کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6767766 512463 2015 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information
ترجمه فارسی عنوان
پیش بینی کوتاه مدت انرژی بادی با استفاده از سیستم استنتاج فازی تصحیح شده همراه با بهینه سازی ذرات تکاملی، تبدیل موجک و اطلاعات متقابل
کلمات کلیدی
پیش بینی، قدرت باد، بهینه سازی ذرات تکامل، سیستم عصبی فازی، اطلاعات متقابل، تبدیل موجک،
ترجمه چکیده
طبیعت غیر ثابت و تصادفی قدرت باد، خود را یک پیش بینی و مدیریت دشوار می داند. در این زمینه، با افزایش مستمر مزارع بادی و تولید ظرفیت آنها در پرتغال، نیاز به افزایش نیاز به ابزار پیش بینی جدید با قابلیت های افزایش یافته وجود دارد. از یک طرف، برای رسیدن به دقت بالاتر و عدم اطمینان کمتری در پیش بینی ها ضروری است. از سوی دیگر، بارگیری محاسباتی باید کم باشد تا تصمیمات سریع عملیاتی فراهم شود. از این رو، در این مقاله روش جدید تطبیقی ​​ترکیبی هیبرید برای پیش بینی نیروی باد در کوتاه مدت، با موفقیت ترکیب اطلاعات متقابل، تبدیل موجک، بهینه سازی ذرات تکاملی و سیستم استنتاج فازی سازگار است. قدرت این مقاله ادغام مدل ها و الگوریتم های موجود است که به طور مشترک نشان دهنده پیشرفت در مورد وضعیت فعلی هنر است. نتایج بدست آمده نشان دهنده بهبود قابل توجهی نسبت به روش های گزارش شده قبلی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
پیش نمایش مقاله
پیش بینی کوتاه مدت انرژی بادی با استفاده از سیستم استنتاج فازی تصحیح شده همراه با بهینه سازی ذرات تکاملی، تبدیل موجک و اطلاعات متقابل
چکیده انگلیسی
The non-stationary and stochastic nature of wind power reveals itself a difficult task to forecast and manage. In this context, with the continuous increment of wind farms and their capacity production in Portugal, there is an increasing need to develop new forecasting tools with enhanced capabilities. On the one hand, it is crucial to achieve higher accuracy and less uncertainty in the predictions. On the other hand, the computational burden should be kept low to enable fast operational decisions. Hence, this paper proposes a new hybrid evolutionary-adaptive methodology for wind power forecasting in the short-term, successfully combining mutual information, wavelet transform, evolutionary particle swarm optimization, and the adaptive neuro-fuzzy inference system. The strength of this paper is the integration of already existing models and algorithms, which jointly show an advancement over present state of the art. The results obtained show a significant improvement over previously reported methodologies.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Renewable Energy - Volume 75, March 2015, Pages 301-307
نویسندگان
, , ,