پیش بینی کوتاه مدت توان تولیدی مزرعه بادی به کمک الگوریتم بهبودیافته مبتنی بر شبکه های عصبی مصنوعی در پایتون: مطالعه موردی در منجیل

این مقاله یک رویکرد جدید برای پیش بینی کوتاه مدت توان تولیدی مزارع بادی با استفاده از شبکه های عصبی مصنوعی تحت زبان برنامه نویسی پایتون ارائه می دهد. در این روش شرایط آب و هوایی مانند سرعت باد، جهت باد، دما و فشار هوا به عنوان ویژگی های کلیدی تاثیرگذار بر توان تولیدی مزرعه بادی انتخاب می شوند. برای دستیابی به یک تخمین نسبتا دقیق، جذر میانگین مربعات خطای مقادیر پیش بینی شده محاسبه و به عنوان تابع هدف کمینه می شود. 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 ۸۵۹۲ ساعت (کل ساعات یک سال - ساعات یک هفته) پیش بینی می شود. جذر میانگین مربعات خطا، بیشترین درصد خطای نسبی، وضوح زمانی پیش بینی ها و مدت زمان اجرای محاسبات توسط الگوریتم پیشنهادی با سایر الگوریتم های منتشر شده در سالهای اخیر مقایسه می شود که نشان دهنده 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 پیش بینی شده و ۱۶۸ نقطه داده بدست آمده که جذر میانگین مربعات خطای پیش بینی در سناریوی بهینه برابر با ۰۱۰۸۱۷/۰ است. زمان اجرای محاسبات الگوریتم پیش بینی کمتر از ۱ دقیقه بوده و حداکثر خطای نسبی در روش پیشنهادی ۳/۲ درصد است که نشان می دهد عدم قطعیت های مرتبط با توان تولیدی مزرعه بادی را می توان با استفاده از این رویکرد پیش بینی کوتاه مدت کاهش داد.

کلیدواژه ها:

مزرعه بادی ، بازه زمانی کوتاه مدت ، شبکه های عصبی مصنوعی (AANs) ، جذر میانگین مربعات خطا (RMSE)