کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10293961 512447 2016 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Short-term wind speed and power forecasting using an ensemble of mixture density neural networks
ترجمه فارسی عنوان
سرعت باد کوتاه مدت و پیش بینی قدرت با استفاده از مجموعه ای از شبکه های عصبی تراکم مخلوط
کلمات کلیدی
ترجمه چکیده
مجموعه ای از شبکه های عصبی با تراکم مخلوط برای سرعت باد کوتاه مدت و پیش بینی قدرت استفاده می شود. به عنوان داده ورودی برای شبکه تراکم مخلوط، خروجی های آن پارامترهای تراکم مخلوط (استفاده می شود برای نشان دادن تابع چگالی احتمال خروجی نامطلوب و یا متغیر هدف) استفاده می شود از سرعت پیش بینی سرعت باد حاصل از یک مدل پیش بینی آب و هوای عددی. تمام شبکه های عصبی تراکم مخلوط در یک گروه فرض شده است که یک معماری سه لایه داشته باشند، هر معماری دارای تعداد مختلف گره در لایه پنهان است. از آنجا که مخلوط توزیع گاوسی برای تقسیم توزیع مشروط متغیر تصادفی هدف (هر دو سرعت باد یا قدرت توربین بادی) استفاده می شود، عدم اطمینان ناشی از ساختار مدل و خروجی مدل می تواند به طور کامل اندازه گیری شود. در نتیجه، فواصل اطمینان دقیق که منعکس کننده این منابع عدم قطعیت در پیش بینی می تواند به دست آمده و مورد استفاده قرار گیرد برای ارزیابی عملکرد برای سرعت باد و پیش بینی قدرت توربین باد استفاده می شود. استفاده از رویکرد پیشنهادی به مجموعه داده های اندازه گیری سرعت باد و قدرت از یک توربین بادی عملیاتی در یک مزرعه باد در تایوان برای آزمایش روش استفاده می شود. نتایج این نرم افزار نشان می دهد که روش پیشنهادی برای پیش بینی سرعت پیشروی چند مرحله ای و پیش بینی قدرت به خوبی کار می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
سرعت باد کوتاه مدت و پیش بینی قدرت با استفاده از مجموعه ای از شبکه های عصبی تراکم مخلوط
چکیده انگلیسی
An ensemble of mixture density neural networks is used for short-term wind speed and power forecasting. Predicted wind speeds obtained from a numerical weather prediction model are used as the input data for the mixture density network, whose outputs are the mixture density parameters (used to represent the probability density function of the uncertain output or target variable). All mixture density neural networks in an ensemble are assumed to have a three-layer architecture, with each architecture having different numbers of nodes in the hidden layer. Because a mixture of Gaussian distributions is used to approximate the conditional distribution of the target random variable (either wind speed or wind turbine power), the uncertainties arising from both the model structure and model output can be completely quantified. In consequence, rigorous confidence intervals reflecting these sources of uncertainty in the prediction can be obtained and used to assess the performance for the wind speed and wind turbine power forecasting. An application of the proposed approach to a data set of the measured wind speed and power from an operational wind turbine in a wind farm in Taiwan is used to test the methodology. The results of this application demonstrate that the proposed methodology works well for the multi-step ahead wind speed and power forecasting.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Renewable Energy - Volume 87, Part 1, March 2016, Pages 203-211
نویسندگان
, , , , ,