اثر فصلی بر پیش‌بینی تولید انرژی در مزرعه بادی خشکی

چکیده

این مقاله به بررسی موضوعات کلیدی پیش‌بینی انرژی در مزارع بادی خشکی می‌پردازد. در این راستا، استفاده از شبکه عصبی برای پیش‌بینی توان تولیدی باد و پایداری آن در برابر تغییرات فصلی مورد بررسی قرار گرفته است. ساختارهای گوناگون شبکه‌های عصبی معرفی و دقت پیش‌بینی آن‌ها با یکدیگر مقایسه شده است.

کلمات کلیدی: پیش‌بینی توان باد، تأثیر فصلی (seasonality)، شبکه عصبی BP، کارایی، متعادل‌سازی انرژی

مقدمه

در بسیاری از مناطق اروپای مرکزی، به‌ویژه در لهستان، شتاب توسعه انرژی‌های تجدیدپذیر روزبه‌روز بیشتر می‌شود. اهمیت فزاینده این منابع، ضرورت ادغام مصرف‌کنندگان در گروه‌های منطقه‌ای یا کمون‌ها و بهره‌گیری از ذخیره‌سازهای انرژی مناسب را پررنگ کرده است [۱]. مدیریت تراز برق در بورس کالا امکان‌پذیر است و در این زمینه، مدل روند خزنده (creeping trend model) [۲] می‌تواند ابزاری کارآمد باشد. این مدل پیش‌بینی قیمت‌ها را در افق ۲۴ ساعته ممکن می‌سازد. همچنین، آماده‌سازی مناسب داده‌ها از طریق نرمال‌سازی، گامی کلیدی برای تحلیل‌های بعدی است [۳].

انرژی باد و خورشید در میان تمام منابع تجدیدپذیر، سریع‌ترین نرخ رشد را به خود اختصاص داده‌اند. هرچند در لهستان هنوز ساخت نخستین مزرعه بادی فراساحلی (offshore) در دست بحث است، اما تمایل به احداث مزارع داخلی با تعداد فزاینده توربین‌ها و ظرفیت نصب‌شده کلی، چشمگیر است. افزایش شمار مزارع بادی در لهستان، سرمایه‌گذاران را ناگزیر به احداث مزرعه در مناطقی با شرایط آب‌وهوایی دشوارتر می‌کند. این مزارع در فضاهای کوچک‌تر یا در مجاورت مزارع موجود ساخته می‌شوند و در نتیجه برهم‌کنش میان توربین‌ها – به‌ویژه از نظر تغییرپذیری فصلی باد و تلاطم آن – تشدید می‌شود. برای افزایش دقت پیش‌بینی سرعت باد [۴] و تولید انرژی [۵][۶] در مزارع بادی، مدل‌های آماری و فیزیکی گوناگونی با موفقیت توسعه یافته‌اند [۷][۸].

در این مقاله، سه مدل شبکه عصبی مبتنی بر شبکه‌های عصبی مصنوعی برای پیش‌بینی تولید انرژی از مزارع بادی خشکی مورد بررسی قرار می‌گیرد. مزیت اصلی این روش، زمان نسبتاً کوتاه لازم برای دستیابی به پیش‌بینی‌های دقیق است [۳]. مدل‌های به‌کاررفته بر پایه داده‌های واقعی مزرعه ساخته شده و تأثیر فصلی را نیز مد نظر قرار می‌دهند.

