دوره 6، شماره 2 - ( 6-1395 )                   جلد 6 شماره 2 صفحات 2-11 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Refan M H, Dameshghi A, Kamarzarrin M. Wind Speed Long – Step Prediction based on RNNGA ybride Method. JEM. 2016; 6 (2) :2-11
URL: http://energy.kashanu.ac.ir/article-1-571-fa.html
رفان محمد حسین، دمشقی عادل، کمرزرین مهرنوش. پیشگویی گام‌ـ بلند سرعت باد مبتنی بر مدل ترکیبی RNNGA. مهندسی و مدیریت انرژی. 1395; 6 (2) :2-11

URL: http://energy.kashanu.ac.ir/article-1-571-fa.html


دانشیار دانشگاه شهید رجائی
چکیده:  

برای استفاده مناسب و کارآمد از انرژی باد، پیش‌بینی سرعت باد بسیار مهم است. باد یکی از منابع اصلی انرژی در جهان است، اما توربین‌های بادی دارای عدم قابلیت اطمینان، پیوستگی و یکنواختی در تولید توان هستند. از طرفی تغییرات ناگهانی سرعت باد موجب به خطر افتادن سلامتی واحدهای توربین باد می‌شود؛ ازاین‌رو پیشگویی سرعت باد برای نگهداری توربین و همچنین برنامه‌ریزی برای توان تولیدی اهمیت فراوانی دارد. این مقاله یک روش جدید برای پیشگویی سرعت باد ارائه می‌دهد. این روش براساس ترکیبی از الگوریتم ژنتیک و شبکۀ عصبی است. اطلاعات گذشتۀ سرعت باد به‌عنوان ورودی مدل برای پیشگویی با گام بلند (چندروزه) سرعت باد استفاده می‌شوند. عملکرد روش ارائه‌شده براساس اطلاعات واقعی جمع‌‌آوری‌شده از مزرعۀ بادی کهک شرکت مپنا مورد سنجش قرار گرفته است. نتایج شبیه‌سازی دقت مدل پیشنهادشده را در پیشگویی سرعت باد نشان دادند. دقت مدل پیشگویی براساس معیارRMSE (Root Mean Squared Error) ، 96/0 متر بر ثانیه به‌دست آمد. نتایج حاصل از روش RNNGA (Recurrent Neural Network Genetic Algorithm) با روش‌های برخی مراجع مقایسه شد که این مدل با اطلاعات ورودی کمتر (سرعت باد)، دقت مشابه یا بهتر داشته است.

نوع مطالعه: پژوهشي | موضوع مقاله: مهندسی برق

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

کلیه حقوق این وب سایت متعلق به نشریه مهندسی و مدیریت انرژی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2015 All Rights Reserved | Energy Engineering Management

Designed & Developed by : Yektaweb