چکیده

در این مقاله مدلی جدید براي پیشبینی توان خروجی توربینهاي بادي ارائه گردیده است. در این مدل که از روش اصلاح شده سیستم استنتاج عصبی- فازي تطبیقی استفاده میکند، گشتاور ژنراتور، زاویه پره توربین و سرعت باد و توان خروجی در دو زمان گذشته آن، به عنوان ورودي سیستم تعریف میشود و خروجی سیستم، توان خروجی پیش بینی شده توربین است که در بهبود وضعیت عملی تنظیم زاویه پره توربین مورد استفاده قرار میگیرد. مدل پیشنهادي بر روي یک مزرعه بادي شامل سه توربین سه مگاواتی با ژنراتورهاي القایی از

دومین کنفرانس بین المللی
پیشبینی توان خروجی توربین هاي بادي با به کارگیري سیستم استنتاج
عصبی– فازي تطبیقی به منظور بهبود وضعیت عملی تنظیم زاویه پره
رویکردهاي نوین در نگهداشت انرژي
توربین

نوع DFIG بکار برده شده است. مقایسه نتایج حاصل از پیشبینی توان با نتایج خروجی واقعی سیستم، بیانگر دقت مناسب مدل پیشنهادي است.

واژه هاي کلیدي : توربین بادي، توان خروجی، سیستم استنتاج عصبی-فازي تطبیقی.

-۱ مقدمه

تولید الکتریسیته از باد، مساعد با محیط زسیت، از لحاظ اجتماعی قابل قبول و از لحاظ اقتصادي رقابتی محسوب می شود. توان تولیدي از باد یک نیروي حاکم بر منابع دیگر شده است و رشد وپویایی را در سال هاي اخیر داشته است. تکنولوژي تولیدات پراکنده همانند توربین بادي ۱، پیلسوختی۲ و انرژيخورشیدي۳ در آینده نزدیک به علت افزایش بی رویه مصرف انرژي و آلودگی که یکی از بزرگترین مشکلات جهان امروز می باشد، نقش بسیار مهمی را در زندگی ما ایفا خواهند کرد . توربین بادي به عنوان یکی از مهمترین منابع تولید پراکنده در شبکه هاي قدرت سهم عمده اي از تولید توان را در حال و به طور گسترده تر در آینده خواهد داشت. یکی از مشکلاتی که در رابطه با استفاده از توربین هاي باد مد نظر قرار می گیرد نامعینی میزان توان تولیدي از توربین هاي بادي می باشد، بنابر این وجود ابزارهایی به منظور پیش بینی این توان در یافتی از انرژي باد ضروري به نظر می آید. در این مقاله یک سیستم استنتاج عصبی – فازي تطبیقی به منظور ساخت یک مدل براي پیش بینی پیش بینی توان دریافتی توربین بادي به کار گرفته شده است.

تحقیقات متعددي در زمینه پیش بینی توان توربینهاي بادي صورت گرفته است. در [۱] به پیشبینی توان خروجی توربین بادي در شرایطی که بادهایی با سرعت کم موجود باشد، پرداخته شده است. از دادههاي حاصل از شبیه سازي توربین استفاده می کند و پس از انتخاب پارامترهاي مناسب، آنها را بر اساس پنج سناریو، به دو تا پنج خوشه تقسیم و خوشه بندي کرده است. سپس براي انتخاب سناریویی که بهترین کارایی را داشته

۱ Wind turbines

۲ Fuel cell

۳ Photovoltatic

دومین کنفرانس بین المللی
پیشبینی توان خروجی توربین هاي بادي با به کارگیري سیستم استنتاج
عصبی– فازي تطبیقی به منظور بهبود وضعیت عملی تنظیم زاویه پره
رویکردهاي نوین در نگهداشت انرژي
توربین

است از شبکه عصبی استفاده کرده. دادههاي هر خوشه را با روشهاي شبکه عصبی، شبکه عصبی جمعی۴، ماشین بردار پشتیبان۵، بوستینگ و جنگل تصادفی۶، ارزیابی کرده و براي هر خوشه، روشی که بهترین کارایی را دارد انتخاب کرده است. دلیل استفاده از روشهاي ذکر شده در این تحقیق، کاهش پیچیدگی محاسبات و افزایش قابلیت اطمینان بیان شده است. در[۲] مدل مجازي براي پیشبینی کوتاه مدت پارامترهاي توان خروجی و سرعت روتور در توربین بادي را توسعه داده است که در این کار از الگوریتمهاي داده کاوي استفاده کرده و براي توسعه مدل، سه فاز پیشپردازش دادهها، استخراج مدل و اعتبار سنجی در نظر گرفته شده است. از میان پارامترهاي قابل کنترل، غیر قابل کنترل و پارامترهاي کارایی، پنج پارامتر به همراه برخی از مقادیر دورههاي گذشته این پارامترها را براي اجراي مدل انتخاب شده است. در این مقاله نمونهگیري بر اساس محدوده سرعت باد است و از دادههاي سی توربین در دو دوره زمانی که یک دوره مربوط به وزش بادهایی با سرعت کم و دوره دیگر بادهایی با سرعت زیاد است انجام شده است. براي پیشبینی توان خروجی و سرعت روتور از الگوریتم هاي جنگل تصادفی، شبکه عصبی، بوستینگ، ماشین بردار پشتیبان،مدل افزایشی تعمیم یافته و الگوریتم – k نزدیکترین همسایه استفاده شده است. نتایج بدست آمده و خطاهاي حاصل از آنها بررسی شده و مدل شبکه عصبی بهترین کارایی داشته و آن را براي مدل مجازي پیشبینی پارامترهاي توربین بادي انتخاب کرده است. با استفاده از دادههایی که براي آموزش و تست مدل بکار رفته است، اهمیت استفاده از این روش در قابلیت تعمیم آن براي انواع توربینها با سرعت بادهاي مختلف بیان شده است. در [۳] روشی را براي پیش بینی سرعت باد با استفاده از مدل شبکهي عصبی رگرسیون تعمیم یافته معرفی کردند. شبکهي عصبی رگرسیون تعمیم یافته حالت توسعه یافته اي از شبکه هاي تابع شعاعی می باشد. که براي آموزش مدل از داده هاي واقعی استفاده می کنند و نشان می دهند که روش گفته شده برتري نسبت به مدل هاي سري زمانی خطی دارند.

در این مقاله ابتدا در بخش دوم به معرفی داده هاي مورد استفاده پرداخته، در بخش سوم مروري بر روش پیشنهادي ، سیستم استنتاج عصبی فازي تطبیقی بهبود یافته با الگوریتم ژنتیک۷به کـار رفتـه مـی پـردازیم و
۴ Ensemble neural networks

۵ SVM

۶ Random forest

۷ ANFIS