پیش بینی کوتاه مدت باد با استفاده از شبکه عصبی چندلایه آموزش یافته با PSO
Publish place: Second National Conference on Wind and Solar Energy
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,769
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
WINDCONF02_051
تاریخ نمایه سازی: 4 اسفند 1391
Abstract:
این مقاله پیش بینی بسیار کوتاه مدت باد را جهت کاربردهای توربین بادی ارائه میدهد. با توجه به گسترش روزافزون استفاده از انرژی بادی در تولید جهانی انرژی و با توجه به ساختار نامطمئن و گسسته تولید انرژی بادی، پیش بینی در فواصل زمانی مختلف ضرورت مییابد. در این مطالعه، از PSO شبکه های عصبی آموزش یافته با الگوریتم تکاملی جهت پیش بینی باد استفاده شده است. ساختار تغییرپذیر و معمولاً غیرمتناوب باد باعث می شود تا الگوریت مهای آموزشی معمول جهت آموزش شبک ههای عصبی که از روش های گرادیانی جهت آموزش استفاده می کنند، به خوبی نتوانند فرآیند آموزش را کامل کنند. از طرفی هدف از آموزش شبکه های عصبی یافتن اندازه وزن ها و بایاس ها به نحوی است که خطای داده های آموزش را به حداقل برساند. لذا آموزش شبکه های عصبی را می توان در بردارنده یک مسئله بهینه سازی دانست. از آنجا که پی شبینی باد توسط شبکه عصبی تابعی پیچیده و غیرخطی است، لذا استفاده از رو شهای بهینه سازی در فرآیند آموزش شبکه های عصبی مورد توجه قرار می گیرد. داده های باد از منطقه ای در کشور دانمارک و با فرکانس 2.5 ثانیه نمونه برداری شده است. پیش بینی برای داده های باد واقعی و باد فیلتر شده صورت می گیرد. کار اصلی مقاله، استفاده از در آموزش شبکه عصبی و ارائه PSO الگوریتم تکاملی توجیهی برای استفاده از داده های فیلتر شده در پیش بینی بادمی باشد.
Keywords:
پیش بینی کوتاه مدت باد - الگوریتم PSO - توربین بادی
Authors
فرشید کی نیا
عضو هیئت علمی هآیتک کرمان
نسرین ثابت
دانشجوی کارشناسی ارشد
احسان اسدیان
دانشجوی کارشناسی ارشد
انیسه سلاجقه
دانشجوی کارشناسی ارشد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :