![]()
استحصال بیشینه توان در مزارع بادی با استفاده از روهش های شبکه عصبی (1396) / لطف آباد صادقی ، مسعود، نویسنده
نوع مدرک: برنامهها و فایلهای کامپیوتری سرشناسه لطف آباد صادقی ، مسعود، نویسنده عنوان : استحصال بیشینه توان در مزارع بادی با استفاده از روهش های شبکه عصبی : مسعود لطف آباد صادقی سال نشر : 1396 صفحه شمار: 127ص یادداشت چکیده :
نیاز به پیشبینی و استحصال بیشینه انرژی از توربینهای بادی و مزایای آن در سال های اخیر نمود پیدا کرده
است. هم زمان با نفوذ کاربرد انرژی بادی، نیاز به پیشبینی میزان توان از جانب گردانندگان شبکه به عنوان
یک نیاز اساسی جهت اتصال این انرژی به شبکه مطرح شده است. پیش بینی میزان توان توربینهای بادی
هم برای تولید کنندگان، هم برای گردانندگان شبکه و هم برای مصرف کنندگان بسیار مفید میباشد.
برای استحصال حداکثر توان از باد در سیستم تبدیل انرژی بادی به علت طبیعت غیر خطی این سیستم به
کارگیری سیستم ردیاب نقطه حداکثر توان امری ضروری است .
این سیستم کنترلی نقطه کار توربین بادی را به گونهای تعیین میکنند که سرعت روتور در نقطه بهینه خود
قرار گرفته و توربین ماکزیمم توان بیشینه خود را تولید میکند. جهت ردیابی نقطه حداکثر توان در سیستم
بادی تکنیک های مختلف زیادی استفاده شدهاند که بیشترین روش ها بر اساس منحنی حداکثر توان توربین
و پروفایل سرعت باد کار میکنند.
در فصل اول این پایان نامه، به معرفی و بیان مقدمه ای بر پیش بینی سرعت وتوان تولیدی باد می پردازیم.
در این فصل توضیحاتی در مورد توربین های بادی و انواع مختلف آن داده شده است. در ادامه روابط مربوط
به محاسبه توان خروجی توان بیان میشود. و همچنین پیش بینی باد را بر اساس مقیاس زمانی طبقه بندی
کرده و نیز به بررسی روش های پیش بینی توان باد موجود در مقالات می پردازیم.
در فصل دوم این پایاننامه به برررسی و آنالیز دقیق الگوریتم رقابت استعماری که ما برای تنظیم وزن آن از
شبکه عصبی پرسپترون چند لایه استفاده نموده ایم، می پردازیم. در این فصل، الگوریتمی برای بهینهسازی
معرفی شده است که بر پایه مدلسازی رقابتهای امپریالیستی میباشد. این الگوریتم، با تعدادی کشور اولیه
شروع میشود. کشورها به دو دسته تقسیم میشوند؛ مستعمرات و کشور امپریالیست، که با هم تعدادی
امپراطوری اولیه را تشکیل میدهند. رقابت میان امپراطوریها، برای تصاحب مستعمرات یکدیگر، هستهی این
الگوریتم را تشکیل میدهد و منجر به همگرایی کشورها، و مینیمم مطلق تابع هزینه میشود. در طی این
رقابت، امپراطوریهای ضعیف، به تدریج، سقوط کرده و در نهایت یک امپراطوری باقی میماند که کل دنیا را
کنترل میکند. آزمودن الگوریتم، توسط چندین تابع هزینه استاندارد، کارایی آن را در حل مسائل مختلف
بهینهسازی، نشان می دهد .
در فصل سوم، به مدلسازی پیش بینی توان با استفاده از شبکه های عصبی می پردازیم.در این فصل به بیان
مشخصات گرافیکی و عددی مزرعه بادی مورد مطالعه پرداخته ایم.در ادامه به مدلسازی پیش بینی سرعت
باد با استفاده از شبکه عصبی پرسپترون ونیز شبکه عصبی نئوفازی پرداخته شده است.
در فصل چهارم عملیات مدلسازی شده توسط شبکه های عصبی نئوفازی آزمایش شده و نتایج آن نشان داده
میشود.در این فصل تعاریف مختلفی از قبیل تعریف یادگیری مدل توسط نئوفازی و نیز تعریف خود نئوفازی
و نیز ساختار فیس بیان شده است.در ادامه بروز عارضه پیش برآزش توسط دو مثال کامل نشان داده میشود.
