پيشگويي گام‌ـ بلند سرعت باد مبتني بر مدل تركيبي RNNGA

Wind Speed Long – Step Prediction based on RNNGA ybride Method

براي استفاده مناسب و كارآمد از انرژي باد، پيش‌بيني سرعت باد بسيار مهم است. باد يكي از منابع اصلي انرژي در جهان است، اما توربين‌هاي بادي داراي عدم قابليت اطمينان، پيوستگي و يكنواختي در توليد توان هستند. از طرفي تغييرات ناگهاني سرعت باد موجب به خطر افتادن سلامتي واحدهاي توربين باد مي‌شود؛ ازاين‌رو پيشگويي سرعت باد براي نگهداري توربين و همچنين برنامه‌ريزي براي توان توليدي اهميت فراواني دارد. اين مقاله يك روش جديد براي پيشگويي سرعت باد ارايه مي‌دهد. اين روش براساس تركيبي از الگوريتم ژنتيك و شبكه عصبي است. اطلاعات گذشته سرعت باد به‌عنوان ورودي مدل براي پيشگويي با گام بلند (چندروزه) سرعت باد استفاده مي‌شوند. عملكرد روش ارايه‌شده براساس اطلاعات واقعي جمع‌‌آوري‌شده از مزرعه بادي كهك شركت مپنا مورد سنجش قرار گرفته است. نتايج شبيه‌سازي دقت مدل پيشنهادشده را در پيشگويي سرعت باد نشان دادند. دقت مدل پيشگويي براساس معيارRMSE (Root Mean Squared Error) ، 96/0 متر بر ثانيه به‌دست آمد. نتايج حاصل از روش RNNGA (Recurrent Neural Network Genetic Algorithm) با روش‌هاي برخي مراجع مقايسه شد كه اين مدل با اطلاعات ورودي كمتر (سرعت باد)، دقت مشابه يا بهتر داشته است.

For proper and efficient utilization of wind power, the prediction of wind speed is very important. Wind is one of the main sources of energy in the world, but the wind turbines have a lack of reliability, continuity and homogeneity in power production. On the other hand, sudden changes of wind speed, lead to risk for wind turbine units health. Therefore, the prediction of wind speed for turbine maintenance and planning for production is very important. This paper provides a new method for predicting the wind speed. The technique is based on combining genetic algorithm and neural network. The previous wind speed information is used as inputs to Long-Step prediction (multi-day) of the wind speed. The proposed method was tested based on actual data collected from the MAPNA Co wind farm. Simulation results show the accuracy of the proposed model in predicting the wind speed. The accuracy of prediction models, based on root mean squared error (RMSE), is 0.96 meters per second. The results of the recurrent neural network genetic algorithm (RNNGA) method were compared with some reference methods which this model with less input data (wind speed), has the same or better accuracy.