کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5012646 1462818 2017 13 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A combined multivariate model for wind power prediction
ترجمه فارسی عنوان
یک مدل ترکیبی چند متغیره برای پیش بینی قدرت باد
کلمات کلیدی
پیش بینی قدرت باد، بازسازی داده ها، مدل یکنواخت، مدل چند متغیره ترکیبی داده کاوی،
ترجمه چکیده
وقفه و نوسانات انرژی باد تاثیر مخربی روی شبکه برق دارد. برای هدایت اپراتورهای سیستم برای کاهش آسیب، یک مدل ترکیبی چند متغیره برای بهبود دقت پیش بینی قدرت باد پیشنهاد شده است. این مدل از طریق دو مرحله ساخته شده است. ابتدا، متغیرهای معتبر هواشناسی برای پیش بینی، با روش آزمون علیت گرنجر انتخاب شده و در فضاهای فاز خانهومورفیک بازسازی می شوند. سپس هر متغیر برای ایجاد مدل پیش بینی قدرت باد به طور مستقل مورد استفاده قرار می گیرد و تأثیر آنها بر پیش بینی از طریق توابع هسته های مختلف در مدل های رگرسیون بردار پشتیبانی می شود. دوم، نتایج پیش بینی مدل های یکنواخت به عنوان ورودی های یک مدل ترکیبی برای پیش بینی قدرت باد استفاده می شود. مدل نهایی چند متغیره و بیانگر منعکس کننده اثرات تعاملی متغیرهای هواشناسی انتخاب شده بر پیش بینی قدرت باد است. چهار الگوریتم داده کاوی برای انتخاب مدل با دقت بالا آموزش داده می شود. داده های صنعتی از مزارع باد به عنوان مورد مطالعه گرفته شده است. پیش بینی مدل ها در دو مرحله تست شده و عملکرد مدل پیشنهادی در چهار معیار خطا بهتر می شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
چکیده انگلیسی
The intermittent and fluctuation of wind power has a harmful effect on power grid. To direct system operators to mitigate the harm, a combined multivariate model is proposed to improve wind power prediction accuracy. This model is built through two stages. First, valid meteorological variables for prediction are selected by Granger causality testing approach, and reconstructed in homeomorphic phase spaces. Then each variable is taken to build a wind power prediction model independently, and their effect on prediction is illustrated through different kernel functions in support vector regression models. Second, prediction results of univariate models are taken as inputs of a combined model predicting wind power. The final model is multivariate and expressive to reflect the interactive effects of selected meteorological variables on wind power prediction. Four data mining algorithms are trained for selecting the model with high accuracy. The industrial data from wind farms is taken as the study case. Prediction of models at two stages are tested, and performance of the proposed model is validated better at four error metrics.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy Conversion and Management - Volume 144, 15 July 2017, Pages 361-373
نویسندگان
, , ,