مزرعه بادی مورد مطالعه

مزرعه بادی مورد مطالعه شامل ۱۵ توربین از نوع Enercon GmbH E70–E4 است که هر یک توان نامی ۲ مگاوات دارند. میانگین تولید سالانه این مزرعه بیش از ۵۰٬۰۰۰ مگاوات‌ساعت است. این پارک بادی با ظرفیت نصب‌شده ۳۰ مگاوات بر روی تپه‌ای به مساحت ۲۷۰ هکتار قرار دارد. ارتفاع نسبی فلات حدود ۱۵۰ تا ۱۷۰ متر (معادل ۳۵۰ تا ۴۷۰ متر از سطح دریا) است. فاصله توربین‌ها از یکدیگر تقریباً ۴۵۰ متر است. ارتفاع هاب ژنراتور ۸۵ متر، قطر روتور ۷۱ متر و مساحت جاروب‌شده ۳٬۹۵۹ متر مربع می‌باشد. داده‌های این مطالعه از سال‌های ۲۰۱۲ تا ۲۰۱۴ (سه سال کامل) گردآوری شده و شامل بیش از ۱۵۰٬۰۰۰ بردار با فواصل ۱۰ دقیقه‌ای ثبت‌شده از سیستم SCADA است. پارامترهای مورد استفاده در این مطالعه عبارتند از: سرعت باد، جهت باد، توان تولیدی هر توربین و توان کل تولیدی مزرعه.

تأثیر فصلی بر عملکرد مزرعه بادی

توان تولیدی توربین‌های بادی به شدت تحت تأثیر سرعت باد و همچنین چگالی هوا قرار دارد. شرایط آب‌وهوایی در طول سال به صورت دوره‌ای تغییر می‌کند و حتی تغییرات جزیی در سرعت باد، دما، فشار و رطوبت می‌تواند تغییر چشمگیری در توان تولیدی ایجاد کند. در این بخش، تأثیر فصول مختلف بر سرعت و جهت باد و همچنین حجم تولید انرژی تحلیل شده است.

شکل‌های ۱ تا ۴، فراوانی سرعت باد را با تفکیک ۱ متر بر ثانیه برای هر یک از فصول نمایش می‌دهند. این نمودارها شرایط کاری مزرعه را به صورت تعداد وقایع ثبت‌شده سرعت باد در کل فصول مورد تحلیل خلاصه کرده‌اند.

شکل ۱. درصد تعداد وقایع بر حسب سرعت باد – بهار

شکل ۲. درصد تعداد وقایع بر حسب سرعت باد – تابستان

شکل ۳. درصد تعداد وقایع بر حسب سرعت باد – پاییز

شکل ۴. درصد تعداد وقایع بر حسب سرعت باد – زمستان

بررسی شکل‌های ۱ تا ۴ تفاوت‌های محسوسی در شدت باد میان فصول را نشان می‌دهد. در بهار و تابستان، باد عمدتاً با سرعت ۵-۶ متر بر ثانیه می‌وزد. این سرعت در پاییز به ۶-۷ متر بر ثانیه و در زمستان به ۷-۸ متر بر ثانیه افزایش می‌یابد. بیشترین تفاوت میان تابستان و زمستان مشاهده می‌شود. اگرچه تغییر سرعت به ظاهر اندک است، اما تأثیر قابل توجهی بر انرژی تولیدی دارد. شکل‌های ۵ و ۶ فراوانی و میزان انرژی را بر حسب جهت باد (با گام ۱۵ درجه) برای دو فصل متفاوت – تابستان و زمستان که به ترتیب بیشترین و کمترین توان خروجی را دارند – خلاصه می‌کنند. توزیع جهت باد در هر دو فصل مشابه است و در بیشتر موارد، باد از جهت جنوب و جنوب غربی می‌وزد.

شکل ۵. فراوانی و مقدار توان مزرعه بادی بر حسب جهت باد – تابستان

شکل ۶. فراوانی و مقدار توان مزرعه بادی بر حسب جهت باد – زمستان

این داده‌ها نشان می‌دهند که تأثیر فصلی بر سرعت و جهت باد غیرقابل انکار است و باید در مدل‌های پیش‌بینی توان لحاظ شود. در ادامه مقاله، مدل‌های شبکه عصبی با در نظر گرفتن این تغییرات فصلی برای بهبود دقت پیش‌بینی ارائه خواهند شد. دقت پیش‌بینی تولید انرژی مستقیماً بر کیفیت توان شبکه تأثیر می‌گذارد و به کاهش هارمونیک‌های ناشی از نوسانات توان باد کمک می‌کند.

