مقاله انگلیسی یادگیری ماشین و هوش ترکیبی برای بهینه‌سازی انرژی باد: یک مرور جامع و به‌روز

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط 

عنوان فارسی:

یادگیری ماشین و هوش ترکیبی برای بهینه‌سازی انرژی باد: یک مرور جامع و به‌روز

عنوان انگلیسی:

Machine learning and hybrid intelligence for wind energy optimization: A comprehensive state-of-the-art review

کد محصول: M2015

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:Expert Systems With Applications

نوع مقاله: مروری (Review Article)

متغیر : ندارد

فرضیه: ندارد

مدل مفهومی: ندارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 31 صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M2015)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

انرژی بادی نقشی محوری در گذار جهانی به سوی انرژی پایدار ایفا می‌کند. با این حال، ماهیت متناوب و تصادفی آن، چالش‌هایی را در دستیابی به عملکرد بهینه، قابلیت اطمینان و یکپارچگی ادغام شبکه به وجود می‌آورد. پیشرفت‌های اخیر در هوش ماشینی – شامل یادگیری ماشین (ML)، یادگیری عمیق (DL) و یادگیری تقویتی (RL) – ابزارهای قدرتمندی را برای مقابله با این چالش‌ها در زمینه‌های پیش‌بینی، کنترل، نگهداری و تشخیص ارائه می‌دهند. این مرور سیستماتیک، ارزیابی جامعی از چگونگی مشارکت هوش ماشینی در بهینه‌سازی سیستم‌های انرژی بادی ارائه می‌دهد. این تکنیک‌ها برای افزایش عملکرد در سطح توربین، کاهش تلفات توان، پیش‌بینی خطاها و به حداکثر رساندن بازده انرژی در شرایط نامطمئن و پویا به کار گرفته شده‌اند. در این مرور تأکید ویژه‌ای بر مدل‌های ترکیبی  شده که الگوریتم‌های مبتنی بر داده را با دینامیک‌های فیزیکی و اکتشافات حوزه ترکیب می‌کنند و عملیات مزرعه بادی را در زمان واقعی، پیش‌بینی‌کننده و مستقل ممکن می‌سازند. علاوه بر این، این مطالعه به صورت انتقادی به بررسی موانع یکپارچه‌سازی، مانند داده‌های نویزی اسکادا ، انطباق با مقررات، هزینه‌های محاسباتی و توازن  پایداری می‌پردازد. یافته‌ها نشان می‌دهند که بهینه‌سازی چندهدفه – ایجاد تعادل بین تولید انرژی، تاب‌آوری سیستم و کارایی هزینه – در موفق‌ترین پیاده‌سازی‌ها نقش محوری دارد. چارچوب‌های ترکیبی، هوش مصنوعی قابل توضیح ، محاسبات لبه و یادگیری انتقالی به عنوان توانمندسازهای کلیدی برای استقرار در سطح کلان شناسایی شده‌اند. این مطالعه، نقشه راه جامعی برای کاربرد هوش ماشینی در پیشبرد بهینه‌سازی انرژی بادی ارائه می‌دهد و بینش‌های عملی را برای محققان، مهندسان و سیاست‌گذارانی که متعهد به توسعه زیرساخت‌های هوشمند، تطبیق‌پذیر و پایدار انرژی بادی هستند، فراهم می‌کند.

کلمات کلیدی: انرژی بادی، یادگیری ماشین، یادگیری عمیق، یادگیری تقویتی، بهینه‌سازی چندهدفه، کنترل هوشمند، تشخیص عیوب.

Abstract: Wind energy plays a pivotal role in the global transition toward sustainable energy. However, its intermittent and stochastic nature presents challenges in achieving optimal performance, reliability, and seamless grid integration. Recent advances in machine intelligence—including machine learning (ML), deep learning (DL), and reinforcement learning (RL)—offer powerful tools to address these challenges across forecasting, control, maintenance, and diagnostics. This systematic review provides a comprehensive evaluation of how machine intelligence has contributed to the optimization of wind energy systems. These techniques have been applied to enhance turbine-level performance, reduce power losses, predict faults, and maximize energy yield under un certain and dynamic conditions. Particular emphasis is placed on hybrid models that combine data-driven algorithms with physical dynamics and domain heuristics, enabling real-time, predictive, and autonomous wind farm operations. Furthermore, the study critically examines integration barriers such as noisy SCADA data, regulatory compliance, computational costs, and sustainability trade-offs. The findings highlight that multi- objective optimization—balancing energy production, system resilience, and cost efficiency—is central to the most successful implementations. Hybrid frameworks, explainable artificial intelligence (AI), edge computing, and transfer learning are identified as key enablers for scalable deployment. This review offers a comprehensive roadmap for the application of machine intelligence in advancing wind energy optimization and provides actionable insights for researchers, engineers, and policymakers committed to developing intelligent, adaptive, and sustainable wind power infrastructures.

