پیش بینی کوتاه مدت انرژی الکتریکی شبکه تهران بوسیله شبکه های عصبی

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,015

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NEC06_042

تاریخ نمایه سازی: 19 مهر 1385

چکیده مقاله:

صنعت برق از صنایع زیربنائی یک کشور و رکنـی بسـیار مهـم در رشد و پیشرفت جوامع ا مروزی محسوب می شود . بـا توجـه بـه اینکه از یک طرف پروژه های صنعت برق نیاز به سـرمایه گـذاری کلان و زمان های طـولانی دارد و از طـرف دیگـر بـا تکنولـوژی موجود هنوز نمی توان ذخیره این انرژی را در ابعاد بـزرگ امکـان پذیر نمود . بنابراین برنامه ریزی تولید بایـد بـه گونـه ای صـورت گیرد که پاسخگوی تقاضای انرژی الکتریکی باشد . بـدین جهـت پیش بینی بار به عنوان عاملی مهم در طرح توسعه و بهره بـرداری از سیستم های قدرت تلقی می شود و در واقع وسیله ای است که به کمک آن می توان درجهت بهبود وتصمیم گیری اقدام نمود . برآورد روند تخصیص منابع برای توسعه شبکه برقرسانی الزامـی است . در برنامه ریزی توسعه آینده یک سیستم قدرت برآورد بار از اهمیت زیادی برخوردار است و اساس و مبنـای مطالعـات برنامه ریزی را تشکیل می دهد میزان خطـای پـیش بینـی بـار دارای اهمیت خاصی است . مشکلات تصمیم گیری در این مورد مو قعی بیشتر می شود که با بودجه محدود وهدف حداقل کردن هزینه از یک طـرف و فشار متخصصین و مهندسـین بخـش قـدرت بـرای خریـد تجهیزات پیشرفته و گران قیمت از طرف دیگر و نیز گسترش بی رویه در استفاده از انرژی الکتریکی مواجه شود . اگر میزان بار پیش بینی شده کمتر از بار واقعی باشد ضـریب اطمینـان و در نتیجه کیفیت خدمات کاهش می یابـد و ایـن امـر ممکـن است حتی به خاموشی های اجباری بیانجامد . خود این مسأله تا حدی کار مسئولین تجزیه و تحلیل قابلیت اطمینان سیسـتم را مشکل می سازد و از طرف دیگـر اگـر بـار آینـده بـیش از مقدار مورد نیاز پیش بینی گر دد سرمایه گـذاری زیـادی هـدر شده و به نیاز مالی منجرمی گردد . لـذا پـیش بینـی بـار امـ ری ضروری بنظر می رسد زیرا الف - ضرورت ایجاد تعادل بهینه بین عرضه وتقاضا ب - اهمیت تقاضای لحظه ای عرضه وتقاضای برق ج - ضرورت مدیریت بار پیش بینی بر اساس مقیاس زمانی ] [ 16 الف ـ کوتاه مدت : حداکثر زمان قابل پیش بینی یـک هفتـه بوده و اهدف آن را می توان به صورت زیر نام برد که اسـاس کارما دراین مقاله است . -1 تنظیم برنامه جهت استفاده از نیروگاه های موجود ، بـدین صورت که حتی الامکان از نیروگاه های بخار بعنوان بار پایه و از نیروگاه های آبی جهت کنت رل فرکانس و از نیروگاه های گـازی جهت رفع کمبود تولید در ساعات پیک استفاده نمود . -2 تهیه برنامه جهت ذخیـره گـردان و غیرگـردان شـبکه و میـزان خاموشی ها در صورت کمبود تولید . -3 تهیه برنامه خروج واحـدها ، خطـوط انتقـال و ترانسـفورماتور های شبکه فوق توزیع . -4 رعایت م یزان انرژی تعیـین شـده واحـدهای آبـی کـه در ایـن خصوص با توجه به متفاوت بودن میزان بـار در سـاعات مختلـف روز می توان با آگاهی از میزان ذخیره آب در پشت سـدها در مـاه های مختلف از این نیروگاه حداکثر راندمان را بـا کمتـرین هزینـه بدست آورد . -5 رعایت مسائل اقتصادی . ب ـ پیش بینی میان مدت : این دوره معمولاً برای سه تا ده سـال آینده است و هدف از این پیش بینی برنامه ریزی سیستم یا بعبارت دیگر برنامه ریزی برای انتقال و توزیع است . ج ـ بلند مدت : برای زمانی بیشتر از ده سال انجـام مـی شـود و هدف از آن برنامه ریزی سیستم تولید می باشد

کلیدواژه ها:

پیش بینی - انرژی - کوتاه مدت - شبکه عصبی

نویسندگان

علی اکبر نصیری

کار شناسی ارشد مهندسی انرژی

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 :
  • دکتر محمد باقر منهاج-مبانی شبکه های عصبی ...
  • دکتر محمد تقی فاطمی قمی -پیش بینی وتجزیه تحلیل سریهای ...
  • دکتر یدا..سبوحی- جزوه درسی مدل سازی انرژی ...
  • دکتر مظفر احمدزاده- مدلهای خطی برآورد رگراسیون ...
  • یش بینی بار آینده شبکه های توزیع -مرکز تحقیقات نیرو ...
  • . Hu ang -chuhuang _ Rey -chue Huang , jer- ...
  • -Stanislar OSOV ski , Krz y sztof siwek , lind ...
  • -Tatsuya Irzaka, Tetsuro Matsui, yoshikazu fatuyama :"ANoral Daily peak Load ...
  • method using Analyzable Structured Neural Network, " IEEE T & ...
  • - L.m saini-and m.k.soni :"Artificial neural Network based peak load ...
  • - Tomonobu senjya, member, IEEE, Hitoshi Takara, katsumi uezato and ...
  • نمایش کامل مراجع