این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
هوش محاسباتی در مهندسی برق، جلد ۹، شماره ۲، صفحات ۱-۱۴
عنوان فارسی پیش‌بینی توان تولیدی واحدهای بادی با استفاده از یک موتور پیش‌بینی ترکیبی برمبنای آنالیز اطلاعات متقابل و شبکۀ عصبی GMDH
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Wind Power Forecasting by a New Hybrid Forecast Engine Composed of GA/EPSO-Based Mutual Information and Group Method of Data Handling (GMDH)
چکیده انگلیسی مقاله a really tough and complicated issue. In this paper, a successful method is proposed for predicting the wind power productions which is based on the self-organized neural networks called Group Method of Data Handling (GMDH). By analyzing and discovering the hidden relationships between the inputs, the GMDH-based neural network intelligently presents the optimal model and predicts the output variable. Patterns used in this study are based on the two methods of artificial intelligence and information theory. At first, the effective variables are selected based on Mutual Information (MI) technique and the mixed particle swarm and genetic algorithm and after that the proposed forecast engine is used. In contrast to the mutual correlation method, in the proposed cross-entropy-based approach of this paper, non-linear relations between the variables are considered and the selection of effective variables in the forecasting of wind power in which nonlinear fluctuations and trends are observed are chosen more precisely and more accurately. In order to evaluate the ability, speed and accuracy of the proposed framework, real-world data of Sotavento wind farm in the Spain were used. The results of the study indicate that the proposed technique has a higher speed and accuracy than other methods.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله وحید وحیدی نسب |
استادیار، گروه برنامه‌ریزی و بهره‌برداری سیستم‌های 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

نشانی اینترنتی http://isee.ui.ac.ir/article_22890_c2a7031012a42a7ef98b3d134610ccf4.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1306/article-1306-846119.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