اثر فصلی بر پیش‌بینی تولید انرژی در مزرعه بادی خشکی

شکل‌های ۵ و ۶ دو فصل کاملاً متفاوت از سال را نشان می‌دهند؛ فصلی با بیشترین و فصلی با کمترین توان خروجی ثبت‌شده. توزیع جهت باد در هر دو فصل تقریباً یکسان است و باد بیشتر اوقات از سمت جنوب و جنوب‌غربی می‌وزد.

میزان تولید انرژی به شدت به سرعت متغیر باد وابسته است. شکل‌های ۷ و ۸ در زیر، وابستگی توان به سرعت باد را برای تابستان و زمستان نشان می‌دهند.

شکل ۷. تغییرات توان بر حسب سرعت باد – تابستان

شکل ۸. تغییرات توان بر حسب سرعت باد – زمستان

شکل ۹. تفاوت تغییرات توان بر حسب سرعت باد برای تابستان و زمستان

شکل‌های ۷ و ۸ نشان می‌دهند که برای سرعت‌های باد یکسان، میانگین تولید توان متفاوتی ثبت شده است.

همانطور که در شکل ۹ دیده می‌شود، در زمستان تولید به‌طور میانگین حتی ۸٪ بیشتر از دوره تابستان برای سرعت‌های باد ۱۲-۱۵ متر بر ثانیه است. برای سرعت باد کمتر (۳-۱۲ متر بر ثانیه) وضعیت برعکس مشاهده می‌شود.

توان باد را می‌توان با وابستگی زیر توصیف کرد:

P_t = ½ · c_p · ρ · A · v³

که در آن: P_t توان توربین [وات]، c_p بازده، D قطر روتور، ρ چگالی هوا.

چگالی هوای مرطوب را می‌توان با فرمول زیر بیان کرد:

که در آن: ρ چگالی هوا [kg/m³]، P فشار [Pa]، T دما [K]، φ رطوبت نسبی [٪]، φ = e/E₂·۱۰۰ [٪]، e فشار بخار جاری [Pa]، e = E₂·φ/100، E₁ حداکثر فشار بخار [kg/m³]، R_ps ثابت گاز خشک فردی هوا [J/kg·K]، R_H₂O ثابت گاز بخار ثابت فردی [J/kg·K].

همانطور که از فرمول‌های (۱) و (۲) مشخص است، علاوه بر سرعت باد، عوامل دیگری مانند دما، رطوبت یا فشار نیز حجم تولید انرژی را تعیین می‌کنند. جدول ۱ اطلاعات بیشتری درباره تغییرات این پارامترها بسته به فصل ارائه می‌دهد.

میانگین سرعت باد بسته به فصل کمی تغییر می‌کند و تفاوت تنها ۱.۸ متر بر ثانیه است. تفاوت‌های بزرگ‌تری برای پارامترهایی مانند میانگین، حداقل و حداکثر دما مشاهده می‌شود. یک وضعیت نامطلوب کاهش دما به زیر ۰ درجه سانتی‌گراد است که ممکن است باعث یخ‌زدگی پره‌های توربین بادی شود. این پدیده آیرودینامیک پره‌ها را تغییر می‌دهد و می‌تواند منجر به کاهش قابل توجه انرژی الکتریکی تولیدی، و در موارد شدید، آسیب به فن شود. دماهای زیر صفر در پاییز و زمستان ثبت شده‌اند. در این دوره‌ها، افزایش چشمگیری در میانگین توان ۱۵ دقیقه‌ای مزرعه بادی دیده می‌شود: ۳.۶ مگاوات در پاییز و ۴.۹ مگاوات در زمستان نسبت به تابستان، که به‌ترتیب معادل ۵۲٪ و ۷۰٪ افزایش نسبت به توان متوسط همان فصل است.

