پیش‌بینی کوتاه‌مدت توان تولیدی مزرعه بادی به کمک الگوریتم بهبودیافته مبتنی بر شبکه‌های عصبی مصنوعی در پایتون: مطالعه موردی در منجیل

الموضوعات :

حمید جباری ¹ , اردلان شفیعی غازانی ² , فرخنده جباری ³

1 - دانشکده مهندسي مکانیک، دانشگاه صنعتی سهند، تبریز، ايران
2 - دانشکده مهندسي مکانیک، دانشگاه صنعتی سهند، تبریز، ايران
3 - گروه پژوهشی برنامه‌ریزی و بهره‌برداری سیستم‌های قدرت، پژوهشگاه نیرو، تهران، ایران

تاريخ الإرسال : 27 الخميس , رجب, 1445 تاريخ التأكيد : 20 الجمعة , محرم, 1446 تاريخ الإصدار : 19 الجمعة , جمادى الثانية, 1446

الکلمات المفتاحية: مزرعه بادی, بازه زمانی کوتاه‌مدت, شبکه‌های عصبی مصنوعی (AANs), جذر میانگین مربعات خطا (RMSE),

ملخص المقالة :

این مقاله یک رویکرد جدید برای پیش‌بینی کوتاه‌مدت توان تولیدی مزارع بادی با استفاده از شبکه‌های عصبی مصنوعی تحت زبان برنامه‌نویسی پایتون ارائه می‌دهد. در این روش شرایط آب و هوایی مانند سرعت باد، جهت باد، دما و فشار هوا به عنوان ویژگی‌های کلیدی تاثیرگذار بر توان تولیدی مزرعه بادی انتخاب می‌شوند. برای دستیابی به یک تخمین نسبتا دقیق، جذر میانگین مربعات خطای مقادیر پیش بینی شده محاسبه و به عنوان تابع هدف کمینه می‌شود. سرعت و دقت الگوریتم پیشنهادی با انجام مطالعه موردی بر روی یک مزرعه بادی واقع در منجیل ارزیابی شده است. توان تولیدی نیروگاه بادی برای افق زمانی یک هفته و به صورت ساعت به ساعت با استفاده از سرعت باد، جهت باد، دما و فشار هوا در طول 8592 ساعت (کل ساعات یک سال - ساعات یک هفته) پیش‌بینی می‌شود. جذر میانگین مربعات خطا، بیشترین درصد خطای نسبی، وضوح زمانی پیش‌بینی‌ها و مدت زمان اجرای محاسبات توسط الگوریتم پیشنهادی با سایر الگوریتم‌های منتشر شده در سالهای اخیر مقایسه می‌شود که نشان‌دهنده اثربخشی و دقت بالای نتایج حاصل در یک زمان محاسباتی کوتاه است. توان تولیدی مزرعه بادی در طول یک هفته به صورت ساعت به ساعت پیش‌بینی شده و 168 نقطه داده بدست آمده که جذر میانگین مربعات خطای پیش‌بینی در سناریوی بهینه برابر با 010817/0 است. زمان اجرای محاسبات الگوریتم پیش‌بینی کمتر از 1 دقیقه بوده و حداکثر خطای نسبی در روش پیشنهادی 3/2 درصد است که نشان می‌دهد عدم‌قطعیت‌های مرتبط با توان تولیدی مزرعه بادی را می‌توان با استفاده از این رویکرد پیش‌بینی کوتاه‌مدت کاهش داد.

