پیش بینی بار راکتیو با شبکه عصبی LSTM
- سال انتشار: 1401
- محل انتشار: اولین کنفرانس ملی فن آوری های پیشرفته بین رشته ای در علوم مهندسی
- کد COI اختصاصی: ENGINEERKH01_057
- زبان مقاله: فارسی
- تعداد مشاهده: 441
نویسندگان
عضوهیئت علمی موسسه آموزش عالی خراسان، دانشکده مهندسی، گروه برق
دانشجوی کارشناسی ارشد موسسه آموزش عالی خراسان، دانشکده مهندسی، گروه برق
چکیده
پیش بینی دقیق بار راکتیو می تواند دقت و فرآیند بهینه سازی توان راکتیو برای شبکه های قدرت را بهبود بخشد تغییرات در بار راکتیو بارو بار اکتیو همزمان نیستند وتغییرات غیرخطی فراوان هستند و استخراج روندهای ذاتی داده ها دشوار است.با توجه به مشکلات فوق،این مقاله روشی را برای پیش بینی باس بارهای راکتیو بر اساس یادگیری عمیق پیشنهاد می کند. یک مدل پیش بینی بار راکتیو بر اساسیک شبکه عصبی حافظه کوتاه مدت دو ورودی برای استخراج مشخصات دقیق داده های بار واکنشی اکتیو ساخته شده است.بارهای اکتیوو راکتیو به عنوان داده های ورودی و خروجی برای مدل سازی دینامیکی استفاده می شوند تا پیش بینی های یکپارچه باس بارهای اکتیو وراکتیو را تشکیل دهند.نتایج تجربی نشان می دهد که این روش میتواند باس بار توان راکتیو بار ها را با دقت پیش بینی کندکلیدواژه ها
بهینه سازی توان راکتیو، پیش بینی بار راکتیو، شبکه عصبی حافظه کوتاه مدتمقالات مرتبط جدید
- Resource Optimization in Large Language Model Deployment Using Reinforcement Learning and Adaptive Software Engineering
- کاربرد یادگیری ماشین در پیشبینی خطاهای نرم افزاری در مراحل اولیه توسعه سیستم های پیچیده
- A review of the application of silver nanoparticles in improving the performance of ultrathin silicon solar cells
- نگرشی برنانو و نقش آن در تصفیه آب در نیروگاه های برق
- The Biomechanical Effect of Knee Flexion Angles on Squat Lifting with a Flat Back Position
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.