بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
پیش بینی کوتاه مدت توان تولیدي توربین هاي بادي با استفاده ازشبکه هاي عصبی
چکیده
همزمان با بالا رفتن نفوذ انرژي بادي، در سبد جهانی انرژي، نیاز به پیش بینی میزان توان، از جانب گردانندگان شبکه به عنوان یک نیاز اساسی جهت اتصال این انرژي به شبکه مطرح شده است. بنابراین با توجه به تمایل روبه رشد استفاده از انرژي باد در نقاط مختلف دنیا، استفاده از تجهیزات و سیستم هاي پیش بینی کننده توان، جهت ورود انرژي بادي به بازار
رقابتی برق به عنوان یک مسئله اساسی مطرح شده است. در این مقاله مدلی هوشمند جهت پیش بینی ساعتی میزان توان توربین هاي بادي ارائه شده است. این ساختار بر اساس شبکه هاي عصبی پرسپترون بنا نهاده شده است. در این مقاله ابتدا سرعت و جهت باد با استفاده از شبکه عصبی پرسپترون، در افق هاي زمانی مورد نظر پیش بینی می شود، سپس با استفاه از یک شبکه عصبی سري شده با آن میزان توان تولیدي توربین هاي بادي در افق متناظر با افق پیش بینی باد، پیش بینی می شود.
مقدمه
روند رو به رشد استفاده از انرژیهاي نوین و همچنین مسائل و مشکلات استفاده از این منابع انرژي در سالهاي اخیر بسیار نمود پیدا کرده است. انرژي باد به عنوان یکی از منابع انرژي تجدیدپذیر و فاقد آلودگی در سالهاي اخیر رشد چشمگیري داشته است. مزارع بادي بزرگ با تعداد توربین هاي زیاد در نواحی مختلف دنیا راه اندازي شده اند. یکی از مشکلات اساسی در استفاده حجم بالا از توربین هاي بادي تغییرات سریع در میزان توان استحصالی از این توربین ها می باشد.
مشخص نبودن میزان تولید و تغییرات سریع آن یکی از موانع اساسی در اتصال انرژي نیروگاههاي بادي به شبکه سراسري
می باشد، همچنین امروزه با دایر شدن بازار رقابتی برق در کشورهاي مختلف تولید کنندگان بایستی میزان توان تولیدي خود را چندین ساعت جلوتر به واحد تنظیم بازار ارائه نمایند.
بنابراین لزوم در دست داشتن ابزارهاي پیش بینی میزان توان توربین هاي بادي، بیش از پیش احساس خواهد شد. با در اختیار داشتن یک پیشبینی دقیق از میزان توان تولیدي این عدم اطمینان کاهش مییابد و جایگاه رقابتی انرژي بادي در بازار تجدید ساختار شده بالا میرود. پیش بینی دقیق میزان تولید آتی توربین، امکان دیسپاچینگ تولید کننده هاي بادي را براي مراکز دیسپاچینگ فراهم می آورد، همچنین به بهره برداران سیستم قدرت نشان می دهد که چه میزان ظرفیت رزرو جهت پشتیبانی واحدهاي بادي بایستی بصورت آماده نگه دارند. از جنبه برنامه ریزي تعمیرات و نگهداري نیز براي صنایع برق بسیار مهم است که امکان پیشبینی توان خروجی توربین ها را جهت بهینه سازي کارکرد سیستم و برنامه ریزي صحیح جهت خروج و یا تعمیرات توربین ها در اختیار داشته باشند.
استفاده از روشهاي هوشمند در پیش بینی پارامترهاي مختلف امروزه بسیار مورد توجه قرار گرفته است. با توجه به کارایی خوب شبکه هاي عصبی در شناسایی الگوها می توان از آن در پیش بینی میزان توان آتی توربین هاي بادي استفاده کرد.
