پیش بینی کوتاه مدت سرعت باد با استفاده از سه نوع ترکیب شبکه های عصبی براساس تقسیم و ترکیب

نوع مقاله: علمی-ترویجی

نویسندگان

1 دانشجوی کارشناسی ارشد، مهندسی برق قدرت، دانشگاه بین المللی امام خمینی (ره)، قزوین

2 استادیار، مهندسی برق قدرت، دانشگاه بین المللی امام خمینی (ره)، قزوین قزوین، صندوق پستی: ٣٤١٤٨٩٦٨١٨، ghaffarzadeh@eng.ikiu.ac.ir

چکیده

انرژی باد یکی از قابل دسترس ترین انرژی های تجدید پذیر است. پیش بینی سرعت باد با دقت بالا، برای توسعه این انرژی موثر خواهد بود. این مقاله راه حل مناسبی برای مساله پیش بینی سرعت باد، با استفاده از سه نوع شبکه عصبی براساس تقسیم و ترکیب ارائه می دهد. سه شبکه، به ترتیب، تقویت به وسیله پالایش (BF)، اختلاط خبره ها (ME) و تقویت اختلاط خبره ها (BME) می باشند. در این سه شبکه ابتدا، فضای مساله بین کلاس بندهای اصلی تقسیم می شود و سپس با رویکرد مشخصی ترکیب می­شود. نتایج آزمایشات روی داده های واقعی باد بندرماهشهر نشان می دهد که متد BME سرعت باد را با دقت بالاتری نسبت به سایر متدها پیش بینی می­کند. در تقویت اختلاط خبره ها، ابتدا فضای مساله با استفاده از ساختار تقویت به وسیله پالایش تقسیم می شود و سپس وزن­های به دست آمده از این ساختار به عنوان وزن های اولیه ساختار اختلاط خبره ها در نظر گرفته می شود. برای کلاس بندهای اصلی تمام ساختارها از شبکه عصبی منفرد پرسپترون چندلایه (MLP) استفاده شده است. همچنین هر دو معیار خطا و کارایی برای ارزیابی نتایج استفاده شده است.

کلیدواژه‌ها


[1] SS. Soman, H.  Zareipour, O. Malik, P.  Mandal, ‘A review of wind power and wind speed forecasting methods with different time horizons’, In Proceedings of the 2010 north American power symposium (NAPS), p: 1–8, 2010.

[2] J. Zack, ‘Overview of wind energy generation forecasting’, Albany, NY:TrueWind Solutions, LLC. & AWS Scientific, Inc,2003.

[3] L. Soder, ‘Simulation of wind speed forecast errors for operation planning of multi-area power systems’, 8th International conference on probabilistic methods applied to power systems, Iowa state university, p: 723-28, 2004.

[4] X. Wang, G. Sideratos, N. Hatziargyriou, LH. Tsoukalas, ‘Wind speed forecasting for power system operational planning’, 8th International conference on probabilistic methods applied to power systems, Iowa state university, p: 470-74, 2004.

[5] M.  Monfared, H. Rastegar, H. Madadi Kojabadi, ‘A new strategy for wind speed forecasting using artificial intelligent methods’, Renewable Energy 34, p: 845-848, 2009.

]6[ ی. نوراللهی، م. جوکار، م. ساتکین، "استفاده از الگوریتم روزهای مشابه جهت بالا بردن دقت تخمین پیش بینی کوتاه مدت سرعت باد به کمک شبکه های عصبی"، دومین کنفرانس انرژی بادی ایران ، 1393.

[7] B. Zhu, M. Chen, N. Wade, L. Ran, ‘A prediction model for wind farm power generation based on fuzzy modeling’, Procedia Environmental Sciences 12, p:122-129, 2012.

[8] Y. Freund, , and R. Schapire, ‘Experiments with a new boosting algorithm’, in Proceeding of the Thirteenth International Conference on Machine Learning, pp. 148-156, 1996.

[9] K. Chen, L. Xu, H. Chi, Improved learning algorithms for mixture of experts in multiclass classification. Neural Network 12(9):1229–1252, 1999.

[10] R. Ebrahimpour, and N. Sadeghnejad, ,’ Boost-wise pre-loaded mixture of experts for classification tasks’ Neural Comput & Applic, DOI 10.1007/s00521-012-0909-2, 2012.

[11] R. Avnimelech, and N. Intrator, ‘Boosted mixture of experts: An ensemble learning scheme’, Neural Computation, vol. 11, no. 2, pp.483-497, 1999.

[12] M.Jordan,  and R. Jacobs, ‘Modular and Hierarchical Learning Systems’. The Handbook of Brain Theory and Neural Networks, MIT Press, Cambridge, MA, 1995.

[13] R. Ebrahimpour, A. Esmkhani , S. Faridi , Farsi handwritten digit recognition based on mixture of RBF experts. IEICE Electron Exp 7(14):1014–1019, 2011.

[14] R. Ebrahimpour, H. Nikoo, S. Masoudnia, M. Yousefi, M. Ghaemi, Mixture of  MLP experts for trend forecasting of time-series: a case study of Tehran Stock Exchange. Int J Forecast 27(3):804–816, 2011.

[15] Waterhouse S, Cook G, Ensemble methods for phoneme classification. In: Mozer M, Jordan J, Petsche T (eds) Advances in neural information processing systems. MIT Press, Cambridge, 1997.

[16] http://www.suna.org.ir