عنوان پایاننامه
پیش بینی سرعت باد با استفاده از شبکه های عصبی برای طراحی بهینه مزارع بادی
- رشته تحصیلی
- مهندسی انرژیهای جدید پذیر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66343;کتابخانه دانشکده علوم و فنون نوین شماره ثبت: 160
- تاریخ دفاع
- ۲۸ دی ۱۳۹۳
- دانشجو
- محمدعلی جوکار
- استاد راهنما
- یونس نوراللهی, احمد کلهر
- چکیده
- به دلیل ماهیت نوسانی سرعت و جهت وزش باد و سایر پارامترهای هواشناسی از قبیل دما، فشار، چگالی و رطوبت نسبی هوا، انرژی تولیدی از باد به شدت متغیر بوده و شناسایی الگوی تغییرات پارامترهای مربوط به آن، چه از نظر زمانی و چه از نظر مکانی، امری پیچیده تلقی میشود. در این میان، انرژی باد با توان سوم سرعت باد نسبت مستقیم دارد که باعث میشود کوچکترین خطا در تخمین سرعت وزش باد منجر به خطای قابل ملاحظهای در تخمین توان تولیدی گردد. بنابراین پیشبینی سرعت باد بیش از هر پارامتر دیگری مورد توجه محققین این حوزه بوده است. این موضوع در این پایاننامه در دو بخش پیشبینی مکانی و زمانی سرعت باد و با استفاده از شبکههای عصبی مصنوعی مورد بررسی قرار گرفته است. شبکههای عصبی مصنوعی عمدتا به عنوان روشی نوین برای مدلسازی سیستمهای پیچیدهای نظیر سرعت باد در نظر گرفته میشوند که دادههای زیادی در مورد چگونگی عملکرد آنها ثبت شده است. انواع مختلفی از پیشبینی سرعت باد در تحقیقات مختلف مورد مطالعه قرار گرفته است. در این پایاننامه ابتدا با استفاده از دادههای 135 روز، سرعت باد یک ساعت آتی پیشبینی شده است. بدین منظور سه شبکه پس انتشار، تابع شعاع مبنا و شبکه ترکیبی با منطق فازی مورد استفاده قرار گرفته است. برای افزایش دقت مدل از الگوریتم روزهای مشابه استفاده شده است که از لحظاتی مشابه لحظه مورد نظر جهت پیشبینی سرعت باد استفاده مینماید. با استفاده از این روشها و با استفاده از دادههای ایستگاههای بادسنجی مختلف، متوسط قدر مطلق خطای نسبی بین 18 تا 40 درصد، مجذور میانگین مربعات خطا بین 15/1 تا 95/1 و متوسط قدر مطلق خطا بین 89/0 تا 49/1 به دست آمده است. در مقایسه با نتایج تحقیقات مشابه، این نتایج قابل قبول به نظر میرسد. در مرحله بعدی، کوشش شد تا با استفاده از دادههای ثبت شده در تعدادی ایستگاه بادسنجی، سرعت باد یک ایستگاه بادسنجی در آن محدوده پیشبینی شود. به دلیل محدودیتهای موجود در امر گردآوری داده، سه گروه از ایستگاههای بادسنجی بدین منظور انتخاب گردید. گروه اول در شمالغربی ایران واقع شده و شامل 7 ایستگاه بادسنجی، گروه دوم در شمالشرقی و شامل 5 ایستگاه بادسنجی و گروه سوم در جنوبشرقی و شامل 8 ایستگاه بادسنجی میباشد. اطلاعات توپوگرافی منطقهای که ایستگاه در آن واقع شده به عنوان ورودی و متوسط سرعت باد هر سه ساعت یکبار ایستگاه در تمام طول سال به عنوان خروجی شبکه عصبی در نظر گرفته شده و این شبیهسازی برای تکتک ایستگاهها صورت پذیرفته است. در هر گروه از ایستگاهها یکی از شبکههای عصبی نتایج بهتری ارائه داده است. ماکزیمم خطای نمودار هیستوگرام برای تمامی مدلها و برای تمامی ایستگاهها کمتر از 9/7 درصد میباشد که بسیار مطلوب به نظر میرسد. در پایان نیز ارتباط خطا با تکتک پارامترهای اصلی با استفاده از آنالیز حساسیت مورد بررسی قرار گرفته که نتایج آن موید دقت بالای مدل میباشد. این نوع پیشبینی مکانی سرعت باد میتواند کارآیی بسیاری در صنعت انرژی بادی ایران داشته باشد و این تحقیق در این زمینه در سطح جهانی نیز مشابهی ندارد. کلمات کلیدی: پیش بینی سرعت باد، پتانسیل سنجی نیروگاه بادی، شبکه عصبی، منطق فازی
- Abstract
- Because of the fluctuating nature of wind speed and wind direction, and other meteorological parameters such as temperature, pressure, density and humidity of air, produced power by wind plants greatly varies and investigation of the pattern of variation in these factors, either in space or in time, is complicated. Wind power is a function of the cube of the wind speed means that small changes in wind speed estimation lead to large differences in wind power estimation. Therefore, more than any other parameters, wind speed prediction is an extremely important research field for wind energy sector. This issue is discussed in this paper in two parts, prediction of wind speed in time and location, using artificial neural networks (ANNs). ANNs are novel methods of modeling complicated systems that have large volumes of data registered about their performance such as wind speed. According to various method of wind speed prediction carried out in similar researches, we first predict wind speed for one-hour time intervals using 135 daily input data in five Wind Observation Stations (WOSs) in IRAN. For this purpose, a Back-Propagation (BP) network, a Radial Basis Function (RBF) network, an Adaptive Neuro-Fuzzy Inference System (ANFIS) network are chosen. The forecasting performance of the ANN models is augmented by a similar days (SD) method, which considers similar historical weather information corresponding to the forecasting day in order to determine similar wind speed days for processing. The Maximum Absolut Percentage Error (MAPE) values obtained from this models is 18-40%, the Route Mean Square Error (RMSE) is 1.15-1.95 and the Mean Absolute Error (MAE) is 0.89-1.49%. Comparing to similar researches in this field, this results are acceptable. In the next step, estimation of wind speed in a WOS using data from some WOSs near of it carried out. Because of limitation on the data collection, three groups of WOSs selected for this purpose. Group one is located in northwest of IRAN and includes 7 WOSs, group two is located in northeast of IRAN and includes 5 WOSs, and group 3 is located in southeast of IRAN and includes 8 WOSs. Topographic information of the WOS location is used as the input data for ANN models and wind speed as the output data, and this modeling carried out for each WOS. In each WOS, best performance could be obtained from one of the ANN models. However in all cases, maximum value of Wind Speed Error (WSE) obtained from ANN models is under 7.9% that is certainly promising. Finally, a sensitivity analysis was performed to assess the effects of several main parameters on the WSE that confirms the accuracy of proposed model. This type of spatial prediction of wind speed is very useful in Iran’s wind energy sector and this research is the first study in this field worldwide. Keywords: wind speed forecasting, wind potential estimation, artificial neural network (ANN), fuzzy logic
