فهرست نشریات علمی دسترسی آزاد ایران

تقاضای انرژی الکتریکی با توسعه صنعت به‌شدت افزایش یافته است، اما تأمین آن از سوخت‌های فسیلی مشکلاتی مانند گرمایش زمین و آلودگی محیط زیست را به دنبال دارد. با توجه به محدودیت و کاهش منابع فسیلی، یافتن جایگزین‌های پایدار ضروری است. در این میان، انرژی باد به دلیل هزینه کم و عدم تولید آلودگی، به عنوان یک منبع تجدیدپذیر مناسب برای تأمین انرژی الکتریکی مطرح می‌شود. با این حال، برای دستیابی به توان پایدار از نیروگاه‌های بادی، لازم است اطلاعات دقیقی از سرعت باد در آینده در دسترس باشد. پیش‌بینی سرعت باد به دلیل ماهیت تصادفی و متناوب آن بسیار دشوار است، در این مقاله، برای مقابله با این چالش و دستیابی به پیش‌بینی دقیق، از مدل ترکیبی شامل شبکه عصبی کانولوشنال موقتی و بازگشتی دوطرفه ( TCN-BiLSTM ) استفاده شده است . ابتدا، هایپرپارامترهای الگوریتم تجزیه حالت متغیر ، با استفاده از روش قدرتمند Optuna بهینه‌سازی شده‌اند. در مرحله بعد، داده‌های اصلی سرعت باد برای بهبود عملکرد مدل ترکیبی ( TCN_BiLSTM ) نرمالیزه شده و به الگوریتم تجزیه حالت متغیر داده شده‌اند تا به توابع مد ذاتي( IMF ) تجزیه شوند. سپس هر IMF به ‌صورت جداگانه به مدل ترکیبی برای پیش‌بینی داده می‌شود. درآخر در نهایت، خروجی‌ها از حالت نرمال‌سازی خارج و ترکیب شده‌اند تا نتیجه نهایی به‌دست آید. با توجه به ارزیابی مدل ترکیبی با معیارهای آماری، نتایج نشان می‌دهد که مدل پیشنهادی دقت بالایی دارد. در این ارزیابی، ضریب تعیین برابر با 99.1 ٪ ، میانگین خطای مطلق برابر با 0.36 و ریشه میانگین مربعات خطا برابر با 0.48 به‌دست آمده است .