این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۷، شماره ۳، صفحات ۸۷-۹۶
عنوان فارسی پیش‌بینی سرعت باد با شبکه عصبی RBF بر اساس نظریه آشوب
چکیده فارسی مقاله پیش‌بینی سرعت باد در مواردی همچون کنترل و برنامه‌ریزی جهت قطع و وصل توربین­های بادی و تضمین عملکرد پایدار سیستم می­تواند حائز اهمیت باشد که به‌طور کلاسیک به روش­های متعددی صورت می­گیرد. در این مقاله، ارائه روشی صرفاً براساس آنالیز داده­های اندازه­گیری‌شده قبلی مدّ نظر است. به این منظور، ضمن بررسی آشوبناک‌بودن داده­های سرعت باد، با ترکیب مفاهیم مربوط به نظریه آشوب و تکنیک­های موجود در پیش‌بینی با استفاده از شبکه­های عصبی، روشی جهت پیش‌بینی سرعت باد پیشنهاد شده است. داده­های استفاده‌شده در این تحقیق، اطلاعات ثبت‌شده در ایستگاه ورزنه استان اصفهان است. در این راستا، ابتدا با استفاده از محاسبه بُعد همبستگی از روی سری زمانی مفروض، آشوبناک‌بودن دینامیک سیستم مولد این داده­ها اثبات شده و سپس فضای حالت سیستم دینامیکی مولد بازسازی شده است. بدین‌منظور از روش FNN برای محاسبه بعد محاط و از روش AMI برای محاسبه زمان تأخیر جهت بازسازی فضای حالت استفاده شده است. در ادامه شبکه عصبی RBF جهت پیش‌بینی سرعت باد پیشنهاد شده است که ساختار آن با استفاده از اطلاعات بعد محاط و زمان تأخیر محاسبه‌شده طراحی شده است. در پایان، روش پیشنهادی بر روی داده­های عملی، اعمال و نتایج بیان شده است.
کلیدواژه‌های فارسی مقاله آشوب، پیش‌بینی، سرعت باد، سری­های زمانی، شبکه عصبی RBF،
عنوان انگلیسی Wind Speed Prediction Based on Chaos Theory using RBF Neural Networks
چکیده انگلیسی مقاله Wind speed prediction can be regarded as significant factor in control of wind turbines, schedule of the connection/disconnection of turbines and stability guarantee of power grids which is commonly carried out in various approaches. In this paper, a chaos based approach by analyzing only the previous measured data is proposed. For this purpose, in addition of evaluating the chaotic nature of wind speed data, the chaos theory with Neural Network techniques in forecasting session are combined in order that we can propose a method for wind speed prediction. For this regard, at first the correlation dimension and largest lyapunov exponent of wind speed time series are computed to prove that wind data generator process is chaotic. Then phase space of data generator dynamic is reconstructed. In this regard, we use the False Nearest Neighbors (FNN) algorithm to determine the embedding dimension and Average Mutual Information (AMI) approach to measure time delay for phase space reconstruction. Afterwards, Multi Layers Perceptron (MLP) neural networks and Radial Basis Function (RBF) neural networks are proposed to predict the wind speed which its structure is designed based on time delay and embedding dimension data. At the end, proposed methods apply on real data and results are expressed.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله طیبه خانجانی |
دانشگاه اصفهان
سازمان اصلی تایید شده: دانشگاه اصفهان (Isfahan university)

محمد عطایی |
دانشگاه اصفهان
سازمان اصلی تایید شده: دانشگاه اصفهان (Isfahan university)

پیمان معلم |
دانشگاه اصفهان
سازمان اصلی تایید شده: دانشگاه اصفهان (Isfahan university)

نشانی اینترنتی http://isee.ui.ac.ir/article_20727_3be3934afa836d2fa362c075678ca1d1.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-386417.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات