پیش‌بینی تولید انرژی بادی بر اساس داده‌های هواشناسی با استفاده از شبکه‌های عصبی

چکیده

افزایش سهم منابع انرژی تجدیدپذیر در ساختار سیستم‌های انرژی، چالش‌های متعددی را برای عملکرد صحیح شبکه به وجود می‌آورد. این مسئله به‌ویژه در شبکه‌های ولتاژ پایین آشکار است، جایی که تعداد زیادی از نصب‌های خورشیدی و بادی به شبکه متصل هستند. برای مدیریت صحیح و در نتیجه، دستیابی به عملکرد اقتصادی سیستم‌های برق، پیش‌بینی دقیق مصرف و تولید برق در شبکه‌های با سطوح ولتاژ مختلف ضروری است. مولد‌های برق متعارف تولید پایدار و قابل تنظیم دارند، در حالی که تولید برق از منابع تجدیدپذیر، به‌ویژه از نیروگاه‌های بادی، وابسته به شرایط جوی خارجی است و نیازمند رویکردی دقیق‌تر در پیش‌بینی می‌باشد. هدف این مقاله ارائه روشی برای پیش‌بینی قدرت تولیدی توربین‌های بادی بر اساس داده‌های هواشناسی عمومی در دسترس است. روش پیشنهادی بر پایه نظریه شبکه‌های عصبی طراحی شده است.

مقدمه

امروزه، انرژی‌های تجدیدپذیر بخش قابل توجهی از ساختار تولید برق را تشکیل می‌دهند. مزایای به‌کارگیری این منابع شامل کاهش انتشار CO₂ و کاهش مصرف سوخت‌های هیدروکربنی است، اما در عین حال، چالش‌های مهمی نیز وجود دارد؛ به‌ویژه مدیریت و کنترل سیستم‌های برق با تولید ناپایدار، که بسیار پیچیده است.

با این حال، در حالی که نیروگاه‌های بزرگ بادی از تجهیزات و داده‌های لازم برای پیش‌بینی تولید برق بر اساس شرایط جوی برخوردارند، نیروگاه‌های کوچک بادی (مشتریان پروسومر) فاقد این توانایی هستند و تنها به پیش‌بینی‌های جوی معمول متکی‌اند. اپراتور شبکه برق باید داده‌های پیش‌بینی‌شده از تولید کوتاه‌مدت و بلندمدت نیروگاه‌های بادی را در اختیار داشته باشد تا عملکرد اقتصادی سیستم را همراه با تولید توزیع‌شده حفظ کند، بدون آنکه قابلیت اطمینان آن کاهش یابد.

تولید برق در توربین‌های بادی به عوامل متعددی مانند سرعت باد، جهت باد، دما، فشار هوا و غیره بستگی دارد که باید در مدل پیش‌بینی مدنظر قرار گیرند.

در حال حاضر، بیشتر توجه به مسئله پیش‌بینی تولید برق از نیروگاه‌های بزرگ بادی معطوف شده است، زیرا این نیروگاه‌ها از تجهیزات هواشناسی و منابع داده‌ای لازم برای انتقال برنامه تولید برق به اپراتور شبکه برخوردارند.

با این حال، پیش‌بینی تولید برق از پروسومرهای توربین‌های کوچک بادی نیز اهمیت دارد، زیرا آن‌ها نیز می‌توانند تأثیر قابل توجهی بر جریان برق و وضعیت عملیاتی سیستم برق داشته باشند.

روش تحقیق

امروزه، شبکه‌های عصبی از پیشرفته‌ترین و دقیق‌ترین روش‌ها برای پیش‌بینی و ارزیابی فرآیندهای مختلف در مهندسی برق هستند. کارایی آن‌ها در تحقیقات قبلی تأیید شده و مزایای اصلی آن‌ها از جمله دقت بالا، چندکاره بودن و انعطاف‌پذیری، مورد تأکید قرار گرفته است.