شبکه هاي عصبی با داشتن الگوي ورودي ها و خروجی ها و تجزیه تحلیل کردن آن محتوي اطلاعات موجود را بطور معنی داري طبقه بندي می کنند. پس از آموزش١ سیستم با داده هاي موجود، با وارد کردن ورودیهاي جدید خروجی هاي مورد نظر پیش بینی می شوند. در این مقاله روشی ساده و هوشمند بر پایه شبکه هاي عصبی جهت پیش بینی میزان توان تولیدي
از توربین هاي بادي در افق کوتاه مدت 1 ساعته ارائه شده است لازم بذکر است که این مدت تا زمانهاي بیشتر مثلاً تا 24 ساعت آتی قابل تعمیم می باشد[1]، [2] و.[3]
1 ساختار کلی مدل پیش بینی کننده توان
محاسبات تئوري نشان از آن دارد که میزان توان تولیدي توسط توربین هاي بادي تابعی از توان سوم سرعت باد، جهت باد و چگالی هوا می باشد. بنابراین جهت پیش بینی توان بایستی ابتدا متغییرهاي سرعت باد، جهت باد و چگالی هوا را
در افق مورد نظر پیش بینی کرد سپس متغییرهاي پیش بینی شده را به عنوان ورودیهاي سیستم تخمین کننده توان توربین استفاده کرد. ساختار کلی مدل پیش بینی کننده توان در شکل 1 ارائه شده است. این سیستم از دو زیر سیستم مطابق شکل1 تشکیل شده است. زیر سیستم اول(فاز( 1 یک ساختار شبکه عصبی می باشد، این سیستم بر پایه شبکه عصبی پرسپترون بنا نهاده شده است. این سیستم با استفاده از داده هاي گذشته سرعت و جهت باد، ثبت شده در مزرعه بادي ابتدا آموزش دیده سپس سرعت و جهت باد را در افق زمانی مورد نظر پیش بینی می کند. در مرحله بعد با استفاده از یک سیستم شبکه عصبی دیگر بصورت سري شده با سیستم گفته شده بالا، میزان توان تولیدي توسط توربین پیش بینی می شود(فاز .(2
مزرعه بادي نمونه جهت پیاده سازي مدل مطابق شکل 2 می باشد. این مزرعه بادي شامل 42 عدد توربین بادي 300 کیلو وات می باشد. همانطور که در شکل2 ملاحظه می شود این توربین ها در 7 ردیف 6 تایی به موازات هم قرار گرفته اند.
دو ایستگاه اندازه گیري(mast#1،(mast#2 جهت اندازه گیري سرعت و جهت باد در نواحی مختلف مزرعه نصب شده اند.
این دو ایستگاه به نحوي در داخل مزرعه کارگذاري شده اند که هر یک در معرض عبور جریانهاي هوایی مختلفی قرار می گیرند، ایستگاه 1 در ناحیه بالادست توربین ها قرار گرفته است و در معرض محدوده وسیعی از جریانات هوا قرار دارد که از شرق به شمال شرق جریان دارند. ایستگاه شماره 2 در داخل قسمت کم ارتفاع مزرعه قرار گرفته است این ایستگاه در معرض جریانهاي توزیع شده گردابی در داخل مزرعه که در جهات مختلف جریان دارند قرار گرفته است. به همین دلیل در این ایستگاه از سیستم اندازه گیري التراسونیک که قادر است مؤلفه هاي بردار سرعت را اندازه بگیرد استفاده شده است. در شکل هاي 3 و 4 نمونه هایی از سري زمانی داده هاي سرعت و جهت باد بدست آمده از مزرعه ثبت شده است. همانگونه که ملاحظه می شود بازه زمانی ثبت داده ها 10 دقیقه می باشد.[4]
2 مدل پیش بینی کننده سرعت و جهت باد
در این بخش پیش بینی سرعت باد با استفاده از شبکه عصبی پرسپترون ارائه شده است. از داده هاي 10 دقیقه اي باد در دوره هاي 1ساعته میانگین گیري شده است در این قسمت داده ها به دسته هاي مساوي تقسیم شده اند، سپس هر یک از دسته ها نیز خود به دو قسمت تقسیم شده است، قسمت اول جهت آموزش شبکه استفاده شده است، قسمت دوم داده هاي مربوط به هر دسته جهت تست شبکه پس از آموزش و بررسی صحت مدل، استفاده شده است.
نمونه اي از ساختار دسته بندي داده ها در شکل5 نشان داده شد.
اگر تابع سیستم پیش بینی کننده را بصورت F(T) در نظر بگیریم، با توجه به اینکه تعداد نمونه هاي قبلی مؤثر در تابع پیش بینی را چه تعداد در نظر بگیریم، پروسه پیش بینی یک پله به جلو را که در پیش بینی 1 ساعت آتی استفاده شده است می توان بصورت زیر در نظر گرفت، اگر تعداد ورودیهاي سیستم پیش بینی n عدد باشدداریم:
در روابط ذکر شده بالاT0 برابر فاصله زمانی بین پله هاي نمونه برداري داده ها می باشد( 1 ساعت)، n تعداد ورودیهاي یستم پیش بینی کننده می باشد. ساختار شبکه عصبی مورد استفاده جهت سیستم پیش بینی کننده در شکل 6 نشان داده
شده است.[5]
