عنوان پایان‌نامه

پیش بینی کوتاه مدت توان نیروگاه بادی با استفاده از الگوریتم¬های هوشمند



    دانشجو در تاریخ ۱۸ شهریور ۱۳۹۱ ، به راهنمایی ، پایان نامه با عنوان "پیش بینی کوتاه مدت توان نیروگاه بادی با استفاده از الگوریتم¬های هوشمند" را دفاع نموده است.


    رشته تحصیلی
    مهندسی برق-قدرت-ماشینهای الکتریکی والکترونیک قدرت
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه پردیس 2 فنی شماره ثبت: E 2087;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 54243
    تاریخ دفاع
    ۱۸ شهریور ۱۳۹۱
    دانشجو
    نیما فرزین
    استاد راهنما
    بهزاد آسایی
    چکیده
    لینک فایل چکیده
    در این پژوهش به پیش‌بینی کوتاه مدت توان یک نیروگاه بادی به انواع روش‌های مستقیم و غیر مستقیم پرداخته می‌شود. در پیش‌بینی غیر مستقیم توان با استفاده از پیش‌بینی سرعت باد به تخمین توان نیروگاه بادی پرداخته می‌شود. بدین منظور به صورت برازش منحنی به کمک توابع گاوسی یا سیستم استنتاج تطبیقی فازی- عصبی، مدلی از توان خروجی نیروگاه (تابع توان– سرعت) حاصل می‌شود. در پیش‌بینی مستقیم توان به تشریح روش‌های آماری خطی مانند مدل خودبازگشتی میانگین متحرک و همچنین مدل ماندگاری جهت پیش‌بینی سری زمانی توان بادی پرداخته می‌شود. سپس روش هوشمندتری به نام شبکه عصبی (ANN) به کار گرفته می‌شود. پس از آن روش دیگری جهت پیش‌بینی توان، به نام مدل ترکیبی موجک-عصبی مورد استفاده قرار می‌گیرد که رویکردی جدید و موثر جهت بهبود کیفیت آموزش شبکه‌های عصبی و پیش‌بینی می‌باشد. در نهایت به بررسی روش ریخت شناسی به منظور تجزیه داده‌های ورودی جهت پیش‌بینی توان بادی پرداخته می‌شود. جهت بهینه شدن نتایج هر یک از این روش پیش‌بینی‌ها، اقدامات مورد نیاز صورت می‌گیرد و انتخاب و پیاده‌سازی هر روش با دقت انجام می‌شود. در انتها نیز به مقایسه نتایج کلیه روش‌های بالا با استفاده از داده‌های مربوط به یک نیروگاه بادی به نام سوتاونتو پرداخته می‌شود. روش نوین به‌کار رفته در این تحقیق شامل هر دو دسته پیش‌بینی غیر مستقیم و مستقیم توان می‌شود. در پیش‌بینی غیر مستقیم به جای استفاده از مدل توربین، از مدل‌سازی خروجی نیروگاه با بهره‌گیری از نزدیک‌ترین داده‌ها استفاده شده است. این مدل‌سازی به کمک نرم‌افزار و به صورت برازش منحنی به کمک توابع گاوسی صورت گرفته است. سپس جهت جبران کاستی‌های این برازش به مدل‌سازی به کمک سیستم استنتاج تطبیقی فازی-عصبی و تکرار چندین باره فرایند آموزش پرداخته شده است. ابتکار در پیش‌بینی مستقیم نیز شامل استفاده از تجزیه به روش ریخت شناسی است که محدودیت‌های تبدیل موجک را ندارد و پردازش داده با آن سریع‌تر است. با توجه به آن که در مطالعات انجام شده، مرجع کامل و جامعی که انواع روش‌های مختلف پیش‌بینی را تحلیل و هم‌زمان جهت بهینه کردن هر روش اقدام کرده باشد، مشاهده نشده است؛ در این پروژه سعی شده با مقایسه هم‌زمان روش‌های پیش‌بینی کوتاه مدت توان، یک روش بهینه با کمترین میزان خطا معرفی شود.
    Abstract
    In this research, forecasting of short-time wind power of a wind power plant has been made by different indirect and direct methods. In the indirect power forecasting, anticipation of wind power plant has been done using estimated wind speed. In this part, an output power model of wind power plant is constructed by curve fitting with Gaussian functions or either by Adaptive Neuro-Fuzzy Inference Systems (ANFIS). In the direct power forecasting, linear statistical methods like autoregressive moving average and also persistence model have been described for forecasting of wind power time series. A more intelligent method called Artificial Neural Network (ANN) has been applied afterwards. Then, the hybrid Wavelet Transform-Artificial Neural network (WTAN) method has been used which is a new and effective method for enhancing the quality of neural network training and forecasting. The morphology method for decomposing the input data to forecast power has been investigated at the end. For improving of each forecasting method, different efforts have been made and each one has been selected and implemented carefully. At last, a comparison between the results of each forecasting methods has been made using Sotavento wind farm’s data. The contribution of this research is in both parts. In the indirect forecasting, instead of using turbine data sheet models, output power of plant (power-speed function) has been modeled based on the nearest plant’s data. This modeling has been done by curve fitting tools and Guassian functions. To compensate defeats of this modeling, ANFIS modeling and iterative training have been used. The contribution in the direct forecasting is the usage of morphology method for decomposing the signal and noise which does not have wavelet transform’s limitations and has a faster data processing. To the best of the author’s knowledge, there is not any general reference which analyses all forecasting methods and optimizes each, at the same time. Therefore, an optimum method with minimum error has been introduced through simultaneous comparison of short-time wind power plant forecasting methods.