یک نورون واحد، واحد پردازش اطلاعاتی است که برای عملکرد شبکه عصبی اساسی است. شماتیک شکل ۱ مدل یک نورون را نشان می‌دهد که اساس طراحی یک خانواده بزرگ از شبکه‌های عصبی است که در ادامه مورد بررسی قرار خواهند گرفت. در اینجا، سه عنصر اصلی مدل نورونی شناسایی می‌شوند:

• مجموعه‌ای از سیناپس‌ها یا پیوندهای ارتباطی که هر یک با وزن یا قدرت خاص خود مشخص می‌شوند. به‌طور خاص، سیگنال xj در ورودی سیناپس j متصل به نورون k با وزن سیناپتیک wkj ضرب می‌شود. توجه به نحوه نمایه‌بندی‌شده زیرنویس‌های wkj مهم است، زیرا زیرنویس اول به نورون مربوطه و زیرنویس دوم به انتهای ورودی سیناپس اشاره می‌کند.
• برخلاف وزن سیناپس در مغز، وزن سیناپتیک یک نورون مصنوعی می‌تواند مقادیر مثبت و منفی را در بر بگیرد.

پیش‌بینی تولید انرژی بادی بر اساس داده‌های هواشناسی با استفاده از شبکه‌های عصبی

کلید کانونی: پیش‌بینی انرژی بادی

بخش دوم: مدل سازی و داده‌ها

ساختار نورون مصنوعی

یک نورون مصنوعی، واحد پایه‌ای یک شبکه‌ی عصبی است که از چند بخش اصلی تشکیل شده است. در ابتدا، یک جمع‌کننده سیگنال‌های ورودی را دریافت کرده و آنها را بر اساس وزن‌های سیناپتیکی که نقش اتصالات بین نورون‌ها را دارند، ترکیب می‌کند. این عملیات، در واقع یک ترکیب‌گر خطی است. سپس، یک تابع فعال‌ساز محدوده‌ی خروجی نورون را کنترل کرده و مانع از رشد بی‌نهایت آن می‌شود؛ به همین دلیل به آن تابع فشرده‌ساز نیز گفته می‌شود. این تابع، مقدار خروجی را در یک بازه‌ی مشخص نگه می‌دارد.

مدل غیرخطی یک نورون مانند مدل نشان داده شده در شکل ۱، علاوه بر بخش‌های فوق، شامل یک مقدار منع‌شده (Bias) خارجی به نام bk است. این مقدار، بسته به مثبت یا منفی بودن، ورودی خالص تابع فعال‌ساز را افزایش یا کاهش می‌دهد و نقش آستانه‌ی فعال‌سازی را ایفا می‌کند.

شکل ۱. مدل غیرخطی یک نورون

از دیدگاه ریاضی، عملکرد این نورون (k) را می‌توان با دسته معادلات زیر [۱۱] توصیف کرد:

.

و

.

که در اینجا:

– x1، x2، …, xm: سیگنال‌های ورودی به نورون هستند.

– wk1، wk2، …, wkm: وزن‌های سیناپتیکی مربوط به نورون k را نشان می‌دهند.

– vk: خروجی ترکیب‌گر خطی حاصل از ورودی‌هاست.

– bk: مقدار منع‌شده (Bias) است.

– φ(·): تابع فعال‌ساز را نمایش می‌دهد.

– yk: سیگنال خروجی نهایی نورون k است.

منابع داده

برای آموزش مدل شبکه‌ی عصبی، از داده‌های تولید برق که از وب‌سایت بازار انرژی استرالیا استخراج شده بود، استفاده شد. این مجموعه شامل سری زمانی تولید برق از نیروگاه‌های بادی مختلف استرالیا در سال ۲۰۱۸، با گام زمانی ۵ دقیقه (در حدود ۱۰۵,۰۰۰ نقطه داده) می‌شد. در این مطالعه، به طور خاص از داده‌های نیروگاه بادی ۱۹۵ مگاواتی پورت‌لند استفاده شد. دلیل این انتخاب، دسترسی آزاد به داده‌ها و نزدیکی فیزیکی (حدود ۱۶ کیلومتر) آن به یک ایستگاه هواشناسی در فرودگاه پورت‌لند (شکل ۲) بود. برای هماهنگی با داده‌های هواشناسی، گام زمانی داده‌ها در مرحله‌ی پیش‌پردازش به ۱ ساعت کاهش یافت.

شکل ۲. موقعیت نسبی نیروگاه بادی و ایستگاه هواشناسی در پورت‌لند (استرالیا)

داده‌های هواشناسی از آرشیو ایستگاه مستقر در فرودگاه پورت‌لند [۱۴] به دست آمدند و شامل پارامترهایی چون زمان، دما، فشار هوا، سرعت و جهت باد و همچنین روند فشار (شکل ۳) بودند. برای تسهیل استفاده در شبکه‌ی عصبی، داده‌های زمانی به صورت کسری از یک شبانه‌روز (بازه ۰ تا ۱) نرمال‌سازی شدند. جهت باد نیز به صورت یک بُعد از فضای گل‌برگ باد (با مقیاس ۰.۰۱ بخش زاویه‌ای) بازنمایی شد (برای مثال: شمال=۰، شرق=۰.۹، جنوب=۱.۸). سایر متغیرها بدون تغییر استفاده شدند.

