بخشی از مقاله
چکیده
دادههای آماری ثبت شده از سرعت باد در ایستگاه هواشناسی مربوط به ارتفاعات پایین می باشد و جهت ثبت دادههای سرعت باد در ارتفاعات بلندتر به دکلهای بلند نیاز است. نصب دکل های بلند، افزایش هزینهها و مشکلات خود را در پی خواهد داشت. روش توانی یکی از روشهایی است که جهت تخمین سرعت باد در ارتفاعات بلند مورد استفاده قرار می گیرد. اما تخمینهای صورت گرفته از سرعت باد توسط این روش نیز قابلاعتماد نیستند.
از اینرو در این مقاله روشی مبتنی بر شبکههای عصبی برای تخمین سرعت باد در ارتفاعات بلند 40 - متر - معرفیشده است و نتایج حاصل از این روش با روش توانی مورد مقایسه قرار گرفته است. سپس روش پیشنهادی و مقایسه نتایج آنها بیانشده است. در روش پیشنهادی مقاله از دادههای واقعی اندازهگیری شده سرعت باد برای چند سایت بادی مختلف در کشور استفاده شده است که عملکرد بسیار بهتری نسبت به روش توانی را ارائه میدهد.
1 ؛ مقدمه
در سالهای اخیر به دلیل پارهای از مسائل ازجمله ملاحظات زیستمحیطی استفاده از انرژیهای نو و بهویژه انرژی باد بسیار موردتوجه قرارگرفته است بهگونهای که بهعنوان یک جایگزین مهم برای تولید برق در سیستمهای قدرت بهحساب میآیند. باد، یک منبع انرژی متغیر است و ازاینرو میزان انرژی تولیدی توسط واحدهای توربین بادی، بهشدت و تداوم باد وابستگی اساسی دارد، تخمین سرعت باد یکی از ابتداییترین قدمهایی است که برای برنامهریزی این واحدها برداشته میشود. سرعت باد از مهمترین و تأثیرگذارترین پارامترها در امکانسنجی برای نصب توربینهای باد است و ازآنجاکه ارتفاع توربین بادی و انرژی استحصالی از آن بهسرعت باد وابسته است؛ بنابراین دانستن سرعت باد در ارتفاعات مختلف منطقه موردمطالعه امری ضروری است.
ارتفاع دکل بادسنجی سایتهای هواشناسی بهطور عادی 10 متر میباشد و اطلاعات باد موردنیاز برای ارتفاعات بالاتر در دسترس نمیباشد. معمولاً بهمنظور بررسی پتانسیل باد در محل موردنظر و به مدت بیش از یک سال دکل یا دکلهای بلندی در حدود ارتفاع توربینهای احتمالی نصبشده و اطلاعات جمعآوریشده در پایان دوره کامل بررسی و تحلیل میشود. سپس نوع توربین و تعداد آن تعیین میگردد. با توجه به هزینهبر بودن و دشواری نصب دکلهای مذکور در این مقاله سعی بر این است که با استفاده از روش شبکه های عصبی مصنوعی بتوانیم مدل باد در ارتفاعات بلند را با داشتن اطلاعات سرعت باد در ارتفاعات پایین تخمین بزنیم.
لازم به ذکر است که برخی فرمولها موجود میباشند که سرعت باد در ارتفاعات بلند را با داشتن سرعت باد در ارتفاع مشخصی بهصورت استاتیک و باخطای زیاد تعیین میکنند که بههیچوجه قابلاعتماد نیستند. مدل توانی یکی از این روشها برای تخمین سرعت باد در ارتفاعات بلند میباشد - صدقی دهنوی و همکاران، - 1392 ازاینرو در این مقاله از روش شبکههای عصبی که تخمین بهتری را نسبت به روش توانی ارائه میدهد استفادهشده است.
- 2 مدل توانی
مدل توانی از پرکاربردترین و معروفترین روابط برای تخمین سرعت باد در ارتفاعات گوناگون میباشد و با داشتن اطلاعات سرعت باد در یک ارتفاع مشخص به کمک این روابط میتوان سرعت باد را در سایر ارتفاعها تخمین زد، روابط زیر بیانگر مدل توانی است - . - Lackner et al, 2010 که در آنU1 وU2 به ترتیب سرعت باد در ارتفاعهایz1وz2 بوده و اگر برای منطقهای سرعت باد برای دو ارتفاع مشخص را داشته باشیم بر اساس روابط - 1 - و - 2 - میتوان سرعت باد در ارتفاع دیگر تخمین زد.
در رابطه شماره - 1 - مورداستفاده در این تحقیق آلفا یک پارامتر لحظهای میباشد، یعنی مقدار آن در هرلحظه با توجه بهسرعت باد در ارتفاعهایz1وz2 متفاوت میباشد. ازجمله معایب روش توانی زمانی است که مقدار U1 برابر صفر باشد، آنگاه ضریب آلفای حاصل داری یک مقدار نامشخص میشود. جهت اصلاح این مشکل در کد نویسی مربوط به روش توانی در نرمافزار متلب، عدد 0,0001 با مقادیر صفر جایگزین شد.
-3 شبکه عصبی مصنوعی
شبکه عصبی مصنوعی یک سامانهپردازشی دادهها است که از مغز انسان ایده گرفته و پردازش دادهها را به عهده پردازندههای کوچک و بسیار زیادی سپرده که بهصورت شبکهای بههمپیوسته و موازی با یکدیگر رفتار میکنند تا یک مسئله را حل نمایند. در این شبکهها به کمک دانش برنامهنویسی، ساختار دادهای طراحی میشود که میتواند همانند نورون عمل کند که به این ساختار داده نورون گفته میشود.
بعد با ایجاد شبکهای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش میدهند. شکل - 1 - ساختار یک شبکه عصبی مصنوعی را نشان میدهد - . - Oztopal, 2006 بر اساس شکل بالا ورودیها 1 - ، ؟؟؟، - ، در ماتریسهای وزنی - w - ضرب میشوند، یا بهعبارتدیگر وزندار میشوند و حاصل تمامی این ضربها با بایاس جمع شده و به تابع عملکرد شبکه وارد میشود. خروجی تابع، معرف خروجی شبکه است.
-4 شبکه عصبی مورداستفاده در این مقاله
در این مقاله توابع آموزشی گوناگون جعبهابزار شبکه عصبی در نرمافزار متلب بهعنوان مدلهای مختلف تخمین سرعت باد استفاده شد که در اینجا نتایج بهترین تابع آموزشی بهکاررفته آورده شده است. شبکه عصبی مذکوری که بهمنظور تخمین سرعت باد طراحی شد، شبکهای با تغذیهی پیشرو با یکلایهی ورودی، یکلایهی میانی و یکلایهی خروجی ساختهشده است. تابع انتقال در لایهی میانی تابع تانژانت سیگموئید - Tansig - و تابع انتقال در لایهی خروجی تابع خطی - Purelin - در نظر گرفتهشده است. با توجه بهسرعت همگرایی الگوریتم لونبرگ- مارکورات - - Levenberg - Marquardt در شبکههای پیشرو از این الگوریتم برای آموزش شبکهی موردنظر استفادهشده است که در شکل - 2 - مشخصشده است. همچنین تعداد نورون در لایهی میانی با روش سعی و خطابه گونهی انتخاب شد که بهترین جواب ممکن را شامل شود . - Hajela& Berke,1991 -
