پيش‌بيني توان توليدي واحدهاي بادي با استفاده از يك موتور پيش‌بيني تركيبي برمبناي آناليز اطلاعات متقابل و شبكۀ عصبي GMDH

Wind Power Forecasting by a New Hybrid Forecast Engine Composed of GA/EPSO-Based Mutual Information and Group Method of Data Handling (GMDH)

تخمين مناسب ميزان توليد پرنوسان واحدهاي بادي براي استفادۀ بهينه در سيستم‌هاي قدرت، امري دشوار و تابع پيچيدگي‌هاي بسيار است. در اين مقاله روشي موفق براي پيش‌بيني توان توليدي واحدهاي بادي با استفاده از شبكۀ عصبي خودسازمانده موسوم به GMDH ارائه شده است. در شبكۀ عصبي GMDH، متغيرهايي كه بر سري زماني تأثير مي‌گذارند، به‌ عنوان ورودي شبكه استفاده مي‌شوند. اين شبكه با بررسي و كشف روابط بين ورودي‌ها، به‌ طور هوشمند مدل بهينه‌اي را ارائه و متغير خروجي را پيش‌بيني مي‌كند. الگوسازي‌هاي به‌كاررفته در اين مطالعه مبتني بر دو روش هوش مصنوعي و نظريۀ اطلاعات است. در ابتدا متغيرهاي مؤثر براساس اطلاعات متقابل (MI) و با الگوريتم تركيبي انبوه ذرات و ژنتيك، انتخاب و سپس در موتور پيش‌بيني به كار گرفته مي‌شوند. برخلاف روش همبستگي متقابل، در رويكرد مبتني بر آنتروپي متقابل استفاده‌شده در اين مقاله، روابط غير خطي ميان متغيرها در نظر گرفته مي‌شوند و انتخاب متغيرهاي مؤثر در پيش‌بيني انرژي بادي كه در آن، نوسانات و روند غيرخطي شديدي مشاهده مي‌شود، با دقت و اعتبار بيشتري انتخاب مي‌شود. براي ارزيابي توانايي، سرعت و دقت چارچوب پيشنهادي، از داده‌هاي واقعي مزرعۀ بادي سوتاونتوِ كشور اسپانيا استفاده شده است. نتايج مطالعه نشان مي‌دهند تكنيك پيشنهادي سرعت و دقت بيشتري در مقايسه با ساير روش‌ها دارد.

a really tough and complicated issue. In this paper, a successful method is proposed for predicting the wind power productions which is based on the self-organized neural networks called Group Method of Data Handling (GMDH). By analyzing and discovering the hidden relationships between the inputs, the GMDH-based neural network intelligently presents the optimal model and predicts the output variable. Patterns used in this study are based on the two methods of artificial intelligence and information theory. At first, the effective variables are selected based on Mutual Information (MI) technique and the mixed particle swarm and genetic algorithm and after that the proposed forecast engine is used. In contrast to the mutual correlation method, in the proposed cross-entropy-based approach of this paper, non-linear relations between the variables are considered and the selection of effective variables in the forecasting of wind power in which nonlinear fluctuations and trends are observed are chosen more precisely and more accurately. In order to evaluate the ability, speed and accuracy of the proposed framework, real-world data of Sotavento wind farm in the Spain were used. The results of the study indicate that the proposed technique has a higher speed and accuracy than other methods.