شکل ۳. دیاگرام بلوکی منابع داده برای آموزش شبکه‌ی عصبی

ایجاد و آموزش شبکه‌ی عصبی

برای پیش‌بینی تولید برق، یک شبکه‌ی عصبی با معماری و پارامترهای زیر طراحی شد (انتخاب این متغیرها بر پایه‌ی امکان دستیابی به پیش‌بینی‌های سریع و با کیفیت بالا در سناریوهای مختلف صورت گرفته بود):

– تعداد لایه‌ها: ۲

– تابع فعال‌ساز لایه‌ی اول: لگ-سیگموئید

– تابع فعال‌ساز لایه‌ی دوم: خطی

– الگوریتم آموزش: بک‌پروپاگیشن با بهینه‌سازی بیزین

تعداد نورون‌های مخفی (N) بر اساس تجربه [۹] و با استفاده از رابطه‌ی زیر تعیین شد:

.

که NIN برابر با تعداد ورودی‌ها (در این مورد ۶) است. شکل ۴ مدل ساده‌ی این شبکه را که با بسته‌ی ابزار شبکه‌های عصبی در محیط MATLAB ساخته شده، نشان می‌دهد.

شکل ۴. ساختار ساده‌ی شبکه‌ی عصبی برای پیش‌بینی تولید نیروگاه‌های بادی

اعتبارسنجی و نتایج

نمودار عملکرد (شکل ۵) نشان می‌دهد که نقطه‌ی بهینه‌ی عملکرد مدل روی داده‌ی اعتبارسنجی در کدام تکرار رخ داده است. آموزش پس از آن برای ۶ تکرار دیگر ادامه یافت تا متوقف شد. در این مثال خاص، هیچ نشانه‌ی آشکاری از بیش‌برازش (Overfitting) دیده نمی‌شود، چرا که منحنی‌های اعتبارسنجی و آزمایش تقریباً هم‌روند هستند.

شکل ۵. نمودار عملکرد شبکه‌ی عصبی

مرحله‌ی بعدی اعتبارسنجی، بررسی نمودارهای رگرسیون (شکل ۶) است که همبستگی بین خروجی‌های شبکه و مقادیر واقعی (اهداف) را نشان می‌دهد. در حالت ایده‌آل، خروجی‌ها باید دقیقاً با اهداف برابر باشند (خط نقطه‌چین)، اما در عمل این امر نادر است. خط توپر، بهترین خط رگرسیون خطی برازش شده بر داده‌ها را نمایش می‌دهد. مقدار ضریب همبستگی (R) شاخصی کلیدی است؛ اگر R به ۱ نزدیک باشد، نشان‌دهنده‌ی رابطه‌ی خطی قوی بین خروجی و هدف است. در این نمونه، مقدار R برای داده‌های آموزشی بالا بوده و برای مجموعه‌های اعتبارسنجی و آزمایش نیز حدود ۰.۹ به دست آمد که حاکی از برازش مناسب مدل است. نمودارهای پراکندگی کمک می‌کنند تا نقاطی که برازش ضعیف‌تری دارند، شناسایی شوند.

شکل ۶. نمودارهای رگرسیون آموزشی، اعتبارسنجی و آزمایشی

شکل ۷، یک مثال واقعی از پیش‌بینی تولید برق (خط نارنجی) در مقایسه با مقادیر واقعی (خط آبی) را در طول دوره‌ی آموزش نشان می‌دهد. پیش‌بینی برای بازه‌های مختلف داده‌ای (از ۱۵۰۰ تا ۵۵۰۰ نقطه) انجام شد. همچنین، قابلیت پیش‌بینی برای ۱۰۰ ساعت آینده با دقت خوبی وجود داشت.

شکل ۷. مثالی از پیش‌بینی تولید برق در مقایسه با مقادیر اندازه‌گیری شده

ارزیابی خطای پیش‌بینی

جدول ۱ خطاهای متوسط پیش‌بینی را برای نیروگاه‌های بادی نشان می‌دهد. ابتدا، خطای مطلق (Err) با استفاده از معادله‌ی زیر به واحد مگاوات محاسبه شد:

.