حالت‌های عملیاتی ناخواسته مزرعه بادی

در طول سال‌های ۲۰۱۲-۲۰۱۴ سرعت باد تغییرات گسترده‌ای داشت. برای اطمینان از ایمنی و به‌حداکثر رساندن بازده، بر اساس سرعت باد محدودیت‌هایی برای توربین‌های مزرعه بادی اعمال می‌شود. برای توربین‌های بادی مورد نظر، سه محدوده سرعت باد تعریف می‌شود: سرعت شروع به کار (Cut-in Wind Speed) (۰-۳ متر بر ثانیه)، سرعت نامی (Rated Wind Speed) (۳-۲۸ متر بر ثانیه) و سرعت توقف (Cut-out Wind Speed) (بیش از ۲۸ متر بر ثانیه). تحلیل فراوانی حضور مزرعه در این محدوده‌های سرعت برای داده‌های سال‌های ۱۳۹۱-۱۳۹۳ هیچ حادثه‌ای که باعث خاموشی اضطراری توربین به دلیل باد شدید شود (سرعت توقف بیش از ۲۸ متر بر ثانیه) نشان نداد. در اکثر قریب به اتفاق اندازه‌گیری‌های ۱۵ دقیقه‌ای (بیش از ۸۰٪ از کل اندازه‌گیری‌ها)، سرعت باد در محدوده عملیات عادی مزرعه بادی بود. تفاوت حجم مجموعه داده‌ها بسته به فصل در محدوده ۶.۱±٪ بود.

شکل ۱۰. درصد تعداد وقوع برای حالت عملیاتی – چهار فصل

در اروپای مرکزی، به دلیل دماهای زیر صفر، لازم است پدیده یخ‌زدگی پره‌های توربین بادی نیز در نظر گرفته شود. این پدیده آیرودینامیک پره‌ها را تغییر می‌دهد و می‌تواند منجر به کاهش قابل توجه انرژی الکتریکی تولیدی، و در موارد شدید، آسیب به فن شود.

ساخت مدل‌های عصبی با در نظر گرفتن فصلی بودن

A. انتخاب مدل‌های پیش‌بینی

این فصل نتایج پیش‌بینی توان خروجی یک مزرعه بادی خشکی با ۱۵ توربین را برای سه مدل پیش‌بینی مختلف ارائه می‌دهد. فرآیند یادگیری شبکه عصبی با استفاده از پسانتشار (Back Propagation (BP-neural network)) و الگوریتم لونبرگ-مارکارد (Levenberg Marquardt) انجام شد. اعتبارسنجی مدل‌ها با استفاده از داده‌های واقعی هواشناسی انجام شد. مجموعه‌های آموزشی طوری انتخاب شدند که دو سال کامل، شامل هر چهار فصل، به دست آید.

مجموعه داده‌های اعتبارسنجی شامل اندازه‌گیری‌های یک سال کامل است. انواع و ساختارهای مختلف شبکه‌های عصبی مصنوعی (Artificial Neural Networks – ANN) که به پیش‌بینی انرژی در مزارع بادی اختصاص دارند در [۴] پیشنهاد شده است. ANN قابلیت توسعه دارند، زیرا می‌توانند به‌طور مستقل یا همراه با روش دیگری برای پیش‌بینی توان باد کار کنند. هر دو حالت (استفاده مستقل یا ترکیبی) به‌عنوان ساختارهای هیبریدی (Hybrid Structures) شناخته می‌شوند [۵]. مدل I یک نقطه مرجع است که بر اساس ارقام سالانه کامل ساخته شده است. مدل II شامل چهار زیرمدل است که هر یک به‌طور مستقل به یک فصل اختصاص دارد. مدل III پدیده فصلی را به‌صورت اطلاعاتی درباره ماهی که پیش‌بینی برای آن انجام شده است در نظر می‌گیرد.

