دانلود ترجمه مقاله پیش بینی سرعت باد براساس یک معماری پیش بینی کننده و الگوریتم خفاش

1. مقدمه 2. چهارچوب معماری ترکیبی پیشنهادی 3. تجزیه سرعت باد 4. CG-BA 5. بهینه سازی RBFNN و GRNN 6. آزمایش تجربی پیش بینی (سرعت باد) 7. نتیجه گیری

چکیده – انرژی باد، به عنوان یکی از امیدوار کننده ترین منابع انرژی پایدار، نقش مهمی در توسعه انرژی ایفا می کند که این بخاطر پاک بودن و بدون آلودگی بودن آن است. عموماً، پیش بینی سرعت باد، که تاثیری اساسی بر سیستم های قدرت باد دارد، به عنوان یک کار چالش برانگیز محسوب می شود. تحلیل های براساس پیش بینی سرعت باد تک مرحله ای بطور گسترده ای مورد استفاده قرار گرفته اند، اما نتایج آنها در تضمین قابلیت اطمینان و کنترل پذیری سیستم های قدرت باد، ناکافی است. در این مقاله، یک معماری پیش بینی جدید براساس الگوریتم های تجزیه کننده و شبکه های عصبی اصلاح شده با موفقیت برای پیش بینی سرعت باد چند مرحله ای، توسعه یافته است. چهار مدل ترکیبی مختلف در این معماری قرار گرفته اند و برای بهبود بیشتر عملکرد پیش بینی، یک الگوریتم خفاش اصلاح شده (BA) با روش گرادیان مزدوج (CG) برای بهینه سازی وزن های اولیه بین لایه ها و آستانه های لایه پنهان شبکه های عصبی بکار گرفته شده. برای بررسی توانایی های پیش بینی این چهار مدل، داده های سرعت باد گردآوری شده از پست های برق باد مختلف در پنگلای، چین به عنوان یک مطالعه موردی استفاده شدند. آزمایش های عددی نشان دادند که مدل ترکیبی که شامل تحلیل طیف تکین و شبکه عصبی رگرسیون عمومی با CG-BA است (SSA-CG-BA-GRNN) به دقیق ترین نتایج پیش بینی در پیش بینی سرعت باد تک مرحله ای تا سه مرحله ای دست یافته است. مقدمه: به عنوان یکی از امیدوار کننده ترین منابع انرژی تجدیدپذیر بالقوه [1]، انرژی باد توجه بسیاری از محققان و مهندسان را به خود جلب کرده است [2] و تقریباً هر دولت سراسر جهان سیاست های مثبتی برای پشتیبانی از توسعه انرژی باد معرفی کرده است [3، 4]. در سال 2015، ظرفیت جهانی کل مزارع باد تقریباً 423419 مگاوات با نرخ رشد 22% است همانگونه که در شکل 1 نشان داده شده [5]. با افزایش نسبت انرژی باد در کل شبه های انرژی، نتایج پیش بینی سرعت باد بیش از پیش برای مدیران جهت برنامه ریزی توزیع توان روزانه و کاهش ظرفیت ذخیره، مهم شده است.

As one of the most promising sustainable energy sources, wind energy plays an important role in energy development because of its cleanliness without causing pollution. Generally, wind speed forecasting, which has an essential influence on wind power systems, is regarded as a challenging task. Analyses based on single-step wind speed forecasting have been widely used, but their results are insufficient in ensuring the reliability and controllability of wind power systems. In this paper, a new forecasting architecture based on decomposing algorithms and modified neural networks is successfully developed for multi-step wind speed forecasting. Four different hybrid models are contained in this architecture, and to further improve the forecasting performance, a modified bat algorithm (BA) with the conjugate gradient (CG) method is developed to optimize the initial weights between layers and thresholds of the hidden layer of neural networks. To investigate the forecasting abilities of the four models, the wind speed data collected from four different wind power stations in Penglai, China, were used as a case study. The numerical experiments showed that the hybrid model including the singular spectrum analysis and general regression neural network with CG-BA (SSA-CG-BA-GRNN) achieved the most accurate forecasting results in one-step to three-step wind speed forecasting. Introduction: As one of the most promising potential renewable energy sources [1], wind energy has attracted the focus of many researchers and scientists [2], and nearly every government across the world has introduced positive policies to support wind energy development [3,4]. In 2015, the global total capacity of wind farms is approximately 432,419 MW, with the 22% growth rate, as shown in Fig. 1 [5]. With the increased proportion of wind energy in whole energy networks, accurate wind speed forecasting results are becoming increasingly crucial for managers to schedule the daily power distribution and decrease the reserve capacity.