این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی و مدیریت انرژی، جلد ۶، شماره ۲، صفحات ۲-۱۱
عنوان فارسی پیشگویی گام‌ـ بلند سرعت باد مبتنی بر مدل ترکیبی RNNGA
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله شبکه عصبی بازگشتی، الگوریتم ژنتیک، سرعت باد.
عنوان انگلیسی Wind Speed Long – Step Prediction based on RNNGA ybride Method
چکیده انگلیسی مقاله For proper and efficient utilization of wind power, the prediction of wind speed is very important. Wind is one of the main sources of energy in the world, but the wind turbines have a lack of reliability, continuity and homogeneity in power production. On the other hand, sudden changes of wind speed, lead to risk for wind turbine units health. Therefore, the prediction of wind speed for turbine maintenance and planning for production is very important. This paper provides a new method for predicting the wind speed. The technique is based on combining genetic algorithm and neural network. The previous wind speed information is used as inputs to Long-Step prediction (multi-day) of the wind speed. The proposed method was tested based on actual data collected from the MAPNA Co wind farm. Simulation results show the accuracy of the proposed model in predicting the wind speed. The accuracy of prediction models, based on root mean squared error (RMSE), is 0.96 meters per second. The results of the recurrent neural network genetic algorithm (RNNGA) method were compared with some reference methods which this model with less input data (wind speed), has the same or better accuracy.
کلیدواژه‌های انگلیسی مقاله RNNGA, Genetic Algorithm( GA), Wind speed.
نویسندگان مقاله محمد حسین رفان | mohammad hossein refan
تهران - لویزان - دانشگاه شهید رجائی - دانشکده برق
سازمان اصلی تایید شده: دانشگاه تربیت دبیر شهید رجایی (Shahid rajaee teacher training university)

عادل دمشقی | adel dameshghi


مهرنوش کمرزرین | mehrnoosh kamarzarrin


نشانی اینترنتی http://energy.kashanu.ac.ir/browse.php?a_code=A-10-898-1&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1260/article-1260-229224.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مهندسی برق
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات