کنفرانس مهندسی برق ایران

صفحه اصلی / سی امین کنفرانس بین المللی مهندسی برق

پیش‌بینی توان تولیدی توربین‌های بادی با روش‌های حافظه کوتاه‌مدت طولانی و ماشین تقویت‌کننده‌ی گرادیان سبک

نویسندگان :

سید متین ملکوتی¹ مهدی منصوری² امیر ریخته گرغیاثی³

1- دانشگاه سراسری تبریز 2- دانشگاه سراسری تبریز 3- دانشگاه سراسری تبریز

کلمات کلیدی :

توربین بادی،پیش بینی توان تولیدی،ماشین تقویت گرادیان سبک،حافظه کوتاه مدت طولانی

چکیده :

در سال‌های اخیر، منابع انرژی تجدید پذیر (RES) موردتوجه فراوانی قرار گرفتند زیرا در میان انواع مختلف منابع انرژی تجدید پذیر، انرژی باد به دلیل پایداری، غیر آلاینده بودن و ماهیت رایگان آن، اهمیت فراوانی یافته است[1, 2]. صرف‌نظر از مزایای مختلف باد، قدرت پیش‌بینی توان بدون خطا برای انرژی باد کار بسیار دشواری است. شرایط اقلیمی و اثرات مختلف فصلی نه‌تنها از عوامل مؤثر در تولید باد هستند بلکه ماهیت متناوب خود باد نیز آن را به‌طور فزاینده‌ای برای پیش‌بینی توان تولیدی توربین‌ها پیچیده می‌کند[3]. با توجه به این موضوع، پیش‌بینی دقیق و مطمئن توان باد از اهمیت ویژه‌ای برخوردار است[4, 5]. علاوه بر این، بدون برنامه‌ریزی پیش‌بینی میزان تولید توان برق نیروگاه‌های بادی و فراهم نیاوردن زیرساخت‌های لازم دراین‌باره چالش‌های بزرگی برای سیستم برق‌رسانی سراسری کشور به همراه دارد. درنتیجه، ادغام صحیح انرژی باد با شبکه سراسری انرژی در سطح کشور بر پیش‌بینی صحیح انرژی باد متکی است. ازاین‌رو توسعه روش‌های دقیق پیش‌بینی توان تولیدی توربین‌های بادی لازم است که با در دست داشتن داده‌های آب‌وهوا و سرعت باد و فشار هوا یک مزرعه بادی یا یک توربین بادی خاص بتواند خروجی‌های پیش‌بینی‌شده را تجزیه‌وتحلیل کند[6-8]. توجه داشته باشیدکه اگر قدرت پیش‌بینی شده برای برآوردن نیازهای روزانه شهر کافی نباشد، باید تصمیمات دیگری برای تولید اتخاذ نمود. درصورتی‌که توان پیش‌بینی‌شده بیش از تقاضا است، می‌توان توربین‌ها را خاموش نمود و یا به کشورهای همسایه ان را فروخت[9]. محققان زیادی، به‌عنوان‌مثال، پاتاک و همکاران[10]، چوداری و همکاران[11] وزمر و همکاران[12]؛ در حال انجام تحقیقات برای توسعه مدل‌های نرم‌افزاری بهینه برای تولید قدرت پیش‌بینی از طریق RES هستند. بسیاری از این الگوریتم‌ها نتایج قابل قبولی برای بادهای مختلف تولید نکرده‌اند. امروزه، تکنیک‌های پیش‌بینی حافظه کوتاه‌مدت طولانی و مدل‌های ماشین تقویت گرادیان سبک بسیار برجسته هستند[13, 14] و کاربرد این تکنیک‌ها در تولید و مصرف برق، پیش‌بینی بار الکتریکی، پیش‌بینی تابش خورشیدی برای سیستم‌های فتوولتائیک، مدیریت شبکه و انرژی برای انرژی باد توصیه شده است. نومان و همکاران[15] یک الگوریتم رگرسیون مبتنی بر ماشین بردار پشتیبان (SVM) را برای پیش‌بینی نیروی باد در استونی معرفی کردند. یانگ و همکاران[16] نیز از یک الگوریتم خوشه‌بندی فازی C-means (FCM) برای پیش‌بینی استفاده نموده اند و نشان داده شده است که مدل همبستگی فضایی-زمانی جدید (STCM) برای پیش‌بینی انرژی باد بر اساس شبکه‌های عصبی کانولوشن و حافظه کوتاه‌مدت طولانی (CNN-LSTM) دارای توانایی استخراج مشخصه مکانی و زمانی برتر نسبت به مدل‌های سنتی هستند. در این مقاله سعی بران است‌ نتایج پیش‌بین روش‌های ماشین تقویت گرادیان و روش پیشنهادی حافظه کوتاه‌مدت طولانی (CNN-LSTM) برای پیش‌بینی نیروی باد بر اساس داده‌های جمع -اوری شده در [17] مورد بررسی قرار داده‌شود. این داده‌ها مربوط به یک نیروگاه بادی در شهر تگزاس است که در آن‌ها هر یک ساعت یک‌بار، سرعت باد و جهت باد را به مدت یک سال در ارتفاعات مختلف، دما، فشار هوا، توان تولیدی اندازه‌گیری شده است. شبیه‌سازی‌ها نشان خواهد داد که روش‌ پیشنهادی الگوریتم ماشین تقویت گرادیان سبک دارای سرعت بالاتری نسبت‌ به حافظه کوتاه‌مدت طولانی(CNN-LSTM) دارد ولی روش حافظه کوتاه‌مدت طولانی(CNN-LSTM) دقت بالاتری نسبت به ماشین تقویت گرادیان سبک دارد.