سپس، برای هر نقطه، خطای نسبی بر حسب درصد ظرفیت نصب‌شده‌ی نیروگاه (P) به دست آمد:

.

برای محاسبه‌ی خطای برداری میانگین درصدی، از فرمول زیر استفاده شد:

در این معادله، MeanErrPer نمایانگر مقدار خطای میانگین به درصد است و N تعداد مقادیر پیش‌بینی‌شده‌ی تولید الکتریسیته را نشان می‌دهد.

در جدول ۱، مقایسه‌ی خطاهای میانگین هنگام بهره‌گیری از دامنه‌های مختلف مجموعه داده‌ها ارائه شده است:

نتیجه‌گیری

استفاده از شبکه‌های عصبی برای پیش‌بینی تولید الکتریسیته در نیروگاه‌های بادی، از جمله نیروگاه‌های خصوصی کم‌توان، پیش‌بینی‌های دقیقی (با خطای میانگین ۱ تا ۲ درصد) ارائه می‌دهد.

برای مزارع بادی خصوصی کوچک که فاقد ایستگاه‌های هواشناسی اختصاصی هستند، امکان دستیابی به پیش‌بینی‌های دقیق با استفاده از داده‌های پیش‌بینی هواشناسی متعارف (شامل دما، فشار هوا و به‌ویژه سرعت و جهت باد) به‌عنوان داده‌های اولیه وجود دارد.

هنگام بهره‌گیری از شبکه‌های عصبی برای پیش‌بینی، لازم است الزامات مربوط به کیفیت و حجم داده‌های اولیه به‌دقت در نظر گرفته شود. به‌عنوان مثال، هنگامی که از یک نمونه‌ی ۱۵۰۰ تایی برای آموزش شبکه استفاده شد، خطای میانگین ۱۴.۳ درصد به دست آمد، اما با افزایش حجم نمونه به ۲۵۰۰ مقدار، این خطا به تنها ۱.۱۵ درصد کاهش یافت (جدول ۱).

با این حال، استفاده از نمونه‌ای بیش از حد بزرگ (۵۵۰۰ مقدار) باعث افزایش خطا تا ۴.۹۱ درصد شد که ناشی از تعمیم بیش‌ازحد (over-generalization) بر روی سری‌های زمانی است.

بنابراین، هدف اصلی یافتن یک توازن بهینه در اندازه‌ی نمونه جهت آموزش شبکه است. این نوع پیش‌بینی همچنین می‌تواند توسط اپراتورهای سیستم‌های قدرت پراکنده مورد استفاده قرار گیرد تا تأثیر شرایط جوی بر ظرفیت تولید برق توسط مصرف‌کنندگان-تولیدکنندگان (prosumers) را ارزیابی کرده و جریان‌های توان را دقیق‌تر تعادل بخشند، به‌گونه‌ای که به بهینه‌ترین حالت عملیاتی سیستم قدرت دست یابند.