Keywords: Wind energy, Machine learning, Deep learning, Reinforcement learning, Multi-objective optimization, Smart control, Fault detection

1.مقدمه

انرژی بادی به عنوان یک روش کارآمد تولید برق، منبع اصلی انرژی‌های تجدیدپذیر و مسئول تأمین برق در سراسر جهان است (یانگ و همکاران، 2020؛ یانگ و همکاران، 2019)، ضمن آنکه به کاهش سطح آلودگی و وابستگی به منابع انرژی تجدیدناپذیر کمک می‌کند (سونگ و همکاران، 2020؛ لی و همکاران، 2019؛ چن و همکاران، 2021). استفاده از انرژی بادی در سال‌های اخیر به دلیل نیاز به انرژی پایدار و کاهش مداوم هزینه فناوری‌های انرژی بادی، رشد قابل توجهی داشته است. توسعه توربین‌های بادی (WTs) بزرگتر و کارآمدتر، یک روند مهم در بخش انرژی بادی محسوب می‌شود (کامانی و اردحالی، 2023). با این حال، انرژی بادی با چندین چالش فنی و روش‌شناختی نیز همراه است و با مشکلات عمده‌ای مواجه است؛ از جمله عملکرد نامنظم به دلیل کاهش سرعت باد که منجر به کاهش توان تولیدی می‌شود (اوز و چیم، 2022؛ برنان و ون رنسبرگ، 2023)، افزایش نیاز به تعادل عرضه و تقاضای برق و محدود کردن دسترسی آن به عنوان منبع اصلی برق (تان و همکاران، 2022؛ دنگ و همکاران، 2022)…

1.Introduction Wind energy has an efficient power generation method, being the major source of renewable energy responsible for providing a worldwide electricity supply (Yang et al., 2020; Yang et al., 2019) while reducing pollution levels and reliance on non-renewable sources of energy (Song et al., 2020; Li et al., 2019; Chen et al., 2021). The utilization of wind energy has grown significantly in recent years, driven by the need for sustainable energy and the continued decline in the cost of wind energy technologies. The development of larger and more efficient Wind Tur bines (WTs) is a significant trend in the wind energy sector (Kamani and Ardehali, 2023). Wind energy also comes with several technical and methodological challenges, and it faces several major problems, including irregular performance due to reductions in wind speed that reduce the power generated (Uz and Chim, 2022; Brennan and van Rensburg, 2023), increase the balance to the supply and demand of electricity and limit its availability as a primary source of electricity (Tan et al., 2022; Deng et al., 2022)…

2.روش‌شناسی نقشه برداری و مرور سیستماتیک

هدف از انجام یک مطالعه تحلیلی، بررسی جامع روش‌های مختلف مورد استفاده برای افزایش بهره‌وری انرژی بادی از طریق رویکردهای هوش مصنوعی است. این امر شامل بررسی انگیزه‌های استفاده از آنها، تکنیک‌های به کار گرفته شده، پروتکل‌های تجربی مورد استفاده برای اعتبارسنجی، و موانع تحقیقاتی مواجه شده در طول این تحقیقات است. در نتیجه این ملاحظات، سؤالات نقشه برداری (MQ) و سؤالات پژوهشی (RQ) زیر تدوین شدند. نقشه برداری و مرور های سیستماتیک با هدف پاسخگویی به سؤالات زیر انجام می‌شوند:

MQ1: وضعیت انتشار فعلی تحقیقات در زمینه افزایش بهره‌وری انرژی بادی با رویکردهای هوش ماشینی چیست؟
MQ2: کدام رویکردهای هوش ماشینی برای افزایش بهره‌وری انرژی بادی موثر هستند؟
MQ3: نقش رویکردهای هوش ماشینی در انرژی بادی در طول زمان چگونه تکامل یافته است و روندهای فعلی در این زمینه چیست؟
RQ1: رویکردهای هوش ماشینی پیشرفته کنونی برای افزایش بهره‌وری انرژی بادی کدامند؟
RQ2: چگونه می‌توان از تکنیک‌های یادگیری ماشین (ML) برای بهینه‌سازی عملکرد توربین‌های بادی (WT) و افزایش تولید انرژی استفاده کرد؟
RQ3: چالش‌ها و محدودیت‌های اصلی مرتبط با یکپارچه‌سازی رویکردهای هوش ماشینی در سیستم‌های انرژی بادی کدامند؟
RQ4: مزایا و معایب بالقوه استفاده از رویکردهای هوش ماشینی در بهره‌برداری از انرژی بادی در مقایسه با رویکردهای سنتی چیست؟

