Prediction of Hydropower Generation Based on the Rainfall Value by Using the Monte Carlo Method for energy management
محل انتشار: همایش منطقه ای مهندسی مکانیک خودرو
سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 2,133
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
AUTOENG01_042
تاریخ نمایه سازی: 24 اردیبهشت 1391
چکیده مقاله:
Rainfall in the catchment and river of hydropower plants is considered as the most important factor for evaluation and modeling of hydropower generation of plants. In this paper, modeling of Amir Kabir plant's hydropower generation has been done according to annual rainfall in its catchment. Then rainfall in catchment of the Amir Kabir hydropower plant is modeled using Monte Carlo method, and employed for forecasting rainfall in the coming years. Assessment of power generation of hydroelectric plants is important help in planning and management of the electric generating systems. Overall model that is obtained in this study have important applications. Managers can use it to know ability to produce hydropower in short-term of the coming years. In the long term potential impact of probable climate change in the corresponding catchment and hydropower generation can be estimated
کلیدواژه ها:
Energy management- Hydropower Plants- Hydroelectric Power Generation- Relationship of Precipitation and Hydro Electrical Energy- Monte Carlo Modeling ، climate change and energy production
نویسندگان
Abazar Vahdat Azad
Department of mechanical Engineering, Faculty of Engineering, Islamic Azad University, Tehran South branch
Nader Vahdat Azad
Department of mechanical Engineering Faculty of Mechanical Engineering, K.N. Toosi University of Technology
Ali Behbahania
۳, Department of mechanical Engineering Faculty of Mechanical Engineering, K.N. Toosi University of Technology
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :