تخمین سرعت و جهت باد در نیروگه های برق بادی با استفاده از فیلتر تظبیقی

باد یک منبع مهم انرژی تجدیدپذیر با در دسترس بودن در بسیاری از نقاط جهان به شمار می رود. با استفاده از مدل های پیش بینی دقیق انرژی باد، می توان انرژی برق شبکه قدرت را تأمین نمود. چالش های جدید در قابلیت اطمینان سیستم، ناشی از ذات متغیر بودن سیگنال باد است. امروزه ابزارها و روش های قدرتمند و دقیقی برای پیش بینی قدرت باد وجود دارد زیرا بخش اساسی سیستم قدرت مبتنی بر انرژی باد است. سرعت باد به طور مستقیم وابسته به مکعب سرعت باد است، بنابراین یک بهبودی کوچک در پیش بینی سرعت باد یک پیش بینی دقیق تر از قدرت باد را فراهم می کند. دقت مدل های پیش بینی سرعت باد به ویژگی های سیگنال باد که در یک روش نمونه ترکیب شده اند بستگی دارد. جهت باد اثر قابل توجهی در پیش بینی سرعت باد و سیگنال مختلط باد ارائه می دهد. سیگنال مختلط باد متغیر است، از این رو مدل سازی به طور گسترده خطی نتایج مطلوبی از سیگنال مختلط باد به دست می آورد. سیگنال باد دارای ارتباط قوی فضائی و زمانی می باشد. بسیاری از روش های پیش بینی باد در حال حاضر همه ویژگی های سیگنال باد را در یک فرمول واحد ارائه نمی دهند. در این پایان نامه، در ابتدا ما مدل خطی پیش بینی مشترک سرعت باد را با استفاده از ماهیت متغیر سیگنال های مختلط باد و همچنین استفاده از ویژگی های ارتباط فضائی و زمانی سیگنال باد بررسی کرده ایم. برای به دست آوردن پارامترهای به روزرسانی این مدل، از الگوریتم بازگشتی حداقل مربعات استفاده شده است. مدل های پیش بینی بیشتر برای بهره برداری از منابع کار آمد، با استفاده از فرمول مجموعه عضویت بهینه سازی می شوند. در این پایان نامه یک مدل پیش بینی برای سیگنال های مختلط باد بهبود یافته، و این الگوریتم بر روی داده های باد مورد آزمایش و شبیه سازی قرار گرفته است. نتایج شبیه سازی در ابتدا نشان می دهد که روش توسعه یافته گسترده خطی عملکرد پیش بینی را بهبود می دهد. به منظور بررسی نتایج، داده های باد دنیای واقعی مورد استفاده قرار گرفته اند. همچنین در این پایان نامه روش aapa مورد بررسی و تجزیه و تحلیل قرار گرفته است و نتایج فیلتر تطبیقی aapa با مدل های خطی و گسترده خطی مقایسه گردیده است؛ و با تجزیه و تحلیل نتایج ملاحظه می شود که فیلتر aapa نتایج بهتری را نسبت به روش های خطی و گسترده خطی، و پیش بینی دقیقی در بازه های زمانی طولانی مدت ارائه می دهد.