کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
763975 1462881 2014 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Wind speed estimation using multilayer perceptron
ترجمه فارسی عنوان
برآورد سرعت باد با استفاده از پراسترنر چند لایه
کلمات کلیدی
شبکه های عصبی مصنوعی، پیش بینی، پراپرترون چند لایه سرعت باد،
ترجمه چکیده
این مقاله یک روش برای تعیین میانگین متوسط ​​سالانه باد در یک مکان زمین پیچیده با استفاده از شبکه های عصبی ارائه می دهد، زمانی که تنها اطلاعات کوتاه مدت برای آن سایت در دسترس است. این اطلاعات برای محاسبات اولیه از منبع باد در یک منطقه دور افتاده است که تنها یک دوره زمانی کوتاه اندازه گیری اندازه گیری باد در یک سایت دارد. شبکه های عصبی مصنوعی برای پیاده سازی متغیرهای فرایند غیر خطی در طول زمان مفید هستند و به همین دلیل یک ابزار مفید برای برآورد سرعت باد می باشد. شبکه عصبی استفاده شده از پیشابرنس چند لایه با سه لایه است و الگوریتم یادگیری نظارت شده مورد استفاده قرار می گیرد. ورودی های مورد استفاده در شبکه عصبی سرعت و جهت داده های باد را از یک ایستگاه واحد مورد استفاده قرار دادند، و الگوهای آموزش استفاده شده، مربوط به داده شصت روز است. نتایج به دست آمده با شبیه سازی میانگین سرعت باد سالانه در محل انتخاب شده بر اساس داده های ایستگاه های نزدیک با ضریب همبستگی بیش از 0.5، در مقایسه با مقادیر واقعی، رضایت بخش بودند. تخمین های قابل اطمینان با خطاهای کمتر از 6٪ بدست آمد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
برآورد سرعت باد با استفاده از پراسترنر چند لایه
چکیده انگلیسی
This paper presents a method for determining the annual average wind speed at a complex terrain site by using neural networks, when only short term data are available for that site. This information is useful for preliminary calculations of the wind resource at a remote area having only a short time period of wind measurements measurement in a site. Artificial neural networks are useful for implementing non-linear process variables over time, and therefore are a useful tool for estimating the wind speed. The neural network used is multilayer perceptron with three layers and the supervised learning algorithm used is backpropagation. The inputs used in the neural network were wind speed and direction data from a single station, and the training patterns used correspond to sixty days data. The results obtained by simulating the annual average wind speed at the selected site based on data from nearby stations with correlation coefficients above 0.5 were satisfactory, compared with actual values. Reliable estimations were obtained, with errors below 6%.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy Conversion and Management - Volume 81, May 2014, Pages 1-9
نویسندگان
, , ,