مدل I – P_out = f (V_avg)

اولین و ساده‌ترین مدل، توان تولیدی را بر اساس میانگین سرعت باد برای کل مزرعه بادی پیش‌بینی می‌کند. قوانین عملکرد شبکه عصبی مدل I در شکل ۱۱ نشان داده شده است.

شکل ۱۱. یک شبکه عصبی BP با ورودی میانگین سرعت باد

مدل II – P_out (فصل) = f (V_avg)

مدل دوم به روشی مشابه مدل اول ساخته شد، با این تفاوت که چهار مدل از شبکه‌های عصبی آموزش‌دیده با استفاده از مجموعه داده‌های انتخابی برای فصول مختلف تهیه شد. در نتیجه چهار شبکه عصبی برای هر فصل به‌طور جداگانه به دست آمد. قوانین عملکرد مدل II در شکل ۱۲ نشان داده شده است.

شکل ۱۲. چهار شبکه عصبی برای هر فصل به‌طور مستقل

مدل III – Pout = f (Vavg ,month )

مدل III مشابه مدل I است با این تفاوت که تأثیر فصلی به عنوان ورودی اضافی در شبکه عصبی در نظر گرفته شده است. در ورودی شبکه عصبی، متوسط سرعت باد برای کل مزرعه و شماره ماهی که پیش‌بینی‌ها برای آن انجام شده، معرفی شده است.

قوانین عملی مدل III در شکل ۱۳ ارائه شده است.

شکل ۱۳. – شبکه عصبی BP-تک‌لایه، ورودی متوسط سرعت باد و تاریخ (ماه)

که در آن: Pout – توان خروجی پارک بادی بر حسب مگاوات، Date (ماه) – شماره ماهی که پیش‌بینی برای آن انجام شده است (از ۱ تا ۱۲)،

B. شاخص‌های مدل‌ها

ارزیابی کارایی مدل‌ها برای یک دوره یک‌ساله انجام شد، با مقایسه:

• ارزیابی مجدد، کم‌ارزیابی و خطای پیش‌بینی مطلق
• خطای پیش‌بینی مطلق میانگین (MAE)،
• خطای درصدی مطلق میانگین (MAPE)

نرخ دستیابی به پیش‌بینی با دقت ۰.۷۵ مگاوات و ۱.۵ مگاوات، که معادل ± ۲.۵% و ± ۵% از ظرفیت نصب‌شده باد است.

تأیید و مقایسه مدل‌ها

این فصل نتایج ارزیابی تولید برق برای سه مدل پیشنهادی را ارائه می‌دهد. پیش‌بینی برای یک مزرعه بادی بر روی زمین انجام شده است.

روش پیش‌بینی، استفاده از شبکه‌های عصبی مصنوعی برای تولید نتایج رضایت‌بخش امکان‌پذیر می‌سازد. هنگام بررسی انتخاب مجموعه‌های مختلف ساختاری، وابستگی قوی کیفیت پیش‌بینی‌ها به مجموعه آموزشی انتخاب‌شده مشاهده شد. جدول II نتایج دقت پیش‌بینی برای هر یک از مدل‌های پیش‌بینی برای سه مدل ارائه می‌دهد.

شکل ۱۴ و شکل ۱۵ نتایج دقت پیش‌بینی برای فصل‌های مختلف را نشان می‌دهند:

شکل ۱۴. دقت پیش‌بینی‌ها – درصد خطاهایی که در ±۲.۵% ظرفیت نصب‌شده قرار دارند.

شکل ۱۵. دقت پیش‌بینی‌ها – درصد خطاهایی که در ±۵% ظرفیت نصب‌شده قرار دارند.

