تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله مدلسازی منحنی توان توربین بادی با استفاده از شبکه عصبی مصنوعی – نشریه الزویر

عنوان فارسی: مدلسازی منحنی توان توربین بادی با استفاده از شبکه عصبی مصنوعی
عنوان انگلیسی: Wind turbine power curve modelling using artificial neural network
تعداد صفحات مقاله انگلیسی : 8 تعداد صفحات ترجمه فارسی : 17
سال انتشار : 2016 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 5409 رفرنس : دارد
محتوای فایل : zip حجم فایل : 2.96Mb
رشته های مرتبط با این مقاله: مهندسی انرژی، مهندسی مکانیک و مهندسی برق
گرایش های مرتبط با این مقاله: انرژی های تجدید پذیر، سیستم های انرژی، تبدیل انرژی، برق قدرت و سیستمهای قدرت
مجله: انرژی تجدید پذیر
دانشگاه: دانشکده انرژی های تجدید پذیر، مونترال، کانادا
کلمات کلیدی: توربین های بادی، مدل سازی منحنی قدرت، شبکه های عصبی مصنوعی، چگالی هوا، شدت تلاطم، برش باد
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه نشده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. مدلسازی منحنی توان توربین باد

2. روش‌های گسسته

2.2 روش‌های پارامتری

3.2 روش غیرپارامتری

2.4 روش‌های تصادفی

3. توصیف دیتابیس (اطلاعات پایه)

3.1 پیش پردازش داده‌ها

3.2 پارامترهای بدست آمده

3.3 نمونه گیری مجدد دیتابیس

3-4 تجزیه و تحلیل همبستگی

4. جزئیات مدلسازی ANN

4.1 آموزش ANN

5. اعتبار سنجی مدل ANN

6. نتایج

6.1 مقایسه منحنی توان

6.2 محاسبه خطا برای هر سرعت باد

6.3 محاسبه خطای وزن

7. نتیجه گیری

نمونه متن انگلیسی

abstract

Technical improvements over the past decade have increased the size and power output capacity of wind power plants. Small increases in power performance are now financially attractive to owners. For this reason, the need for more accurate evaluations of wind turbine power curves is increasing. New investigations are underway with the main objective of improving the precision of power curve modeling. Due to the non-linear relationship between the power output of a turbine and its primary and derived parameters, Artificial Neural Network (ANN) has proven to be well suited for power curve modelling. It has been shown that a multi-stage modelling techniques using multilayer perceptron with two layers of neurons was able to reduce the level of both the absolute and random error in comparison with IEC methods and other newly developed modelling techniques. This newly developed ANN modeling technique also demonstrated its ability to simultaneously handle more than two parameters. Wind turbine power curves with six parameters have been modelled successfully. The choice of the six parameters is crucial and has been selected amongst more than fifty parameters tested in term of variability in differences between observed and predicted power output. Further input parameters could be added as needed.

نمونه متن ترجمه

چکیده

با پیشرفت‌های فنی در طول دهه‌های گذشته ظرفیت توان خروجی و اندازه صفحات توان باد افزایش یافته است. حتی افزایش کم در عملکرد سیستم قدرت هم برای مالکان از لحاظ مالی قابل توجه است. به همین دلیل، ارزیابی دقیق منحنی توان توربین باد در حال توسعه است. تحقیقات جدید با هدف بهبود دقت مدلسازی منحنی توان در حال انجام است. با توجه به رابطه غیرخطی بین توان خروجی توربین و پارامترهای اولیه و مشتق آن، شبکه عصبی مصنوعی (ANN) برای مدلسازی منحنی توان مناسب می‌باشد. نشان داده شده که تکنیک‌های مدلسازی چندمرحله‌ای با استفاده پرسپترون چند لایه با دو لایه نرون قادر به کاهش سطح خطای مطلق و تقریبی در مقایسه با روش‌های IEC و دیگر روش‌های گسترش یافته جدید می‌باشند. این روش مدلسازی ANN گسترش یافته جدید کنترل همزمان بیش از دو پارامتر را دارد. منحنی‌های توان توربین باد با 6 پارامتر با موفقیت مدلسازی شوند. انتخاب 6 پارامتر بسیار مهم است و از بین حدود 50 پارامتر تست شده از لحاظ تفاوت بین توان خروجی مشاهده و پیش بینی شده‌اند. علاوه بر این، پارامترهای ورودی هم باید اضافه شوند.