پيش‌بيني سرعت باد با شبكه عصبي RBF بر اساس نظرية آشوب

Wind Speed Prediction Based on Chaos Theory using RBF Neural Networks

پيش‌بيني سرعت باد در مواردي همچون كنترل و برنامه‌ريزي جهت قطع و وصل توربين­هاي بادي و تضمين عملكرد پايدار سيستم مي­تواند حائز اهميت باشد كه به‌ طور كلاسيك به روش­هاي متعددي صورت مي­گيرد. در اين مقاله، ارائه روشي صرفاً براساس آناليز داده ­هاي اندازه­ گيري‌ شدة قبلي مدّ نظر است. به اين منظور، ضمن بررسي آشوبناك‌ بودن داده ­هاي سرعت باد، با تركيب مفاهيم مربوط به نظريه آشوب و تكنيك ­هاي موجود در پيش‌بيني با استفاده از شبكه­ هاي عصبي، روشي جهت پيش‌بيني سرعت باد پيشنهاد شده است. داده­ هاي استفاده‌شده در اين تحقيق، اطلاعات ثبت‌ شده در ايستگاه ورزنه استان اصفهان است. در اين راستا، ابتدا با استفاده از محاسبة بُعد همبستگي از روي سري زماني مفروض، آشوبناك‌بودن ديناميك سيستم مولد اين داده­ ها اثبات شده و سپس فضاي حالت سيستم ديناميكي مولد بازسازي شده است. بدين‌ منظور از روش FNN براي محاسبه بعد محاط و از روش AMI براي محاسبه زمان تأخير جهت بازسازي فضاي حالت استفاده شده است. در ادامه شبكه عصبي RBF جهت پيش‌بيني سرعت باد پيشنهاد شده است كه ساختار آن با استفاده از اطلاعات بعد محاط و زمان تأخير محاسبه‌شده طراحي شده است. در پايان، روش پيشنهادي بر روي داده ­هاي عملي، اعمال و نتايج بيان شده است.

Wind speed prediction can be regarded as significant factor in control of wind turbines, schedule of the connection/disconnection of turbines and stability guarantee of power grids which is commonly carried out in various approaches. In this paper, a chaos based approach by analyzing only the previous measured data is proposed. For this purpose, in addition of evaluating the chaotic nature of wind speed data, the chaos theory with Neural Network techniques in forecasting session are combined in order that we can propose a method for wind speed prediction. For this regard, at first the correlation dimension and largest lyapunov exponent of wind speed time series are computed to prove that wind data generator process is chaotic. Then phase space of data generator dynamic is reconstructed. In this regard, we use the False Nearest Neighbors (FNN) algorithm to determine the embedding dimension and Average Mutual Information (AMI) approach to measure time delay for phase space reconstruction. Afterwards, Multi Layers Perceptron (MLP) neural networks and Radial Basis Function (RBF) neural networks are proposed to predict the wind speed which its structure is designed based on time delay and embedding dimension data. At the end, proposed methods apply on real data and results are expressed.