نتیجه‌گیری

داده‌های الکتریکی و هواشناسی بلندمدت از سه سال عملیات مزرعه بادی (با در نظر گرفتن تأثیر فصلی) برای بررسی روش‌های پیش‌بینی مبتنی بر سه مدل مختلف شبکه‌های عصبی استفاده شد.

تحلیل داده‌های اندازه‌گیری تأثیر فصل‌ها و در نتیجه تأثیر تغییرات چرخه‌ای بر حجم تولید انرژی را تأیید کرد. تغییرات سرعت باد و دما تأثیر قابل‌توجهی بر عملکرد مزرعه بادی دارند. بزرگ‌ترین حجم تولید انرژی در پاییز و زمستان ثبت شد. کوچک‌ترین تولید متوسط انرژی در تابستان ثبت گردید. با وجود افزایش ناچیز سرعت متوسط باد در پاییز و زمستان، تولید انرژی متوسط تغییرات قابل‌توجهی داشت، در پاییز ۸۰% و در زمستان بیش از ۱۰۸% نسبت به تابستان که کمترین تولید را داشت، افزایش یافته است.

به دلیل تغییرات فصلی پدیده‌های هواشناسی، سه مدل شبکه عصبی بهینه‌شده برای تأثیر فصلی بر مزرعه بادی کاری پیشنهاد و مقایسه شده‌اند. مدل سوم بهترین بود، اما به داده‌های بلندمدت نیاز دارد. در ورودی مدل، اطلاعاتی درباره سرعت باد و ماهی که برای آن پیش‌بینی تولید انرژی انجام شده، داده شده است. اینگونه گنجاندن پدیده‌های چرخه‌ای در این حالت مؤثرترین نتیجه را به دنبال داشت. معیاری که وجود داشت نیاز به یک مجموعه آموزشی بزرگ است تا شبکه عصبی آموزش ببیند. چنین مجموعه‌ای امکان آماده‌سازی دامنه وسیعی از پیش‌بینی‌های انرژی از یک مزرعه بادی را فراهم می‌کند. داده‌های خیلی کم ممکن است به عدم بازیابی کامل منحنی توان یک مزرعه بادی منجر شود. برای تابستان و پاییز، مدل II که بر اساس داده‌های انتخاب‌شده برای فصول مختلف تهیه شده است، کمی بهتر بود. برای بهار و زمستان، ساده‌ترین مدل I کمی بهتر از مدل II شد.

منابع

1. Całus D., Oźga K., Popławski T., Michalski A., Szczepański K., Możliwości i horyzonty ekoinnowacyjności – Zielona energia, Wydawnictwo Instytut Naukowo-Wydawniczy “Spatium”, Częstochowa 2018
2. Popławski, T., Weżgowiec M., Krótkoterminowe prognozy cen na Towarowej Giełdzie Energii z wykorzystaniem modelu trendu pełzającego, Przegląd Elektrotechniczny, 91, (2015), nr 12, 267-270
3. Ciechulski T., Osowski S., Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych, Przegląd Elektrotechniczny, 94, (2018), nr 9, 108-112
4. Yuan-Kang Wu, Po-En Su, Ting-Yi Wu, Jing-Shan Hong, Yusri M. H., Probabilistic Wind-Power Forecasting Using Weather Ensemble Models, IEEE Transactions on Industry Applications, (2018), 54, 6, 5609-5620
5. Yang M., Lin Y., Zhu S., Han X., Wang H., Multi-dimensional scenario forecast for generation of multiple wind farms, Journal of Modern Power Systems and Clean Energy, 2015, 3, 3, 361-370
6. Ciu M., Ke D., Gan D., Sun Y., Statistical scenarios forecasting method for wind power ramp events using modified neural networks, Journal of Modern Power Systems and Clean Energy, 2015, 3, 3, 371-380
7. Safari N., Chung C. Y., Price G. C. D., Novel Multi-Step ShortTerm Wind Power PredictionFramework Based on Chaotic Time Series Analysisand Singular Spectrum Analysis, IEEE Transactions on Power Systems, (2018), 33, 1, 590-601
8. M. Qi, G. P. Zhang, Trend Time Series Modeling and Forecasting With Neural Networks”, IEEE Transactions on neural networks, vol. 19, no. 5, May 2008
9. D. Wu, H. Wang, Application of BP neural network to power predioction of wind power generation unit in microgrid, Engineering Technology and Applications, London 2014.
10. Z. Liu, W.Gao, Y.-H. Wan, E. Muljadi, “Wind Power Plant Prediction by Using Neural Network”, IEEE Energy Conversion Conference and Exposition, August 2012
11. Wen-Yeau Chang, “Short-Term Wind Power Forecasting Using the Enhanced Particle Swarm Optimization Based Hybrid Method, Energies, (2013), 6, 4879-4896

