کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7918694 1511100 2017 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Forecast of Infrequent Wind Power Ramps Based on Data Sampling Strategy
ترجمه فارسی عنوان
پیش بینی بارش های کم انرژی باد براساس استراتژی نمونه برداری اطلاعات
کلمات کلیدی
قدرت باد، پیش بینی، رویدادهای رمپ، مشکل عدم تعادل کلاس، نمونه برداری داده،
ترجمه چکیده
معرفی تولید برق باد در ژاپن ترویج شده است. با این حال، قدرت باد یک منبع انرژی ناپایدار است زیرا خروجی آن با توجه به آب و هوا متفاوت است. به طور خاص، تغییرات ناگهانی در خروجی، که می تواند بر سیستم برق تاثیر بگذارد، نامیده می شود و باعث می شود مشکلات سیستم برق قوی باشد. در این مقاله، نویسندگان، با استفاده از طبقه بندی ها، پیش بینی رویداد رمپ را مورد بحث قرار می دهند. یک مسئله جدی در این راهپیمایی این است که پیش بینی طبقه بندی مبتنی بر نادرست است، زیرا وقوع چنین رمپ نسبتا نادر است. این مشکل، مشکل عدم تعادل کلاس در زمینه یادگیری ماشین نامیده می شود. برای غلبه بر مشکل عدم تعادل کلاس در پیش بینی رمپ، چندین روش نمونه گیری داده ها اجرا می شود. اثربخشی این روشهای نمونه گیری با استفاده از داده های تولید انرژی باد در جهان واقعی تجربی ارزیابی می شود. نتایج نشان می دهد که رویکردهای پیاده شده به طور قابل توجهی دقت پیش بینی را بهبود داده اند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
چکیده انگلیسی
The introduction of wind power generation has been promoted in Japan. However, wind power is an unstable power source because its output varies according to the weather. Particularly, sudden changes in output, which could adversely affect the power system, are called ramps and may cause serious problems in the power system. In this paper, the authors discuss the ramp event forecast by using classifiers. A serious issue in this setup is that classification based forecast tends to be inaccurate since the occurrence of such a ramp is relatively rare. This problem is called the class imbalance problem in the machine learning field. To overcome the class imbalance problem in ramp forecast, several data sampling approaches are implemented. The effectiveness of these sampling approaches is experimentally evaluated by using a real-world wind power generation dataset. The results show that the implemented approaches drastically improved the forecast accuracy.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy Procedia - Volume 135, October 2017, Pages 496-503
نویسندگان
, , ,