پیش بینی کوتاه مدت باد با استفاده از شبکه های عصبی چندلایه آموزش یافته با الگوریتم PSO جهت کاربردهای توربین بادی

این مقاله پیش بینی بسیار کوتاه مدت باد را جهت کاربردهای توربین بادی ارائه می دهد . 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 می یابد . در این مطالعه، ازشبکه های عصبی آموزش یافته با الگوریتم تکاملی PSO جهت پیش بینی باد استفاده شده است . ساختار تغییرپذیر و معمولاً غیرمتناوب باد باعث می شود تا الگوریتم های آموزشی معمول جهت آموزش شبکه های 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 پیش بینی باد توسط شبکه عصبی تابعی پیچیده و غیرخطی است، لذا استفاده از روش های 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 الگوریتم تکاملی PSO در آموزش شبکه عصبی و ارائه توجیهی برای استفاده از داده های فیلتر شده در پیش بینی باد می باشد .

کلیدواژه ها:

پیش بینی باد ، شبکه های عصبی چندلایه ، الگوریتم بهینه سازی PSO