نویسندگان: mgr inż. ماته‌وش دوتکا، دانشگاه علوم و فناوری AGH، دپارتمان الکترونیک قدرت و سیستم‌های کنترل انرژی، خیابان میکی‌ویچا ۳۰، ۳۰-۰۵۹ کراکوف، لهستان، ایمیل: mdutka@agh.edu.pl; dr inż. بگو‌سواف شیوانتک، دانشگاه علوم و فناوری AGH، دپارتمان الکترونیک قدرت و سیستم‌های کنترل انرژی، خیابان میکی‌ویچا ۳۰، ۳۰-۰۵۹ کراکوف، لهستان، ایمیل: boswiate@agh.edu.pl.

شناسه منبع و ناشر: PRZEGLĄD ELEKTROTECHNICZNY، ISSN ۰۰۳۳-۲۰۹۷، R. ۹۵ NR ۷/۲۰۱۹. doi:۱۰.۱۵۱۹۹/۴۸.۲۰۱۹.۰۷.۲۵

منتشر شده توسط PQBlog

مهندس برق

بیشتر پست‌ها را مشاهده کنید

پرسش‌های متداول

اثر فصلی بر پیش‌بینی تولید انرژی مزرعه بادی چیست؟

اثر فصلی به تغییرات دوره‌ای شرایط آب‌وهوایی مانند سرعت و جهت باد در طول سال اشاره دارد که بر میزان توان تولیدی توربین‌های بادی تأثیر می‌گذارد و باید در مدل‌های پیش‌بینی لحاظ شود.

چرا پیش‌بینی دقیق توان باد برای کیفیت توان اهمیت دارد؟

پیش‌بینی دقیق توان باد به اپراتورهای شبکه اجازه می‌دهد تا نوسانات توان را مدیریت کرده و با استفاده از تجهیزاتی مانند فیلترهای هارمونیک، کیفیت توان الکتریکی را بهبود بخشند.

شبکه عصبی BP چیست و چگونه در پیش‌بینی باد استفاده می‌شود؟

شبکه عصبی BP (Backpropagation) نوعی شبکه عصبی مصنوعی است که با یادگیری از داده‌های تاریخی، می‌تواند روابط غیرخطی بین پارامترهای باد و توان تولیدی را مدل‌سازی کرده و پیش‌بینی‌های دقیقی ارائه دهد.

چه عواملی غیر از سرعت باد بر تولید انرژی مزرعه بادی تأثیر می‌گذارند؟

عواملی مانند چگالی هوا، دما، فشار، رطوبت، جهت باد و تلاطم جریان هوا نیز بر توان خروجی توربین‌های بادی تأثیر دارند.

چگونه می‌توان دقت پیش‌بینی تولید مزرعه بادی را افزایش داد؟

با استفاده از مدل‌های ترکیبی آماری و فیزیکی، شبکه‌های عصبی با داده‌های آموزشی کافی، و لحاظ کردن اثر فصلی و داده‌های بلادرنگ می‌توان دقت پیش‌بینی را بهبود بخشید.

منبع: powerquality.blog