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
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
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 :