Short-Term Wind Power Forecasting Using a Hybrid Deep Learning Model

به دلیل ماهیت متغیر و غیرقطعی باد، پیش بینی دقیق توان تولیدی توربین های بادی برای یکپارچه سازی این منبع تجدیدپذیر در شبکه برق و مدیریت بهینه عملیات، امری حیاتی است. این مطالعه یک چارچوب ترکیبی یادگیری عمیق را برای پیش بینی کوتاه مدت دقیق پیشنهاد می نماید. مدل پیشنهادی، با ادغام متوالی شبکه عصبی کانولوشنی (CNN) و حافظه بلندمدت-کوتاه مدت (LSTM) هم زمان می تواند الگوهای محلی و وابستگی های کوتاه مدت را از طریق لایه های (CNN) و وابستگی های زمانی بلندمدت از طریق لایه های (LSTM) موجود در داده های سری زمانی را استخراج و مدل سازی نماید. داده های مورد استفاده، داده های واقعی و عملیاتی سیستم نظارتی توربین های بادی در منطقه منجیل ایران طی یک دوره یکساله (اردیبهشت ۱۴۰۳ تا فروردین ۱۴۰۴) است. پس از حذف داده های پرت، کاهش نویز و نرمال سازی مجموعه ای از متغیرهای کلیدی شامل سرعت باد، سرعت روتور، سرعت ژنراتور و دماهای اجزای حیاتی توربین به عنوان ویژگی های ورودی انتخاب شدند. عملکرد مدل ترکیبی پیشنهادیCNN-LSTM با سه مدل پایه یادگیری ماشین (رگرسیون خطی، جنگل تصادفی و گرادیانت بوستینگ) بر اساس معیارهای ارزیابی رایج ریشه میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و ضریب تعیین (R²) مقایسه شد. نتایج مطالعه به وضوح برتری مدل ترکیبی را نشان دادند. مدلCNN-LSTM با کمترین میزان خطا MAE و بالاترین ضریب تبیین ۸۹۲/۰=R²، عملکردی به مراتب بالاتر از مدل های مقایسه ای داشت. تحلیل های همبستگی نشان دادند که متغیرهای مرتبط با سرعت باد، بیشترین تاثیر را بر توان خروجی داشتند. همچنین، نمودارهای سری زمانی و پراکندگی تطابق نزدیک پیش بینی های مدل با مقادیر واقعی، توانایی آن در ردیابی نوسانات پیچیده، تغییرات فصلی و حتی رویدادهای گذرا را به خوبی نشان داد.این مطالعه نشان داد که روش های ترکیبی یادگیری عمیق به دلیل توانایی ذاتی در مدل سازی روابط غیرخطی و چندمقیاسی راهکاری کارآمد برای چالش پیش بینی توان بادی به شمار می آیند. استفاده از این مدل، گامی اساسی به سوی بومی سازی و توسعه راهکارهای هوشمند مدیریت انرژی های تجدیدپذیر در کشور محسوب می شود.

کلیدواژه ها:

انرژی های تجدیدپذیر ، پیش بینی کوتاه مدت توان بادی ، حافظه بلندمدت-کوتاه مدت (LSTM) ، داده های SCADA ، شبکه عصبی کانولوشنی (CNN) ، مدل ترکیبی ، یادگیری عمیق