Dynamic Equivalent Modeling of Winds and Generators in Wind Farms based on Neural Regression and Clustering

با افزایش وسعت مزرعه بادی، تنوع سرعت باد و تعداد ژنراتورها، برای کاهش پیچیدگی محاسبات و زمان شبیه‌سازی به معادل‌سازی بادها و ژنراتورها پرداخته می‌شود. در این مقاله، سرعت‌های باد ورودی توربین‌ها در یک بازه مشخص در نظر گرفته می‌شوند و با پیشنهاد رگرسیون عصبی و ایجاد ساختار آن، نشان داده می‌شود که سرعت‌های باد ورودی در این مطالعه چه قدر بر توان خروجی مؤثرند و چه اهمیتی برای فضای ویژگی خوشه‌بندی دارند. این در حالی است که به‌طورمعمول به‌دلیل پیچیدگی رابطه دینامیکی بین توان خروجی و سرعت باد، روش‌های سنتی رگرسیون‌گیری نیز پیچیده‌تر می‌شوند. پس از اتمام رگرسیون‌گیری، رابطه‌ای برای محاسبه درایه‌های ماتریس فضای ویژگی پیشنهاد می‌گردد و سپس به ارائه و اعمال خوشه‌بندی فازی بر روی فضای ویژگی مذکور مبادرت می‌گردد. درنتیجه سرعت‌های باد خوشه‌بندی و سپس در هر خوشه معادل‌سازی می‌شوند. از ویژگی‌های خوشه‌بندی فازی آن است که به‌راحتی در نقطه بهینه محلی اسیر نمی‌شود. سپس بر اساس روابطی خاص، پارامترهای معادل برای ژنراتور معادل در هر خوشه محاسبه می‌گردد. در این مقاله رگرسیون قوی و درعین‌حال نتایج معادل‌سازی بسیار نزدیک به مدل دقیق برای بادها و ژنراتورهای معادل اخذ می‌گردد.