منابع

1. Leithon J., Werner S., Koivunen V., Cost-aware renewable energy management: Centralized vs. distributed generation, Renewable Energy, pp. 1164-1179, 2019 doi:10.1016/j.renene.2019.09.077
2. Wang C., Wu J., Ekanayak J., Smart Electricity Distribution Networks, Boca Raton: Taylor & Francis Group, 2017.
3. Kariniotakis G., Waldl I.H-P., Marti I., Giebel G., Nielsen T.S., Tambke J., Usaola J., Dierich F., Bocquet A., Virlot S., Next generation forecasting tools for the optimal management of wind generation, 2006 International Conference on Probabilistic Methods Applied to Power Systems, Stockholm, 2006, pp. 1-6, doi: 10.1109/PMAPS.2006.360238.
4. Shahnia F., Arefi A., Ledwich G., Electric Distribution Network Planning, Power Systems, 2018, doi:10.1007/978-981-10-7056-3
5. Zhang Y., Dong J, Least Squares-based Optimal Reconciliation Method for Hierarchical Forecasts of Wind Power Generation”, IEEE Transactions on Power Systems, pp. 1–10, 2018, doi:10.1109/tpwrs.2018.2868175
6. Yatiyana E., Rajakaruna S., Ghosh A., Wind speed and direction forecasting for wind power generation using ARIMA model, 2017 Australasian Universities Power Engineering Conference (AUPEC), Melbourne, VIC, 2017, pp. 1-6, doi: 10.1109/AUPEC.2017.8282494.
7. Tambke J., von Bremen L., Barthelmie R., Palomares A.M., Ranchin T., Juban J., Kariniotakis G.N., Brownsword R.A., Waldl H.P., Short-term Forecasting of Offshore Wind Farm Production – Developments of the Anemos Project”, 2006 European Wind Energy Conference, EWEC, Feb 2006, Athènes, Greece, 13 p.
8. Wan C., Xu Z., Pinson P., Dong Z.Y., Wong K.P., Probabilistic Forecasting of Wind Power Generation Using Extreme Learning Machine, IEEE Transactions on Power Systems, vol. 29, no. 3, pp. 1033-1044, May 2014, doi: 10.1109/TPWRS.2013.2287871.
9. Foley A.M., Leahy P.G., Marvuglia A., McKeogh, E.J., Current methods and advances in forecasting of wind power generation”, Renewable Energy, vol. 37(1), pp. 1–8, 2012, doi: 10.1016/j.renene.2011.05.033
10. Sayenko Y., Sychenko V., Liubartsev V., Development of Methods for Optimizing Reactive Power Modes Based on Neural Network Technologies, 2019 IEEE 6th International Conference on Energy Smart Systems (ESS), Kyiv, Ukraine, 2019, pp. 98-103, doi: 10.1109/ESS.2019.8764220.
11. Sayenko Y., Baranenko T., Liubartsev V., Forecasting of Electricity Generation by Solar Panels Using Neural Networks with Incomplete Initial Data, 2020 IEEE 4th International Conference on Intelligent Energy and Power Systems (IEPS), Istanbul, Turkey, 2020, pp. 140-143, doi: 10.1109/IEPS51250.2020.9263085.
12. Haykin S.O., Neural Networks and Learning Machines, 3rd Edition. Ontario, Canada: McMaster University, 2009.
13. AEMO Energy Generation Data, Australian Energy Market Operator. [Online]. Available: https://anero.id/energy/data
14. Weather archive in Portland (airport), Australia, [Online].available: https://rp5.ua/Weather_archive_in_Portland_(airport)_Australia
15. Hudson Beale M., Hagan M.T., Demuth H.B., Neural Network Toolbox™. Users’s guide, The MathWorks, Inc., 2017.

نویسندگان: یوری ساینکو، پروفسور، دکتری، دکترای علوم، مهندس، دانشگاه فنی دولتی پریازوفسکی، دpartment تأمین الکتریکی صنعتی، اوکراین، ۸۷۵۵۵، ماریوپل، ۷ یونیورستیتسکا، ایمیل: sayenko_y_l@pstu.edu؛ ریشارد پاولک، دکتر، دانشگاه فناوری ووچ، مهندسی قدرت الکتریکی، ۱۸/۲۲ خیابان استفانوسکیگو، ۹۰-۹۲۴ ووچ، ایمیل: ryszard.pawelek@p.lodz.pl؛ وادیم لیوبارتسبف، دانشجوی دکتری، دانشگاه فنی دولتی پریازوفسکی، دpartment تأمین الکتریکی صنعتی، اوکراین، ۸۷۵۵۵، ماریوپل، ۷ یونیورستیتسکا، ایمیل: lubartsevvadim@gmail.com.

شناسه ناشر: PRZEGLĄD ELEKTROTECHNICZNY, ISSN 0033-2097, R. 97 NR 11/2021. doi:10.15199/48.2021.11.39

منتشر شده توسط: PQBlog
مهندس برق

مشاهده پست‌های بیشتر

پرسش‌های متداول

چگونه می‌توان تولید انرژی بادی را پیش‌بینی کرد؟

تولید انرژی بادی با استفاده از داده‌های هواشناسی و شبکه‌های عصبی پیش‌بینی می‌شود.

مزایای انرژی تجدیدپذیر چیست؟

کاهش CO2 و مصرف سوخت‌های فسیلی از مزایای انرژی تجدیدپذیر است.

چرا پیش‌بینی دقیق انرژی بادی مهم است؟

پیش‌بینی دقیق به مدیریت بهتر سیستم‌های برق و حفظ قابلیت اطمینان آنها کمک می‌کند.

منبع: powerquality.blog