مدلسازی منحنی توان توربین بادی با استفاده از شبکه عصبی مصنوعی
شبکههای عصبی مصنوعی با ۶ ورودی برای شناسایی عملکرد توربین باد سایت ویژه ارائه شده است. نتایج این روش مدلسازی با مدلهای پارامتری، غیر پارامتری و گسسته مقایسه شدند. در این مطالعه توربین، نشان داده شد که همبستگی استراتژی ۶ ورودی در روش مدلسازی ANN چند مرحلهای، احتمال ترکیب بیشتر متغیرها و کاهش سطح خطا را به دنبال دارد. با داشتن اطلاعات بیشتر( مثلا سرعت باد در بالای ارتفاع هاب، جهت باد و …)، اطلاعات بیشتری هم به راحتی به مدل داده میشود و خطای کمتری هم خواهیم داشت. این ارائه با توجه به این حقیقت که تعامل کمتر بین ورودیها در دو سایت در نظر گرفته شده وجود دارد و توان نرمال شده بین هر گام مدلسازی ارائه شده است امکانپذیر و عملی میباشد. این نتایج پتانسیل شبکه عصبی MLP دو لایه به مدل مناسب عملکرد توان توربین باد را نشان میدهد که به راحتی با نگهداری برنامههایی که بر تشخیص عملکرد ضعیف تمرکز میکنند قابل استفاده میباشد [۳۵]. علاوه بر این، نشان داده که انتخاب ۶ پارامتر حیاتی است و از میان ۵۰ پارامتر تست شده از لحاط تنوع بین توان خروجی پیش بینی شده و مشاهده شده به دست آمدهاند.
