توضیحات
ABSTRACT
Wind energy has become one of the most important forms of renewable energy. Wind energy conversion systems are more sophisticated and new approaches are required based on advance analytics. This paper presents an exhaustive review of artificial neural networks used in wind energy systems, identifying the methods most employed for different applications and demonstrating that Artificial Neural Networks can be an alternative to conventional methods in many cases. More than 85% of the 190 references employed in this paper have been published in the last 5 years. The methods are classified and analysed into four groups according to the application: forecasting and predictions; design optimization; fault detection and diagnosis; and optimal control. A statistical analysis of the current state and future trends in this field is carried out. An analysis of each application group about the strengths and weaknesses of each ANN structure is carried out. A quantitative analysis of the main references is carried out showing new statistical results of the current state and future trends of the topic. The paper describes the main challenges and technological gaps concerning the application of ANN to wind turbines, according to the literature review. An overall table is provided to summarize the most important references according to the application groups and case studies.
INTRODUCTION
ADALINE, adaptive linear element; ADP, adaptive dynamic programming; ANFIS, adaptive neuro-fuzzy inference systems; ANN, artificial neural network; ART, adaptive resonance theory; AWNN, adaptive wavelet neural network; BNN, Bernstein Neural Network; BPNN, back-propagation neural network; BRSA, hybrid model combining based on Pearson correlation coefficient; CC, correlation coefficient; CNN, convolutional neural network; CSO, crisscross optimization; DFIG, double fed induction generator; DNN, deep neural network; DSNP-oLLNF, hybrid model combining discrete wavelet transform/singular spectrum analysis/no negative constraint combination theory/phase space reconstruction; EF, error feedback scheme; FEEMD, fast ensemble empirical mode decomposition; FDD, fault detection and diagnosis; FF, feed-forward; GA, genetic algorithm; GNN, gradient neural network; GPeANN, genetic programming based ensemble of artificial neural networks; GRBT, gradient boosted regression trees; SGNN, steepest gradient neural network; HNN, hybrid neural network; ICA, imperialist competitive algorithm; ICSA, improved Clonal selection algorithm; IRBFNN, improved radial basis function neural network; LF-MLN, local feedback multilayer networks; LUT, lookup-table; MAE, mean absolute error; MAPE, mean absolute percentage error; MC, Markov chain; MDN, mixture density network; MLP, multilayer perceptron; MPPT, maximum power point tracking; MRA, multi- resolution analysis; MRBM, multilayer restricted Boltzmann machine; MSE, minimum square error; NN ,neural network; NWP, numerical weather prediction; PDSTA, primal dual state transition algorithm; PMERNN, hybrid method using Elman recurrent neural network; PNN, probabilistic neural network; PSO, particle swarm optimization; PSO-FCM, particle swarm optimization based fuzzy C means; RBF, radial basis function; RBFNN, radial basis function neural network; RFA, random forest algorithm; SCADA, supervisory control and data acquisition; SHL, shared-hidden-layer; SOM, selforganized-map; SVM, support vector machine; WES, wind energy system; WPD, wavelet packet decomposition; WT, wind turbine ⁎ Corresponding author.
چکیده
انرژی باد تبدیل به یکی از مهمترین اشکال انرژی تجدیدپذیر شده است. سیستم های تبدیل انرژی باد، پیچیده تر هستند و بر اساس تجزیه و تحلیل پیشرفته، رویکردهای جدید مورد نیاز است. این مقاله، بررسی جامعی از شبکه های عصبی مصنوعی مورد استفاده در سیستم های انرژی باد، شناسایی روش هایی که اغلب برای کاربردهای مختلف مورد استفاده قرار می گیرد، نشان می دهد و نشان می دهد که شبکه های عصبی مصنوعی در بسیاری از موارد می توانند جایگزین روش های متداول باشند. بیش از 85٪ از 190 منبع مورد استفاده در این مقاله در 5 سال گذشته منتشر شده است. روش ها بر اساس نرم افزار طبقه بندی شده و به چهار گروه تقسیم می شوند: پیش بینی و پیش بینی؛ بهینه سازی طراحی؛ تشخیص خطا و تشخیص؛ و کنترل بهینه. تجزیه و تحلیل آماری وضعیت فعلی و روند آینده در این زمینه انجام شده است. تجزیه و تحلیل هر گروه نرم افزاری در مورد نقاط قوت و ضعف هر ساختار ANN انجام می شود. تجزیه و تحلیل کمی از منابع اصلی انجام شده است نشان دادن نتایج آماری جدید از وضعیت فعلی و روند آینده موضوع است. بر اساس بررسی ادبیات، مقاله چالش های اصلی و شکاف های تکنولوژیکی مربوط به استفاده از شبکه های عصبی به توربین های بادی را توصیف می کند. جدول کلی برای خلاصه مهمترین ارجاعات مطابق با گروه های کاربردی و مطالعات موردی ارائه شده است.
