مدلبندی میانگین و نوسانات سرعت باددر ایستگاه هواشناسی رشت

عنوان دوره: نوزدهمین کنفرانس ژئوفیزیک ایران
کد مقاله : 1780-NIGS
نویسندگان
گروه ریاضی و آمار، دانشکده علوم، دانشگاه آزاد اسلامی واحد تهران مرکز، تهران، ایران
چکیده
یکی از مشکلات در استفاده از انرژی باد این است که برق تولید شده توسط باد نسبت به برق تولید شده توسط سایر منابع ناپایدار است، و درنتیجه ادغام استفاده از انرژی باد با سایر سیستم‌های تولید برق چالش است که البته می‌توان این مشکل را با داشتن اطلاعات دقیق از میانگین و نوسانات سرعت باد کاهش داد.ما در این مقاله میانگین و نوسانات سرعت باد را مدل‌سازی می‌کنیم. داده‌های مورد بررسی، میانگین هفتگی سرعت باد از ابتدای سال 2002 تا پایان سال 2016 در ایستگاه‌ هواشناسی رشت است. برای مدل‌سازی ابتدا به داده‌های این ایستگاه‌ ، یک مدل اتورگرسیو میانگین متحرک برای میانگین سرعت باد برازش داده، سپس برای باقی‌مانده‌های حاصل از برازش مدل، مدل‌های GARCH را به کار می‌بریم. در نهایت با استفاده از معیار بیزی، بهترین مدل را برای مدل‌بندی انتخاب می‌کنیم و به این نتیجه می‌رسیم که مدل‌های ARMA-GARCHبرای مدل‌سازی سرعت باد مناسب می‌باشند.
کلیدواژه ها
 
Title
Modeling of mean and volatility of wind speed in Rasht meteorological station
Authors
Leila Golshani
Abstract
One of the problems in using wind energy is that the electricity generated by wind is more unstable than electricity generated by other sources, and as a result, integrating the use of wind energy with other power generation systems is a challenge. Reduced the problem by having accurate information about the mean and wind speed volatility. In this article, we model the mean and wind speed volatility. The data under study is the average weekly wind speed from the beginning of 2002 to the end of 2016 at the Rasht meteorological station. To model, we first fit a moving average autoregressive model to the average wind speed, then use the GARCH models for the remainder of the model fit. Finally, using the Bayesian criterion, we select the best model for modeling and conclude that ARMA-GARCH models are suitable for wind speed modeling.
Keywords
wind speed, Autoregressive moving average, GARCH, Bayesian criterion, ARMA-GARCH models, Time series