%37تخفیف

دانلود پروژه:پیش‌بینی کوتاه مدت سرعت باد به کمک شبکه عصبی آموزش داده شده با الگوریتم GSA مبتنی بر ویژگی های استخراج شده

Name: دانلود پروژه:پیشبینی کوتاه مدت سرعت باد به کمک شبکه عصبی آموزش داده شده با الگوریتم GSA مبتنی بر ویژگی های استخراج شده
SKU: 2519
Availability: InStock

تعداد 69 صفحه فایل word

چکیده

امروزه نیاز به تولید انرژی بواسطه گسترش صنایع شهری، یکی از چالشهای پیش روی بشر میباشد. از طرفی با توجه به مسائل زیست محیطی نیاز به وجود سیستمهایی جهت تولید انرژی پاک از اهمیت زیادی برخوردار است. سیستم توربین باد، به عنوان یک منبع تولید واجد شرایط فوق نقش موثری در گسترش سیستمهای تولید گسترده (DG) داشتهاست. با این وجود، رفتار تصادفی باد نظیر همهی پدیدههای طبیعی امکان برنامهریزی و مدیریت بهینه را سلب مینماید. وجود عوامل متعدد در تولید باد باعث شدهاست که بیشتر الگوریتمهای معرفی شده به ویژه در مناطقی که پستی و بلندیهای فراوانی دارند، با دقت خوبي همراه نباشند. با توجه به ارتباط صریح میان توان تولیدی با سرعت باد، نیاز به طراحی سیستم پیشبینی کنندهی سرعت باد با دقت بالا، نقش مهمی در برنامهریزی و کنترل سیستم توربین باد و استفاده حداکثری از انرژی باد خواهد داشت. به طوری که وجود خطا در پیشبینی، میتواند منجر به کاهش قابل توجه تولید انرژی سالیانه و همچنین کاهش بهره اقتصادی در این سیستمها گردد.

با توجه به کارایی پایین روشهای تخمین خطی در مساله پیشبینی سرعت باد، در این پایاننامه با توجه به ماهیت غیرخطی دینامیکی سیستم، یک شبکه عصبی MLP با ساختار مبتنی بر ورودی و شیفتهای زمانی آن، طراحی میگردد. برای بهبود کارایی شبکه عصبی، با تبدیل مساله تنظیم وزنهای آن به یک مساله بهینهسازی، شبکه به کمک الگوریتمهای بهینهسازی تکاملی طراحی میشود. با توجه به قابلیتهای بالای الگوریتم بهینهسازی جستجوی گرانشی GSA، نظیر همگرایی سریعتر و خطای کمتر، از این الگوریتم به عنوان روشی نوین برای بهینهسازی پارامترهای شبکه عصبی MLP جهت پیشبینی سرعت باد، استفاده میگردد. قابل ذکر است که سیستم طراحی شده بر روی اطلاعات هواشناسی منطقه خواف در مدت یک سال مورد آزمون قرار گرفته است، شبیهسازی در محیط Matlab انجام گرفته و پس از بررسی نتایج، توانایی و دقت بالای سیستم در پيشبيني کوتاه مدت سرعت باد حاصل شده است.

واژه‌هاي کليدي: پیشبینی، سرعت باد، شبکهعصبی MLP ، الگوریتم بهینهسازی جستجوی گرانشی GSA، انتخاب ویژگی، نرمافزار Matlab، توربین بادی.

