New Momentum Adjustment Technique for Levenberg -Marquardt Neural Network Training Used in Short Term Load Forecasting

سال انتشار: 1385
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 1,888

فایل این مقاله در 7 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:

PSC21_201

تاریخ نمایه سازی: 27 آبان 1385

چکیده مقاله:

One of the important requirements for operational planning of electrical utilities and also transactions of electrical power markets is the prediction of hourly load up to several days, known as short term load forecasting (STLF). Nowadays, intelligent methods, specially, artificial neural network (ANN) is the dominant method when it comes to STLF. The Levenberg-Marquardt (LM) algorithm has been extensively used as training method for ANNs. In this work, a new momentum adjustment technique is implemented for training ANN of Iran national power system (INPS) STLF. The performance is compared with conventional LM algorithm with other momentum adjustment techniques. The new method of momentum adjustment for LM algorithm improves learning of ANN for STLF of INPS in the sense of error and time consumption.

کلیدواژه ها:

Short Term Load Forecasting ، Artificial Neural Networks (ANN) ، Levenberg-Marquardt (LM) Algorithm

نویسندگان

Khosravi.Z

Department of Power System Operation Niroo Research Institute (NRI) Tehran, IRAN

Barghinia

Department of Power System Operation Niroo Research Institute (NRI) Tehran, IRAN

Ansarimehr

Department of Power System Operation Niroo Research Institute (NRI) Tehran, IRAN

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 :
  • Shin-Tzo Chen, David C.Yu, A.R. Moghaddamj O, "Weather Sensitive Short-Term ...
  • A. Khotanzad, Rey-Chune Hwang, A. Abaye, D. Maratakulam, "An Adaptive ...
  • A. Khotanzad, R. A fkh ami-Rohani _ D. M aratukulam, ...
  • Nader S. Moharari, Atif S. Debs, "Short-Term Load Forecasting Using ...
  • B.S. Kermanshahi _ C.H. Poskar, G. Swift, W. Buhr, A. ...
  • T. Matsumoto, S. Kitamara, Y, Ueki, T Matsui, "Short Term ...
  • M. Riedmiller and H. Braun, (1993), ، A Direct Adaptive ...
  • M. Riedmiller, (1994), ، Advanced Supervised Learning in Multi-Layer Perceptrons ...
  • Figure8: Forecasting Results for Monday 15th Tir 1383 _ _ ...
  • Figure9: Forecasting Results for Thursday 29th Sh ahrivar 1383 ...
  • Figure10: Forecasting Results for Thursday 30th Mehr 1383 ...
  • Figure11: Forecasting Results for Monday 2th Aban 1383 ...
  • Martin T. Hagan and Mohammad B. Menhaj , (1994), *Training ...
  • D, Marquardt, (1963), ،An Algorithm for Least Squares Estimation of ...
  • S. Barghinia, P. Ansarimehr, H. Habibi, N. Vafadar, "Short Term ...
  • P. Ansarimehr, S. Barghinia, H. Habibi, N. Vafadar, "Short Term ...
  • S. E. Fahlman, (1988), ،0An Empirical Study of Learning Speed ...
  • R. A. Jacobs, (1988), «Increased Rates of Convergence Through Learning ...
  • R. Battiti, (1992), ،First and Second Order Methods for Learning: ...
  • R. A. Jacobs, (1988), «Increased Rates of Convergence Through Learning ...
  • T. P. Vogl, J.K. Mangis, A.K. Rigler, W. T. Zink ...
  • Rob Smithies, Said Salhi, Nat Queen, (2004), *Adaptive Hybrid Learning ...
  • C. Igel and M. Husken, (2003), *Empirical Evaluation of the ...
  • A. D. Anastasiadis, G. D. Magoulas und M. N. Vrahatis, ...
  • نمایش کامل مراجع