وحید وحیدی نسب؛ حسین سهرابی‌وفا
چکیده
تخمین مناسب میزان تولید پرنوسان واحدهای بادی برای استفادۀ بهینه در سیستم‌های قدرت، امری دشوار و تابع پیچیدگی‌های بسیار است. در این مقاله روشی موفق برای پیش‌بینی توان تولیدی واحدهای بادی با استفاده ...
بیشتر
تخمین مناسب میزان تولید پرنوسان واحدهای بادی برای استفادۀ بهینه در سیستم‌های قدرت، امری دشوار و تابع پیچیدگی‌های بسیار است. در این مقاله روشی موفق برای پیش‌بینی توان تولیدی واحدهای بادی با استفاده از شبکۀ عصبی خودسازمانده موسوم به GMDH ارائه شده است. در شبکۀ عصبی GMDH، متغیرهایی که بر سری زمانی تأثیر می‌گذارند، به‌عنوان ورودی شبکه استفاده می‌شوند. این شبکه با بررسی و کشف روابط بین ورودی‌ها، به‌طور هوشمند مدل بهینه‌ای را ارائه و متغیر خروجی را پیش‌بینی می‌کند. الگوسازی‌های به‌کاررفته در این مطالعه مبتنی بر دو روش هوش مصنوعی و نظریۀ اطلاعات است. در ابتدا متغیرهای مؤثر براساس اطلاعات متقابل (MI) و با الگوریتم ترکیبی انبوه ذرات و ژنتیک، انتخاب و سپس در موتور پیش‌بینی به کار گرفته می‌شوند. برخلاف روش همبستگی متقابل، در رویکرد مبتنی بر آنتروپی متقابل استفاده‌شده در این مقاله، روابط غیرخطی میان متغیرها در نظر گرفته می‌شوند و انتخاب متغیرهای مؤثر در پیش‌بینی انرژی بادی که در آن، نوسانات و روند غیرخطی شدیدی مشاهده می‌شود، با دقت و اعتبار بیشتری انتخاب می‌شود. برای ارزیابی توانایی، سرعت و دقت چارچوب پیشنهادی، از داده‌های واقعی مزرعۀ بادی سوتاونتوِ کشور اسپانیا استفاده شده است. نتایج مطالعه نشان می‌دهند تکنیک پیشنهادی سرعت و دقت بیشتری در مقایسه با سایر روش‌ها دارد.