و نیز عملیات انتخاب ورودی را بصورت کامل و گرافیکی بیان می کنیم.
فصل پنجم این پایان نامه به بیان یک استراتژی هایبرید برای پیش بینی کوتاه مدت سرعت باد توسط ترکیب
الگوریتم رقابت استعماری با شبکه عصبی پرسپترون چند لایه می پردازیم. در این فصل به منظور پیش بینی
سرعت باد برای 10 دقیقه آینده از ترکیب شبکه عصبی پرسپترون چند لایه با الگوریتم رقابت استعماری
استفاده شده است. هدف استفاده از الگوریتم رقابت استعماری، تنظیم هوشمند وزن های شبکه عصبی
پرسپترون به منظور آموزش آن بود.فرآیند دیگری که در این فصل گنجانده شده است مبحث انتخاب ورودی
میباشد که در این فرآیند از میان 16 ورودی به صورت تجربی انتخاب شده،که به صورت سری زمانی بودند،
4 ورودی با بیشترین تاثیر نسبت به خروجی انتخاب شدند که این امر به صورت کاملا محسوس باعث افزایش
دقت پیش بینی توسط شبکه عصبی ما شد. اگر از تمام فرآیندی که ما در این فصل انجام دادیم نتیجه گیری
بکنیم میتوان گفت که از آنجا که می دانید ویژگی ها و ورودی های غیر ضروری تنها باعث افزایش مدت یاد
گیری و افزایش خطا میشوند.به عبارت دیگر دلیل کاهش ابعاد ورودی رسیدن به اهداف کاهش اندازه مجموعه
آموزش موثرکه باعث اعمال پیش بینی کار آمدتر و آموزش بهتر میشود و نیز کاهش ابعاد اغلب باعث افزایش
دقت پیش بینی میشود که این امر بوسیله حذف ویژگی های نویزی امکانپذیر میباشد.ونیز بهینه سازی در
وزن های یک شبکه عصبی باعث بهبود عملکرد در آموزش شبکه عصبی میشود.
و در نهایت در فصل ششم ابتدا بر کنترل یک ژنراتور القایی دوگانه تغذیه متصل به شبکه DFIG سیستم
توربین بادی به جهت ردیابی بیشترین توان قابل جذب در سرعتهای بادی متفاوت تأکید میکند،از این رو از
یک الگوریتم شبکه عصبی تعمیم یافته جهت تخمین سرعت باد استفاده می شود و حداکثر توان قابل جذب
از هر سرعت باد مشخص و از طریق یک جدول نظاره محاسبه می شود. در نهایت، کنترل برداری از کنترلر
PI برای محاسبه ولتاژ کنترل روتور استفاده میکند تا توان اکتیو و رآکتیور را کنترل و بیشترین توان از توربین
بادی حاصل شود. همچنین، در نتیجه این روش، طیف هارمونیکی جریان استاتور قابل قبولی دارد که نشان
دهنده کیفیت توان تولیدی می باشد. جهت شبیه سازی از نرم افزار (R2012b(Simulink /MATLAB استفاده شده است.
و در ادامه راهبرد جدید ردیابی نقطه حداکثر توان برای سیستم بادی سرعت متغیر با ژنراتور سنکرون
مغناطیس دائم ارائه شده است. این راهبرد پیشنهادی بر اساس منطق فازی کار میکنند و مستقل از مشخصات
توربین و ژنراتور میباشد. این سیستم کنترلی جهت کاهش هزینه و افزایش قابلیت اطمینان سیستم فاقد
هرگونه حسگر مکانیکی میباشد. کنترل کننده پیشنهادی با کنترل مناسب مبدل dc به dc بوست به ازای
سرعت های مختلف باد سیستم را وادار به عملکرد در نقطه حداکثر توان مینمایدشناسه افزوده : اقبال ، نجمه، استاد راهنما لینک ثابت رکورد: ../opac/index.php?lvl=record_display&id=24625 زبان مدرک : فارسی
شماره ثبت شماره بازیابی نام عام مواد محل نگهداری بخش وضعیت ثبت وضعیت امانت 453پ 453پ منابع الکترونیکی:کتاب کتابخانه سجاد مهندسی برق - قدرت اسناد مرجع غیر قابل امانت