برخی از پیشرفت های مدلسازی زنجیره مارکوف برای سرعت باد
چکیده
در این مطالعه روش زنجیره مارکوف سنتی برای مدلسازی سرعت باد مورد تجزیه و تحلیل قرار گرفته و دو پیشرفت نیز نشان داده می شوند. مرحله گروه بندی حالتها و موارد جدید و مرحله شبیه سازی سرعتهای باد ارائه می شود. این دو مورد مزایای تابع توزیع تجمعی تجربی سریهای زمانی سرعت باد را دارند. عملکردهای روش جدید بصورت مدلسازی و پیش بینی کوتاه مدت آزمایش می شوند. نتایج نشان می دهد که این روش بخوبی روش سنتی را برای مدلسازی اجرا می کند.
1. مقدمه
مشخصات باد برای بررسی منابع باد، عملکرد توربینهای بادی و تولید توان آنها اهمیت دارد. به دلیل این حقیقت که توزیع وایبل عاجز از ارائه تمام رژیم های بادی موجود در طبیعت است، محققین در حال ارائه مدلهای جدید احتمالی سرعت باد هستند. روش زنجیره مارکوف در مطالعات فراوانی برای مدلسازی انواع مختلفی از سریهای زمانی سرعت باد استفاده می شود.
روند حل چنین مسائلی با استفاده از روش مدلسازی زنجیره مارکوف نسبتا واضح است. اول، تمام مقادیر یک سری زمانی در چندین حالت توزیع می شوند. دوم فرض کردن مجموعه حالتها توسط زنجیره مارکوف همگن صورت می-گیرد، ماتریس احتمال انتقال این ایالتها تخمین زده می شود. سوم، این ماتریس برای تولید مجموعه جدیدی از حالتها استفاده می شود. چهارم، هر حالت در این مجموعه جدید به مقدار سرعت باد با یک ژنراتور خاص تبدیل می شود. محصول نهایی یک مجموعه زمانی ترکیبی است که از مجموعه مشاهده شده با تکثیر پارامترهای آماری تولید می شود. تاکید می شود که انواع خاص سریهای زمانی سرعت باد در برخی مواقع به روشهای پیچیده تری نیاز دارد. از این موارد می توان الگوریتم میسلسکی، روش شبکه های عصبی، مدلهای شبه مارکوف را نام برد.
5. نتیجه گیری
در این مطالعه کاربرد روش زنجیره مارکوف برای مدلسازی سرعت باد مورد تجزیه و تحلیل قرار گرفت. اولین مرحله که گروه بندی حالت است ممکن است ماتریس احتمال انتقال ناکافی و بزرگی را تولید کند.
علاوه بر این، ایجاد سرعتهای باد از شبیه سازی حالتها در چهار مرحله، منجر به نشر برخی خصوصیات آماری و حقایق مشاهده شده در داده ها نمی شود (توزیع دوقلو، دنباله های ویبال).
Abstract
In this study, the traditional Markov chain method for wind speed modeling is analyzed and two improvements are introduced. New states categorization step and wind speeds simulation step are presented. They both take advantage of the empirical cumulative distribution function of the wind speed time series. Performances of the new method are tested in terms of modeling and short-term forecasting. The results suggest that this method overperforms the traditional one for modeling.
1. Introduction
Wind characteristics are important for the evaluation of wind resources, performance of wind turbines and their power production. Due to the fact that the Weibull distribution has been unable to represent all the wind regimes encountered in nature, researchers have continued to propose new wind speed probability models (see Ref. [1] for a review).
The Markov chain method is used in numerous studies for modeling various types of wind speed time series [2e7] (see also Refs. [8,9] in the multivariate setting). The procedure for solving such problems using the Markov chain modeling method is relatively clear. Firstly, all of the values of a time series are distributed into several states. Secondly, supposing the series of states is ruled by a homogeneous Markov chain, a transition probability matrix of these states is estimated. Thirdly, this matrix is used to generate a new series of states. Fourth, each state in this new series is converted into a wind speed value with a certain random generator. The final product is a synthetic time series generated from the observed series, with faithfully reproduced statistical parameters.
5. Conclusion
In this study, the application of the traditional Markov chain method for wind speed modeling is analyzed. The first step which is the state categorization might generate a huge and inefficient transition probability matrix.
Moreover, the wind speeds generation from the states simulation in the fourth step might not reproduce some statistical features and stylized facts observed in the data (bimodal distribution, Weibull tails, etc.).
(جهت بزرگ نمایی روی عکس کلیک نمایید)
چکیده
1. مقدمه
2. مدلسازی زنجیره مارکوف مرسوم درجه اول
2.1 مرحله 1 (طبقه بندی حالتها)
2.2 مرحله 2 (تخمین ماتریس انتقال زنجیره مارکوف)
2.3 مرحله 3 (شبیه سازی حالتهای زنجیره مارکوف)
2.4 مرحله 4 (شبیه سازی سرعتهای باد)
3. شبیه سازی زنجیره مارکوف بهبود یافته
3.1 بهبود مرحله اول
3.2 پیشرفت مرحله چهارم
4. کاربردها و آزمایشات
4.1 آزمایشات بر روی مجموعه داده های جزیره لاما
4.2 عملکرد نسخه بهبودیافته بر روی مجموعه های اطلاعاتی NREL
5. نتیجه گیری
Abstract
1. Introduction
2. Traditional first-order Markov chain modeling
2.1. Step 1 (states categorization)
2.2. Step 2 (Markov chain transition matrix estimation)
2.3. Step 3 (Markov chain states simulation)
2.4. Step 4 (wind speeds simulation)
3. Improved Markov chain modeling
3.1. Improvement of the first step
3.2. Improvement of the fourth step
4. Applications and tests
4.1. Tests on the Lamma Island dataset
4.2. Performances of the improved version on NREL datasets
5. Conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه