fa ارزیابی الگوهای سری زمانی برای نوسانات سرعت باد در ایستگاه هواشناسی انزلی تخصصي Special كاربردي Applicable <div style="text-align: justify;"><span style="font-size:11px;"><span style="font-family:Tahoma;"><span style="direction:rtl"><span style="unicode-bidi:embed"><span new="" roman="" times=""><b><span lang="FA"><span style="color:black">چکیده. </span></span></b><span lang="FA"><span style="color:black">یکی از مشکلات مهم در استفاده از انرژی باد این است که برق تولید‌شده توسط باد نسبت به برق تولیدشده توسط سایر منابع ناپایدار است، و در نتیجه ادغام استفاده از انرژی باد با سیستم‌های تولید برق سنتی می‌تواند یک چالش باشد. این مشکل را می‌توان با داشتن اطلاعات دقیق از میانگین و نوسانات سرعت باد به طور موثری کاهش داد. بنابراین در این مقاله میانگین و نوسانات سرعت باد را با استفاده از الگوهای سری زمانی مدل‌سازی می‌کنیم. برای این منظور انواعی از مدل‌های</span></span> <span lang="FA"><span style="color:black">گارچ </span></span><span dir="LTR"><span style="color:black">(GARCH)</span></span><span lang="FA"><span style="color:black"> را مورد بررسی قرار می‌دهیم. داده‌های مورد بررسی میانگین هفتگی سرعت باد از ابتدای سال ۲۰۰۲ تا پایان سال ۲۰۱۶در ایستگاه هواشناسی بندر انزلی است که شامل ۷۸۳ مشاهده می‌باشد. برای مدل‌سازی ابتدا به داده‌های این ایستگاه ، یک مدل اتورگرسیو میانگین متحرک (ARIMA</span></span><span lang="FA"><span style="color:black">) برای میانگین سرعت باد برازش داده، سپس برای باقی‌مانده‌های حاصل از برازش مدل، انواع مدل‌های </span></span><span dir="LTR"><span style="color:black">GARCH</span></span><span lang="FA"><span style="color:black"> شامل مدل‌های گارچ، گارچ در میانگین و مدل‌های نامتقارن گارچ را به کار می‌بریم. در نهایت با استفاده از معیار اطلاع بیزی در بین تمامی مدل‌های برازش‌شده، بهترین مدل را برای مدل‌بندی نوسانات سرعت باد در این ایستگاه انتخاب می‌کنیم و به این نتیجه می‌رسیم که مدل نامتقارن </span></span><span dir="LTR"><span style="color:black">ARMA-EGARCH</span></span><span lang="FA"><span style="color:black"> برای مدل‌سازی سرعت باد مناسب است.</span></span><span dir="LTR"><span style="color:black"></span></span></span></span></span></span></span><br> &nbsp;</div> <div style="text-align: justify;"><span style="font-size:11px;"><span style="font-family:Tahoma;"><span style="line-height:normal"><span style="unicode-bidi:embed"><span new="" roman="" times=""><b>Abstract. </b><span lang="EN">One of the major problems in using wind energy is that wind-generated electricity is more unstable than electricity generated by other sources, and therefore integrating wind energy use with traditional power generation systems can be a challenge. This problem can be effectively reduced by having accurate information about the mean and wind speed </span>volatilities<span lang="EN">. Therefore, in this paper, we model the average and wind speed </span>volatilities<span lang="EN"> using time series models. For this purpose, we examine different types of GARCH models. The data studied is the weekly average wind speed from the beginning of 2002 to the end of 2016 in Bandar Anzali meteorological station, which includes 783 observations. </span><span lang="EN">For modeling, first a moving average autoregressive model is fitted to the data of this station for the average wind speed, then for the residuals obtained from the model fit, </span><span lang="EN">we use a variety of GARCH models including GARCH models, GARCH in mean and asymmetric GARCH models. Finally, using the Bayesian information criterion among all fitted models, we select the best model for modeling wind speed </span>volatilities<span lang="EN"> at this station and </span><span lang="EN">conclude that the asymmetric ARMA-EGARCH model </span>is suitable for wind speed modeling.</span></span></span></span></span><br> &nbsp;</div> سرعت باد, اتورگرسیو میانگین متحرک, گارچ, معیار اطلاع بیزی. Wind speed, autoregressive moving average, GARCH, Bayesian criterion. 461 476 http://ijoss.srtc.ac.ir/browse.php?a_code=A-10-304-2&slc_lang=fa&sid=1 Bita Mollaabbasi بیتا ملاعباسی bitaabbasi1@gmail.com 10031947532846001416 10031947532846001416 No Leila  Golshani لیلا گلشنی Leila_golshani@yahoo.com 10031947532846001417 10031947532846001417 Yes