2.Systematic review and mapping methodology The purpose of conducting an analytical study is to comprehensively review various methods used for enhancing wind energy utilization through AI approaches. This includes examining the motivations for their use, the techniques employed, the experimental protocols used for validation, and the research obstacles encountered during these in vestigations. As a result of these considerations, the following Mapping Questions (MQ) and Research Questions (RQ) were developed. The systematic mapping and reviews aim to answer the following questions. 

MQ1: What is the current publication status of research on enhancing wind energy utilization with machine intelligence approaches? 
MQ2: What machine intelligence approaches are effective for enhancing wind energy utilization? 
MQ3: How has the role of machine intelligence approaches in wind energy evolved over time, and what are the current trends in this field? 
RQ1: What are the current state-of-the-art machine intelligence ap proaches for enhancing wind energy utilization? 
RQ2: How can ML techniques be used to optimize WT performance and increase energy production? 
RQ3: What are the main challenges and limitations associated with the integration of machine intelligence approaches in wind energy systems? 
RQ4: What are the potential benefits and drawbacks of using ma chine intelligence approaches in wind energy utilization compared to traditional approaches?

6.جمع بندی

یکپارچه‌سازی هوش ماشینی در سیستم‌های انرژی بادی نقشی تحول‌آفرین در بهینه‌سازی اهداف عملیاتی کلیدی ایفا می‌کند. مدل‌های پیشرفته مبتنی بر داده – شامل یادگیری ماشین (ML)، یادگیری عمیق (DL)، یادگیری تقویتی (RL) و چارچوب‌های ترکیبی – به طور قابل توجهی دقت پیش‌بینی، پاسخگویی کنترل و تشخیص خطا را در اجزای مختلف زیرساخت انرژی بادی افزایش می‌دهند. در هسته این پیشرفت‌ها، اهداف بهینه‌سازی سیستم نهفته است: به حداکثر رساندن خروجی انرژی، بهبود قابلیت اطمینان اجزا، همسوسازی منحنی‌های توان با عملکرد مورد انتظار، و کاهش هزینه‌های عملیاتی. تکنیک‌هایی مانند نگهداری و تعمیرات پیشگویانه، کنترل تطبیقی و توزیع تحمل‌پذیری در برابر خطا، نشان می‌دهند که چگونه الگوریتم‌های هوشمند می‌توانند عملکردی فراتر از روش‌های مبتنی بر قوانین سنتی داشته باشند، به ویژه در مواجهه با داده‌های نویزی و ناهمگن اسکادا. رویکردهای ترکیبی که تجزیه سیگنال، بهینه‌سازی تکاملی و شبکه‌های عصبی عمیق (DNNs) را ترکیب می‌کنند، به طور خاص در مدیریت عدم قطعیت و پشتیبانی از تصمیم‌گیری‌های مبتنی بر داده در زمان واقعی، مؤثر بوده‌اند. با وجود این دستاوردها، چالش‌هایی در استقرار واقعی باقی می‌مانند، از جمله یکپارچه‌سازی با سیستم‌های ناهمگن اسکادا، قابلیت تفسیر محدود مدل، تقاضاهای محاسباتی بالا، و اعتبارسنجی ناکافی در شرایط متنوع شبکه و محیط زیست…

6.Conclusions The integration of machine intelligence into wind energy systems is playing a transformative role in optimizing key operational objectives. Advanced data-driven models—including ML, DL, RL, and hybrid frameworks—are significantly enhancing forecasting accuracy, control responsiveness, and fault detection across various components of wind energy infrastructure. At the core of these advancements lies the goal of system optimization: maximizing energy output, improving component reliability, aligning power curves with expected performance, and reducing operational costs. Techniques such as predictive maintenance, adaptive control, and fault-tolerant dispatch demonstrate how intelli gent algorithms can outperform conventional rule-based methods, particularly under the constraints of noisy and irregular SCADA data. Hybrid approaches that combine signal decomposition, evolutionary optimization, and DNNs have proven particularly effective in managing uncertainty and supporting real-time, data-driven decision-making. Despite these gains, challenges remain in real-world deployment, including integration with heterogeneous SCADA systems, limited model interpretability, high computational demands, and insufficient validation across diverse grid and environmental conditions…