پیش بینی توان خروجی مزارع بادی براساس الگوریتم‌های فازی با هدف کاهش تاثیر عدم قطعیت انرژی باد

با افزایش نفوذ منابع انرژی تجدید پذیر در سیستم های قدرت و بدنبال آن شکل گیری بازارهای برق، بهره برداری و کنترل سیستم های قدرت با چالش های مختلفی همراه خواهد بود. یکی از چالش های اصلی مواجهه با عدم قطعیت انرژی باد بوده که تاثیر مستقیم بر هزینه کل بهره برداری خواهد داشت. در این مقاله، رویکردهای مختلفی مبتنی بر منطق فازی پیشنهاد شده است تا اثربخشی آنها جهت کاهش عدم قطعیت ذکر شده از طریق پیش بینی دقیق توان تولید شده در توربین های بادی، نشان داده شود. برای دستیابی به این هدف، عملکرد سه روش فازی برای حل این مسئله مورد تحلیل و بررسی قرار گرفته است. ابتدا با استفاده از داده های تاریخی باد، الگوریتم های حداقل مربعات (bls) و حداقل مربعات مجاز (rls) اجرا می شوند. در ادامه، الگوریتم rls با استفاده از تکنیک یادگیری اصلاح شده (mlfe) ، تلفیق شده تا دقت پیش بینی را افزایش دهد. همچنین، شبکه های عصبی مصنوعی (ann) به دلیل توانایی بالا در حل چنین مسائلی به منظور مقایسه و تایید نتایج بدست آمده، مورد استفاده قرار گرفته است. در نهایت آنالیز حساسیت برخی از پارامترها بر روی پیش بینی توان مزارع بادی مورد بررسی قرار گرفته است. نتایج نشان می دهد گرچه اکثر روش های فازی و ann توانایی خوبی برای حل مسئله پیش بینی دارند، اما الگوریتم پیشنهادی (rls-mlfe) به مراتب از دقت بهتری نسبت به دیگر روش ها برخوردار می باشد.

A New Method for Reducing Uncertainty of Wind Power Based on Fuzzy RLS-MLFE

Due to incremental use of renewable energies, some challenges have been arised in control of wind power systems. One of the important ones is the uncertainty of wind power that affects directly on the cost of utilization. In this paper some algorithms based on the fuzzy logic and neural networks have been implemented to analyze the uncertainty of the wind power using historical data collected from a sample wind field. The algoriths are BLS, RLS, MLFE and ANN. Simulation results show that all of the methods results in acceptable outputs but the accuracy of the cobined RLSMLFE is much better than the others.