فهرست نشریات علمی دسترسی آزاد ایران

در این مقاله ابتدا با بررسی هوای حاضر گزارش‌های متار، بازه زمانی بیشترین وقوع ناپایداری ایجادکننده باد گاستی (جستی) شناسایی شد. سپس با استانداردسازی داده‌ها به بازه 1/0 تا 9/0، ویژگی‌های مرتبط با جهت و سرعت باد جستی انتخاب شد. روش‌های انتخاب ویژگی در این پژوهش، اطلاعات متقابل و جستجوی پی‌درپی پیشرو شناور با الگوریتم طبقه‌بندی k نزدیک‌ترین همسایگان هستند. ویژگی‌های انتخابی برای پیش‌بینی سرعت باد با روش اول، متغیرهای سرعت باد لحظه‌ای شامل کمینه، میانگین و بیشینه سرعت باد در دو دقیقه و میانگین و بیشینه سرعت باد در ده دقیقه در همان باند هستند. ویژگی‌های انتخابی برای جهت باد با روش اول، متغیرهای جهت باد لحظه‌ای یعنی کمینه، میانگین و بیشینه جهت باد در دو دقیقه و کمینه، میانگین و بیشینه جهت باد در ده دقیقه در همان باند هستند. ویژگی‌های انتخابی با روش دوم برای سرعت باد شامل انحراف جهت باد در ده دقیقه گذشته در باند میانی و فشار لحظه‌ای در هر سه باند است. انحراف جهت باد در ده دقیقه گذشته در باند 11، در باندهای 29 و میانی مشترک هستند. ویژگی چهارم در باندهای 29 و میانی، متغیر بیشینه سرعت باد در ده دقیقه مربوط به همان باند است. در باند 11 علاوه‌بر ویژگی‌های مشترک، متغیرهای بیشینه سرعت باد در ده دقیقه در باند 11 و انحراف جهت باد در ده دقیقه گذشته در باند 29 دیده می‌شود. ویژگی‌های انتخابی برای جهت باد از تنوع بیشتری برخوردار هستند. در مرحله نهایی، ویژگی‌های انتخابی به شبکه عصبی پرسپترون چندلایه در حالت‌های مختلف داده شد. نتایج خروجی مدل برای پیش‌بینی جهت و سرعت باد جستی مقایسه و بهترین مدل برای پیش‌بینی سرعت باد جستی، شبکه با همبندی 1-2-4-4، نرخ یادگیری 1/0 و آستانه آغازین 5/0 برای وزن هر نرون انتخاب شد. برای جهت باد، شبکه با همبندی 1-3-6-6، نرخ یادگیری 1/0 و آستانه آغازین 5/0 مناسب است. عملکرد شبکه عصبی پرسپترون چندلایه‌ای در پیش‌بینی سرعت باد بهتر است.