پیشگویی گام بلند سرعت باد مبتنی بر مدل ترکیبی RNNGA

برای استفاده مناسب و کارآمد از انرژی باد، پیش بینی سرعت باد بسیار مهم است. باد یکی از منابع اصلی انرژی در جهان است، اما توربین های 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 می شود؛ ازاین رو پیشگویی سرعت باد برای نگهداری توربین و همچنین برنامه ریزی برای توان تولیدی اهمیت فراوانی دارد. این مقاله یک روش جدید برای پیشگویی سرعت باد ارائه می دهد. این روش براساس ترکیبی از الگوریتم ژنتیک و شبکه عصبی است. اطلاعات گذشته سرعت باد به عنوان ورودی مدل برای پیشگویی با گام بلند (چندروزه) سرعت باد استفاده می شوند. عملکرد روش ارائه شده براساس اطلاعات واقعی جمع آوری شده از مزرعه بادی کهک شرکت مپنا مورد سنجش قرار گرفته است. نتایج شبیه سازی دقت مدل پیشنهادشده را در پیشگویی سرعت باد نشان دادند. دقت مدل پیشگویی براساس معیارRMSE (Root Mean Squared Error) ، ۹۶/۰ متر بر ثانیه به دست آمد. نتایج حاصل از روش RNNGA (Recurrent Neural Network Genetic Algorithm) با روش های برخی مراجع مقایسه شد که این مدل با اطلاعات ورودی کمتر (سرعت باد)، دقت مشابه یا بهتر داشته است.

کلیدواژه ها:

RNNGA ، Genetic Algorithm( GA) ، Wind speed. ، شبکه عصبی بازگشتی ، الگوریتم ژنتیک ، سرعت باد.