دسته: فنی و مهندسی, مهندسی برق برچسب: الگوریتم بهینهسازی جستجوی گرانشی GSA, انتخاب ویژگی, پیشبینی, توربین بادی., سرعت باد, شبکهعصبی MLP, نرمافزار Matlabدانلود-پروژه-کارشناسی-ارشد-مقاله-پایان نامه-پژوهش-

توضیحات
نظرات (0)

فهرست مطالب

فهرست مطالب… ح‌

فهرست اشکال.. ذ‌

فهرست جداول.. ر‌

فصل 1– مقدمه. 1

1-1-جایگاه پیشبینی سرعت باد 3

1-2-انواع روشهاي پيشبيني سرعت در نيروگاه بادي….. 3

1-3-ساختار پایاننامه. 8

فصل 2– معرفی عوامل موثر در پیشبینی سرعت باد. 10

2-1- مقدمه… 10

2-2- پیشبینی جریان باد در توربینهای بادی.. 12

2-3- مفاهيم مقدماتي…. 13

2-3-1-بررسي لايههاي جريان باد. 15

فصل 3- روشهای سری زمانی و شبکه عصبی… 16

3-1- مقدمه.. 16

3-2- سری زمانی.. 17

3-3-مدلسازی به کمک سریهای زمانی.. 18

3-3-1- شناخت الگو. 18

3-3-2- برآوردسازی پارامترهای سری زمانی… 19

3-3-3- اعتبارسنجی.. 19

3-4- پیشبینی سریهای زمانی.. 21

3-5- مدلهای پیشبینی سری زمانی.. 22

3-5-1- مدل پیش بینی با درصد تغییر. 22

3-5-2- مدل پیشبین میانگین متحرک. 22

3-5-3- میانگین متحرک موزون. 23

3-5-4- مدل‌های مبتنی بر شبکه‌های عصبی.. 23

3-6- شبکههای عصبی.. 24

3-6-1-کاربردهای شبکههای عصبی.. 24

3-6-2- معماری شبکههای عصبی.. 25

3-7- فرایند یادگیری…. 26

3-7-1- آموزش با ناظر. 27

3-7-2- آموزش بدون ناظر. 27

3-7-3- آموزش تقویتی.. 28

3-8- ساختارهای شبکههای عصبی در مواجهه با پیشبینیسری زمانی……… 28

3-9-کاهش ابعاد………………………………………………………………………………………………………………..30

3-9-1- انواع کاهش داده و مزیت بکارگیری آن….. 31

3-9-2-پارامترهای موثر در انتخاب روشهای مختلف کاهش ابعاد……… 32

3-10-روشهای کاهش ابعاد در جهت استخراج ساختارهای خطی……….. 33

3-10-1- روش تحلیل مولفههای اساسی( PCA) 34

3-10-2-روش تحلیل مولفههای مستقل ( ICA) 35

فصل 4–روش پیشنهادی… 39

4-1- مقدمه. 39

4-2- الگوریتم جستجوی گرانشی (GSA). 40

4-2-1 آموزش شبکه عصبی با روش GSA.. 44

4-3- الگوریتم بهینهسازی تراکم ذرات……. 46

4-4- روند شبیهسازی و ارزیابی عملکرد……. 46

فصل 5– نتایج و پیشنهادات… 52

5-1- نتایج 52

5-2- پیشنهادات.. 53

مراجع.. 55

فهرست اشکال

شکل ‏3‑ 1- طرح شماتیک الگوی چند مرحله ای مدلسازی سری های زمانی 11

شکل ‏3‑2 – شبکه عصبی چند لایه 11

شکل ‏4‑1- فلوچارت الگوریتم GSA 11

شکل ‏4‑2 – مقایسه بین مقادیر پیش بینی شده برای دو ساعت آتی برای دو الگوریتم PSO و GSA 11

فهرست جداول

جدول ‏4‑1- پیش بینی سرعت باد برای نیم ساعت آینده 50

جدول ‏4‑2- پیش بینی سرعت باد برای دو ساعت آینده 50

جدول ‏4‑3- پیش بینی سرعت باد برای چهار ساعت آینده 50

جدول ‏4‑4 – پیش بینی سرعت باد برای شش ساعت آینده 51

دیدگاهها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین نفری باشید که دیدگاهی را ارسال می کنید برای “دانلود پروژه:پیش‌بینی کوتاه مدت سرعت باد به کمک شبکه عصبی آموزش داده شده با الگوریتم GSA مبتنی بر ویژگی های استخراج شده”