مقایسه‌ی شبکه‌های عصبی mlp و svr جهت مدل‌سازی و عیب‌یابی توربین‌بادی نیروگاه بادی کهک

در این مقاله به مدل‌سازی و سپس عیب‌یابی توربین بادی با استفاده از شبکه‌های عصبی هوشمند mlp و svr پرداخته شده است. عیب‌یابی  و مدل‌سازی مربوط به بخش سیستم الکتریکال توربین بادی موردنظر می‌باشد. داده‌های واقعی دریافتی از توربین بادی مربوط به سایت نیروگاه بادی کهک به‌عنوان اطلاعات پایه‌ای مورد نیاز برای انجام مدل‌سازی و عیب‌یابی مورد استفاده قرار گرفته است. پس از مدل‌سازی توربین بادی توسط دو شبکه‌ی عصبی ذکر شده در بالا، مقایسه این دو روش اتفاق افتاده است و میزان دقت و مقادیر انواع خطاهای مدل‌سازی برای هریک از این دو روش بررسی و تحلیل شده است و نتایج حاکی از دقت و صحت روش svr در مدل‌سازی و به‌طبع آن دقت و صحت در عیب‌یابی توربین بادی می‌باشد. شبیه‌سازی‌های انجام گرفته در نرم‌افزار matlab بوده است و این نرم‌افزار یکی از نرم‌افزارهای بسیار پرکاربرد و مورد اعتماد در زمینه‌ی شبیه‌سازی سیستم‌های الکتریکی و الکترومکانیکی است. نتایج مربوط به شبیه‌سازی‌ها و مدل‌سازی‌ها در قالب شکل‌های مختلف در متن مقاله آورده شده است. قابل ذکر است که عیب‌یابی انجام شده برای سنسور سرعت ژنراتور توربین بادی می‌باشد و اساس مدل‌سازی و عیب‌یابی روش داده محور است.

comparing svr and mlp neural network for modelling and fault detection of kahak wind farm

in this paper we use svr and mlp neural network for modelling and fault detection of kahak wind turbines. electrical subsystems is our purpose for modelling and fault detection. we have actual data and real parameters about 2.5 mw wind turbines that installed in kahak wind farme. in first step we modelled and fault datect with two approach, support vector regresion (svr) and multi layer perceptron (mlp), in second step we compare model error and accurase of svr and mlp approach, that we can see svr approach is better than mlp approach according modelling error. we use matlab software for this work.