المصادر:

A. Soroudi and T. Amraee, "Decision making under uncertainty in energy systems: State of the art," Renewable and Sustainable Energy Reviews, vol. 28, pp. 376-384, 2013.
G. B. Dantzig, "Linear programming under uncertainty," Management Science, vol. 50, no. 12, pp. 1764-1769, 2004.
H. Khorsand and A. R. Seifi, "Probabilistic energy flow for multi-carrier energy systems," Renewable and Sustainable Energy Reviews, vol. 94, pp. 989-997, 2018.
V. Singh, T. Moger, and D. Jena, "Uncertainty handling techniques in power systems: A critical review," Electric Power Systems Research, vol. 203, p. 107633, 2022.
M. Ghahramani, M. Nazari-Heris, K. Zare, and B. Mohammadi-Ivatloo, "A two-point estimate approach for energy management of multi-carrier energy systems incorporating demand response programs," Energy, vol. 249, p. 123671, 2022.
M. Aien, M. G. Khajeh, M. Rashidinejad, and M. Fotuhi‐Firuzabad, "Probabilistic power flow of correlated hybrid wind‐photovoltaic power systems," IET Renewable Power Generation, vol. 8, no. 6, pp. 649-658, 2014.
S. A. Alavi, A. Ahmadian, and M. Aliakbar-Golkar, "Optimal probabilistic energy management in a typical micro-grid based-on robust optimization and point estimate method," Energy Conversion and Management, vol. 95, pp. 314-325, 2015.
M. Järvelä, K. Lappalainen, and S. Valkealahti, "Characteristics of the cloud enhancement phenomenon and PV power plants," Solar Energy, vol. 196, pp. 137-145, 2020.
Z. H. Hulio, W. Jiang, and S. Rehman, "Techno-Economic assessment of wind power potential of Hawke's Bay using Weibull parameter: A review," Energy Strategy Reviews, vol. 26, p. 100375, 2019.
S. Park, Y. Kim, N. J. Ferrier, S. M. Collis, R. Sankaran, and P. H. Beckman, "Prediction of solar irradiance and photovoltaic solar energy product based on cloud coverage estimation using machine learning methods," Atmosphere, vol. 12, no. 3, p. 395, 2021.
F. Jabari, H. Seyedi, S. Najafi Ravadanegh, and B. Mohammadi‐Ivatloo, "Multi‐objective optimal preventive islanding based on stochastic backward elimination strategy considering uncertainties of loads and wind farms," International Transactions on Electrical Energy Systems, vol. 27, no. 12, p. e2451, 2017.
https://geo.libretexts.org/Bookshelves/Meteorology_and_Climate_Science/Practical_Meteorology_(Stull)/10%3A_Atmospheric_Forces_and_Winds/10.04%3A_Section_5
R. Turns Stephen, "An introduction to combustion," ed: McGraw-hill, 2000.
D. P. Kingma and J. Ba, "Adam: A method for stochastic optimization," arXiv preprint arXiv:1412.6980, 2014.
https://www.irimo.ir/
S. J. Ghoushchi, S. Manjili, A. Mardani, and M. K. Saraji, "An extended new approach for forecasting short-term wind power using modified fuzzy wavelet neural network: A case study in wind power plant," Energy, vol. 223, p. 120052, 2021.
Y.-Y. Hong and C. L. P. P. Rioflorido, "A hybrid deep learning-based neural network for 24-h ahead wind power forecasting," Applied Energy, vol. 250, pp. 530-539, 2019.
M. G. De Giorgi, A. Ficarella, and M. Tarantino, "Assessment of the benefits of numerical weather predictions in wind power forecasting based on statistical methods," Energy, vol. 36, no. 7, pp. 3968-3978, 2011.
J. Zhang, J. Yan, D. Infield, Y. Liu, and F.-s. Lien, "Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model," Applied Energy, vol. 241, pp. 229-244, 2019.
P. Zhao, J. Wang, J. Xia, Y. Dai, Y. Sheng, and J. Yue, "Performance evaluation and accuracy enhancement of a day-ahead wind power forecasting system in China," Renewable Energy, vol. 43, pp. 234-241, 2012.
D. M. Teferra, L. M. Ngoo, and G. N. Nyakoe, "Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization," Heliyon, vol. 9, no. 1, 2023.