده بهینه در سیستم های قدرت، امری دشوار و تابع پیچیدگی های بسیار است. در این مقاله روشی موفق برای پیش بینی توان تولیدی واحدهای بادی با استفاده از شبکه عصبی خودسازمانده موسوم به GMDH ارائه شده است. در شبکه عصبی GMDH، متغیرهایی که بر سری زمانی تاثیر می گذارند، به عنوان ورودی شبکه استفاده می شوند. این شبکه با بررسی و کشف روابط بین ورودی ها، به طور هوشمند مدل بهینه ای را ارائه و متغیر خروجی را پیش بینی می کند. الگوسازی های به کاررفته در این مطالعه مبتنی بر دو روش هوش مصنوعی و نظریه اطلاعات است. در ابتدا متغیرهای موثر براساس اطلاعات متقابل (MI) و با الگوریتم ترکیبی انبوه ذرات و ژنتیک، انتخاب و سپس در موتور پیش بینی به کار گرفته می شوند. برخلاف روش همبستگی متقابل، در رویکرد مبتنی بر آنتروپی متقابل استفاده شده در این مقاله، روابط غیرخطی میان متغیرها در نظر گرفته می شوند و انتخاب متغیرهای موثر در پیش بینی انرژی بادی که در آن، نوسانات و روند غیرخطی شدیدی مشاهده می شود، با دقت و اعتبار بیشتری انتخاب می شود. برای ارزیابی توانایی، سرعت و دقت چارچوب پیشنهادی، از داده های واقعی مزرعه بادی سوتاونتو کشور اسپانیا استفاده شده است. نتایج مطالعه نشان می دهند تکنیک پیشنهادی سرعت و دقت بیشتری در مقایسه با سایر روش ها دارد.

کلیدواژه ها:

پیش بینی توان تولیدی واحدهای بادی ، شبکه های عصبی مصنوعی ، شبکه عصبی GMDH ، آنتروپی متقابل ، سیستم های هوشمند

نویسندگان

وحید وحیدی نسب

استادیار، گروه برنامه ریزی و بهره برداری سیستم های انرژی الکتریکی، دانشکده مهندسی برق، پردیس فنی و مهندسی شهید عباسپور، دانشگاه شهید بهشتی، تهران، ایران

حسین سهرابی وفا

کارشناس ارشد، دانشکده مدیریت و اقتصاد، پردیس فنی و مهندسی شهید عباسپور، دانشگاه شهید بهشتی، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • E. Vine, "Breaking down the silos: the integration of energy ...
  • W. Zhou, C. Lou, Z. Li, L. Lu, and H. ...
  • A. Strupczewski, "Accident risks in nuclear-power plants," Applied Energy, Vol. ...
  • A. Skoglund, M. Leijon, A. Rehn, M. Lindahl, and R. ...
  • A. Evans, V. Strezov, and T. J. Evans, "Assessment of ...
  • [ J. Lerner, M. Grundmeyer, and M. Garvert, "The importance ...
  • J. Lujano-Rojas, J. Bernal-Agustín, R. Dufo-López, and J. Domínguez-Navarro, "Forecast ...
  • H. Liu, J. Shi, and E. Erdem, "Prediction of wind ...
  • G. N. Kariniotakis, G. S. Stavrakakis, and E. F. Nogaret, ...
  • M. C. Alexiadis, P. S. Dokopoulos, H. S. Sahsamanoglou, and ...
  • J. Zhou, J. Shi, and G. Li, "Fine tuning support ...
  • P. Johnson, M. Negnevitsky, and K. M. Muttaqi, "Short term ...
  • A. M. Foley, P. G. Leahy, A. Marvuglia, and E. ...
  • A. Costa, A. Crespo, J. Navarro, G. Lizcano, H. Madsen, ...
  • X. Wang, P. Guo, and X. Huang, "A Review of ...
  • S. S. Soman, H. Zareipour, O. Malik, and P. Mandal, ...
  • F. M. Reza, An Introduction to Information Theory. Dover, ۱۹۹۴ ...
  • G. Simon and M. Verleysen, "High-dimensional delay selection for regression ...
  • D. François, F. Rossi, V. Wertz, and M. Verleysen, "Resampling ...
  • R. J. May, G. C. Dandy, H. R. Maier, and ...
  • N. Amjady and A. Daraeepour, "Design of input vector for ...
  • N. Amjady and F. Keynia, "A new prediction strategy for ...
  • N. Amjady, F. Keynia, and H. Zareipour, "Short-term wind power ...
  • A. Kazem, E. Sharifi, F. K. Hussain, M. Saberi, and ...
  • S. Guiaşu, Information theory with applications. New York: McGraw-Hill, ۱۹۷۶ ...
  • O. Ludwig, U. Nunes, R. Araújo, L. Schnitman, and H. ...
  • J. Dougherty, R. Kohavi, and M. Sahami, "Supervised and Unsupervised ...
  • J. D. Hamilton, Time Series Analysis. Princeton University Press, ۱۹۹۴ ...
  • H. Peng, L. Fulmi, and C. Ding, "Feature selection based ...
  • J. Kennedy and R. Eberhart, "Particle swarm optimization," in Neural ...
  • R. F. Abdel-Kader, "Hybrid discrete PSO with GA operators for ...
  • R. Eberhart and Y. Shi, "Comparison between genetic algorithms and ...
  • P. Angeline, "Evolutionary optimization versus particle swarm optimization: Philosophy and ...
  • A. Mohammadi and M. Jazaeri, "A hybrid particle swarm optimization-genetic ...
  • J. Robinson, S. Sinton, and Y. Rahmat-Samii, "Particle swarm, genetic ...
  • Y.-T. Kao and E. Zahara, "A hybrid genetic algorithm and ...
  • A. G. Ivakhnenko, D. Wunsch, and G. A. Ivakhnenko, "Inductive ...
  • R. W. Brockett, "Volterra series and geometric control theory," Automatica, ...
  • A. G. Ivakhnenko, "Polynomial Theory of Complex Systems," IEEE Transactions ...
  • N. Amjady, F. Keynia, and H. Zareipour, "Wind Power Prediction ...
  • W. Vandaele, Applied time series and Box-Jenkins models. Academic Press, ...
  • R. A. Yaffee and M. McGee, An Introduction to Time ...
  • نمایش کامل مراجع