دانلود ترجمه مقاله پیش بینی کوتاه مدت توان باد مبتنی بر ماشین بردار پشتیبان

1. مقدمه 2. مروری بر مقالات 3. ماشین بردار پشتیبان 4. الگوریتم سنجاقک و الگوریتم سنجاقک بهبود یافته 5. نتایج تجربی و بحث و بررسی 6. نتیجه گیری

پیش بینی توان بادی با دقت بالا به دلیل ماهیت احتمالاتی و غیرساکن آن، امری بسیار دشوار است. توان بادی، در سراسر دنیا به عنوان یک صنعت انرژی تجدید پذیر نوید بخش، توسعه سریعی داشته است. عدم قطعیت توان بادی، چالش های دشواری را پیش روی فعالیت سیستم های قدرت، با یکپارچه سازی مزرعه های بادی، در شبکه قدرت ایجاد میکند. پیش بینی دقیق توان بادی، به طور روزافزون، برای بهره برداری پایدار از مزرعه های بادی و هم چنین شبکه قدرت، اهمیت بیشتری می یابد. این مطالعه، ماشین بردار پشتیبان و الگوریتم سنجاقک بهبودیافته را ترکیب نموده است تا بتواند توان بادی کوتاه مدت را برای یک مدل پیش بینی هیبرید، پیش بینی نماید. فاکتور یادگیری انطباقی و همچنین استراتژی تکامل دیفرانسیل، برای بهبودبخشی عملکرد الگوریتم سنجاقک سنتی، در آن وارد شده اند. الگوریتم سنجاقک بهبودیافته برای انتخاب پارامترهای بهینه ماشین بردار پشتیبان مورد استفاده قرار می گیرد. اثربخشی مدل پیشنهادی، در یک مجموعه داده حقیقی ای که از مزرعه بادی لاهاوت بورن، در فرانسه به دست آمده است، تائید شده اند. مدل پیشنهادی توانسته است عملکرد پیش بینی بهتری را در مقایسه با سایر مدل ها همانند شبکه عصبی پس- انتشار و رگرسیون فرآیند گاوسی، از خود نشان دهد. مدل پیشنهادی، برای پیش بینی توان باد کوتاه مدت، مناسب می باشند. مقدمه: کمبود انرژی، تبدیل به یک مسئله جدی شده و دلیل آن، توسعه مقیاس تولید و تقاضای مصرف کننده می باشد (باگال و همکاران 2018). توان بادی، به عنوان یکی از نویدبخش ترین صنایع، برای حل بحران انرژی در نظر گرفته شده است و به دلیل منابع فراوان، آلودگی کم و هزینه کم اش، توجهات زیادی را به خود جلب نموده است (ژیائو و همکاران 2018). در دهه های اخیر، صنعت توان بادی، با سرعت فراوان، در کل جهان توسعه یافته و همچنین ظرفیت نصب شده تجمعی توان بادی جهانی، به طور مداوم افزایش یافته است (چیتساز و همکاران 2015). با این وجود نوسان و تناوب باد باعث ایجاد ماهیت احتمالاتی و غیرساکن، در توان بادی می شود که اثری منفی بر روی سیستم قدرت خواهد گذاشت (ژان و همکاران 2017). علی الخصوص تلفیق مقیاس بزرگ توان بادی، سرانجام باعث اثرات مضر در چیدمان توزیع شبکه قدرت شده و سپس قابلیت اطمینان شبکه قدرت را کاهش می دهد (شن و همکاران 2018). پیش بینی توان بادی، به عنوان یک رویکرد موثر، برای حل چنین مسائلی به شمار می رود. برای بخش توان الکتریکی و مزارع بادی، نتایج پیشبینی دقیق توان بادی، برای ایجاد استراتژی های تولید، توزیع و حفظ و نگهداری مناسب، مورد نیاز است. بنابراین پیش بینی دقیق توان بادی، برای یکپارچه سازی توان بادی و هم چنین بهره برداری پایدار از سیستم قدرت، الزامی می باشد.

It is hard to predict wind power with high-precision due to its non-stationary and stochastic nature. The wind power has developed rapidly around the world as a promising renewable energy industry. The uncertainty of wind power brings difficult challenges to the operation of the power system with the integration of wind farms into power grid. Accurate wind power prediction is increasingly important for the stable operation of wind farms and the power grid. This study is combined support vector machine and improved dragonfly algorithm to forecast short-term wind power for a hybrid prediction model. The adaptive learning factor and differential evolution strategy are introduced to improve the performance of traditional dragonfly algorithm. The improved dragonfly algorithm is used to choose the optimal parameters of support vector machine. The effectiveness of the proposed model has been confirmed on the real datasets derived from La Haute Borne wind farm in France. The proposed model has shown better prediction performance compared with the other models such as back propagation neural network and Gaussian process regression. The proposed model is suitable for short-term wind power prediction. Introduction: Energy shortage has become a serious issue, due to the expansion of production scale and consumer demand (Bagal et al., 2018). The wind power is regarded as one of the most promising industry to solve the energy crisis and has attracted due to its abundant source, little pollution and low cost (Jiao et al., 2018). In recent decades, the wind power industry developed rapidly all over the world, and the cumulative installed capacity of global wind power has continuously increased (Chitsaz et al., 2015). However, the fluctuation and intermittence of wind will cause non-stationary and stochastic nature of wind power, which has an adverse impact on the power system (Zhang et al., 2017). Especially, large-scale integration of wind power inevitably brings detrimental effects on the dispatching arrangement of the power grid and then reduces the reliability of the power grid (Shen et al., 2018). The wind power prediction is regarded an effective approach to solve such problem. For the electric power sector and wind farms, accurate wind power forecasting results are required to make appropriate generation, distribution and maintenance strategies. Therefore, accurate wind power prediction is essential for the integration of wind power and stable operation of the power system.