مقدمه
ADALINE، عنصر خطی سازگار؛ ADP، برنامه ریزی پویا سازگار؛ ANFIS، سیستم های استنتاج فازی سازگار؛ ANN، شبکه عصبی مصنوعی؛ ART، تئوری رزونانس تطبیقی؛ AWNN، شبکه عصبی موجک انطباق BNN، شبکه عصبی Bernstein؛ BPNN، شبکه عصبی back propagation؛ BRSA، ترکیب ترکیبی مدل بر اساس ضریب همبستگی پیرسون؛ ضریب همبستگی CC؛ CNN، شبکه عصبی کانولوشن؛ CSO، بهینه سازی چرخه؛ DFIG، ژنراتور القایی دو فید؛ DNN، شبکه عصبی عمیق؛ DSNP-oLLNF، مدل ترکیبی ترکیبی از تبدیل موجک گسسته / تجزیه و تحلیل طیف منحصر به فرد / هیچ محدودیت تضعیف نظریه ترکیب / بازسازی فاز فاز؛ EF، طرح بازخورد خطا؛ FEEMD، سریع گروه تقسیم حالت تجربی؛ FDD، تشخیص خطا و تشخیص؛ FF، تغذیه به جلو؛ GA، الگوریتم ژنتیک؛ GNN، شبکه عصبی گرادیان؛ GPeANN، مجموعه برنامه های مبتنی بر ژنتیک از شبکه های عصبی مصنوعی؛ GRBT، gradient درختان رگرسیون را افزایش داد؛ SGNN، شبکه عصبی شیب تندترین؛ شبکه عصبی ترکیبی HNN؛ ICA، الگوریتم رقابت امپریالیستی؛ ICSA، بهبود الگوریتم انتخاب کلونال؛ IRBFNN، شبکه عصبی تابع اساس شعاعی را بهبود می بخشد؛ LF-MLN، شبکه های چند لایه بازخورد محلی؛ LUT، مراجعه به جدول؛ MAE، متوسط خطای مطلق؛ MAPE، متوسط خطای مطلق درصد؛ MC، زنجیره مارکوف؛ MDN، شبکه تراکم مخلوط؛ MLP، پراپرترس چند لایه MPPT، حداکثر ردیابی نقطه قدرت؛ MRA، تجزیه و تحلیل چند وضوح؛ MRBM، چند لایه محدود Boltzmann دستگاه؛ MSE، حداقل مربع خطا؛ NN، شبکه عصبی؛ NWP، پیش بینی آب و هوا عددی؛ PDSTA، الگوریتم انتقال اولیه حالت دوگانه؛ PMERNN، روش ترکیبی با استفاده از شبکه عصبی مجدد المن PNN، شبکه عصبی احتمالی PSO، بهینه سازی ذرات ذرات؛ PSO-FCM، بهینه سازی ذرات بر اساس فازی C به معنی؛ RBF، عملکرد پایه شعاعی؛ RBFNN، شبکه عصبی پایه شعاعی؛ RFA، الگوریتم تصادفی تصادفی؛ SCADA، کنترل نظارت و کسب اطلاعات؛ SHL، shared-hidden-layer؛ SOM، نقشه selforganized؛ SVM، دستگاه بردار پشتیبانی؛ WES، سیستم انرژی باد؛ WPD، تجزیه بسته های موجک؛ WT، توربین بادی ⁎ نویسنده مسئول.
Year: 2018
Publisher : ELSEVIER
By : Alberto Pliego Marugán, Fausto Pedro García Márquez ,Jesus María Pinar Perezb,Diego Ruiz-Hernández
File Information: English Language/ 15 Page / size: 784 KB
سال : 1397
ناشر : ELSEVIER
کاری از : آلبرتو پیلگو مارگونن، فاستو پدرو گارسیا مارکز، عیسی ماریا پینار پرزب، دیگو روئیس هرناندز
اطلاعات فایل : زبان انگلیسی / 15 صفحه / حجم : KB 784
نقد و بررسیها
هنوز بررسیای ثبت نشده است.