Wind Speed Nowcasting for Wind Farm Operation Using Artificial Neural "NAR / NARX" Networks
| العنوان بلغة أخرى: |
التوقع الآني لسرعة الرياح لتشغيل مزرعة الرياح باستخدام الشبكات العصبية الاصطناعية |
|---|---|
| المؤلف الرئيسي: | الزدجالية، سايرة مراد (مؤلف) |
| مؤلفين آخرين: | Al Hinai, Amer (Advisor), Al Maashri, Ahmed (Advisor), Al-Yahyai, Sultan Salim (Advisor) |
| التاريخ الميلادي: |
2019
|
| موقع: | مسقط |
| الصفحات: | 1 - 99 |
| رقم MD: | 1054950 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة السلطان قابوس |
| الكلية: | كلية الهندسة |
| الدولة: | عمان |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
30
| المستخلص: |
لاقت مصادر الطاقة المتجددة- كالطاقة الشمسية، وطاقة الرياح، وغيرها- الكثير من الاهتمام من قبل الباحثين بسبب فوائدها المتعددة. إلا أن هناك الكثير من التحديات والصعوبات التي تواجه عند استخدام هذا النوع من الطاقة. فعلى سبيل المثال لا الحصر، تعتبر طاقة الرياح مصدرا لا يمكن الاعتماد عليه لدى البعض نظرا لعده عوامل منها تباين سرعة الرياح وعدم القدرة على التنبؤ بها. تهدف هذه الدراسة إلى تطوير نموذج دقيق للتنبؤ بسرعة الرياح والذي سيؤدي إلى جعل الرياح مصدرا أكثر موثوقية للطاقة، مما سيساعد أنظمة إدارة الطاقة على تغذية الكهرباء في شبكة الطاقة على نحو سلس ومستمر. في هذا المشروع، قمنا بتطوير نموذجا للتنبؤ بسرعة الرياح باستخدام مزيج من نموذج "خلق اضطرابات في البيانات" و "الشبكات العصبية الاصطناعية". وعليه، فقد تم استخدام نوعين من الشبكات العصبية الاصطناعية في هذه الرسالة لتشغيل التجارب وهما (النموذج ذاتي الانحدار غير الخطي "NAR" والنموذج ذاتي الانحدار غير الخطي مع المدخلات الخارجية "NARX"). لقد استخدمنا البيانات المقاسة من مزرعة هرويل للرياح بمحافظة ظفار لتدريب الشبكات العصبية وتم التحقق من سرعة الرياح الآنية وفقا لذلك. كما تظهر نتائج المحاكاة أنه مع زيادة خطوات التنبؤ عبر الأفق، كانت نماذج المجموعة المضطربة أكثر دقة مقارنة بالطرق الأخرى. على سبيل المثال، نجح نموذجنا المقترح في الحد من الانخفاض في مقاييس التوافقية بين القيم المستهدفة والقيم المتوقعة لسرعة الرياح بنسبة 6.12% و 3.06% باستخدام الشبكات العصبية "NAR" و "NARX"، على التوالي. علاوة على ذلك، فقد قللت من نمو أداء الخطأ من حيث المعدل الطبيعي للجذر التربيعي لمتوسط الخطأ المربع (nRMSE) مع زيادة خطوات التنبؤ في حالة النموذج " NAR" بمقدار 10% وفي حالة النموذج " NARX" بمقدار 12.5%. كما تم الحصول على التنبؤ الاحتمالي عند مستوى الثقة 95% وكان متوسط نسبة تغطية الاحتمالات "PICP" المقاسة أكثر من 97% لنموذج "NARX" وأكثر من 95% في حالة النموذج "NAR"، لجميع خطوات التنبؤ. |
|---|
عناصر مشابهة
-
Wind Energy Forecasting Using Artificial Neural Network
بواسطة: السبوع، أسامة نزار أحمد منشور: (2023) -
Improving Solar Power System's Efficiency Using Artificial Neural Network
بواسطة: الفرا، محمد ابراهيم احمد منشور: (2018) -
Forecasting Electricity Consumption in Algeria Using Artificial Neural Networks
بواسطة: Sidi Mohammed, Chekouri منشور: (2022) -
A Review of using Neural Network and Kalman Filter based on ARIMA for Wind Speed Forecasting
بواسطة: Shukur, Osamah Basheer منشور: (2019) -
Design of Wind Farm for Daleel Oil Field Microgrid
بواسطة: Al Abri, Walid Ali Saif منشور: (2019)
