علی اصغر قدیمی

: تقاضای انرژی الکتریک ی با توسعه صنعت بهشدت افزایش یافته است، اما تأ مین آن از سوختهای فسیل ی مشکلات ی مانند گرمایش ز مین و آلود گ ی محیط زیست را به دنبال دارد. با توجه به محدودیت و کاهش منابع فسیل ی، یافتن جایگزینهای پایدار ضروری است. در این میان، انرژی باد به دلیل هزینه کم و عدم تولی د آلود گ ی، به عنوان یک منبع تج دیدپ ذیر مناسب برای تأ مین انرژی الکتریک ی مطرح م یشود. با این حال، برای دستیاب ی به توان پایدار از نیروگاههای بادی، لازم است اطلاعات دقیق ی از سرعت باد در آینده در دسترس باشد. پیشبین ی سرعت باد به دلیل ماهیت تصادف ی و متناوب آن بسیار دشوار است، در این مقاله، برای مقابله با این چالش و دستیابی به پیشبین ی دقیق، از مدل تر کیب ی شامل شبکه عصب ی کانولوشنال موقت ی و بازگشت ی دوطرفه ) TCN-BiLSTM ( استفاده شده است. ابتدا، هایپرپارامترهای الگوریتم تجزیه حالت متغیر ، با استفاده از روش قدرتمند Optuna ب هینهسازی شدهاند. در مرحله بعد، دادههای اصل ی سرعت باد برای بهبود عملکرد مدل تر کیب ی ) TCN_BiLSTM ( نرمالیزه شده و به الگوریتم تجزیه حالت متغیر داده شدهاند تا به توابع مد ذات ی) IMF ( تجزیه شون د. سپس هر IMF به صورت جداگانه به مدل تر کیب ی برای پیشبین ی داده م یشود. درآخر در نهایت، خروج یها از حالت نرمالسازی خارج و تر کیب شدهاند تا نتیجه نهای ی بهدست آی د. با توجه به ارزیاب ی مدل تر کیب ی با معیارهای آماری، نتایج نشان م یده د که مدل پیشنهادی دقت بالای ی دارد. در این ارزیابی، ضریب تعیین برابر با 99.۱ ٪، میانگین خطای مطلق برابر با ۰.۳6 و ریشه میانگین مربعات خطا برابر با ۰.۴8 بهدست آمده است