دانلود ترجمه مقاله مدلسازی منحنی توربین بادی با شبکه عصبی مصنوعی (ساینس دایرکت – الزویر ۲۰۱۶) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

این مقاله انگلیسی ISI در نشریه ساینس دایرکت (الزویر) در ۸ صفحه در سال ۲۰۱۶ منتشر شده و ترجمه آن ۱۷ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

مشخصات مقاله انگلیسی (PDF)
سال انتشار	۲۰۱۶
تعداد صفحات مقاله انگلیسی	۸ صفحه با فرمت pdf
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
شناسه شاپا یا ISSN	ISSN ۰۹۶۰-۱۴۸۱
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در نشریه Elsevier
نشریه الزویر

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ مدلسازی منحنی توان توربین باد
۲٫ روش‌های گسسته
۲٫۲ روش‌های پارامتری
۳٫۲ روش غیرپارامتری
۲٫۴ روش‌های تصادفی
۳٫ توصیف دیتابیس (اطلاعات پایه)
۳٫۱ پیش پردازش داده‌ها
۳٫۲ پارامترهای بدست آمده
۳٫۳ نمونه گیری مجدد دیتابیس
۳-۴ تجزیه و تحلیل همبستگی
۴٫ جزئیات مدلسازی ANN
۴٫۱ آموزش ANN
۵٫ اعتبار سنجی مدل ANN
۶٫ نتایج
۶٫۱ مقایسه منحنی توان
۶٫۲ محاسبه خطا برای هر سرعت باد
۶٫۳ محاسبه خطای وزن
۷٫ نتیجه گیری

• بخشی از ترجمه:

۷٫ نتیجه گیری
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( مثلاً 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.

• بخشی از مقاله انگلیسی:

۷٫ Conclusion

Artificial neural networks with six inputs have been developed in order to identify an accurate model site-specific wind turbine performance. Results of this modelling technique were compared with parametric, non-parametric, and discrete methods. For the two turbines studied, it has been demonstrated that the strategic incorporation of 6 inputs in a multi-stage ANN modeling technique, the possibility to incorporate further variables as needed and the decrease in the level of errors is able to outperform previously developed models. With further data available (e.g. wind speeds above hub height, wind veer, etc.) more inputs could have been easily added into the model and potential further lower the errors levels obtained. This is rendered possible due to the facts that low interactions between inputs have been found in the two sites considered and that power normalization between each modelling steps is performed. These results demonstrate the potential of the two-layer MLP neural network to properly model the power performance of wind turbines which could be easily used by maintenance application focus on underperformance detection [35]. Furthermore, it has been shown that the choice of the six parameters is crucial and has been selected amongst more than fifty potential parameters tested in term of variability in differences between observed and predicted power output.

دانلود رایگان مقاله انگلیسی          خرید ترجمه فارسی مقاله