مروری بر تاثیر هوش مصنوعی بر پیک بار در تابستان

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

  • من نویسنده این مقاله هستم

این در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این :

چکیده :

توسعه سریع اقتصاد و جامعه، پیشبینی بار کوتاهمدت اهمیت فزایندهای در توزیع سیستم قدرت و پاسخگویی به تقاضا پیدا میکند. در این زمینه، استفاده از شبکههای عصبی مصنوعی به عنوان ابزاری قدرتمند برای پیشبینی پیک بار مصرفی مورد استفاده قرار گرفته است. این شبکهها برای پیشبینی روابط بین پیک بار مصرفی در گذشته، حال و آینده استفاده میشوند. در مقاالت مختلف، الگوریتمهای مهمی مانند شبکههای عصبی چندالیه و شبکههای عصبی فازی برای پیشبینی پیک بار مصرفی مورد استفاده قرار گرفتهاند. این مقاالت نشان دادهاند که با توجه به ماهیت پارامترهای در نظر گرفته شده، شبکههای عصبی چندالیه دقت بیشتری نسبت به شبکههای عصبی فازی در پیشبینی پیک بار مصرفی دارند. استفاده از هوش مصنوعی میتواند بر پیک بار انرژی در تابستان تاثیرگذار باشد. با بهکارگیری الگوریتمهای هوش مصنوعی مانند یادگیری ماشینی و شبکههای عصبی، میتوان بهصورت هوشمندانه مصرف انرژی را مدیریت کرده و پیک بارهای انرژی را کاهش داد. این امر میتواند منجر به بهبود کارایی سیستمهای توزیع انرژی و کاهش هزینههای انرژی برای مصرفکنندگان شود. عالوه بر این، از طریق استفاده از هوش مصنوعی میتوان بهینهسازی زمانبندی پرداخت انرژی، مدیریت تقاضا و تامین انرژی را بهصورت هوشمندانهتر انجام داد. به طور کلی، اثرات مثبت هوش مصنوعی بر پیک بار انرژی در تابستان میتواند موجب بهبود عملکرد و کارایی سیستمهای انرژی شود. کلیدواژه: هوش مصنوعی، رگرسیون برداری پشتیبانی، پیش بینی بار کوتاه مدت، بار خنک کننده، تابستان

کلیدواژه ها:

نویسندگان

رضا محمودی

دانشجو

علی اکبر مهدیزاده

کارشناس ارشد برق کنترل

مراجع و منابع این :

لیست زیر مراجع و منابع استفاده شده در این 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 لینک شده اند :
  • Espinoza M, Joye C, Belmans R, et al. Short-term load ...
  • customer segmentation: a methodology based on periodic time series[J]. IEEE ...
  • Power Systems, 5002, 50(3):1255-1230. ...
  • 5. Sfetsos A, Siriopoulos C. Time series forecasting of averaged ...
  • information[J]. IEEE Transactions on Systems, Man, and Cybernetics - Part ...
  • Humans, 5002, 32(2):837-842. ...
  • 3. Deb C, Zhang F, Yang J, et al. A ...
  • consumption[J]. Renewable and Sustainable Energy Reviews, 5018, 849:05-:54. ...
  • 4. Tang J J, Niu H N, Yang M H. ...
  • linear correlation analysis[J]. Power System Protection and Control, 5010, 37(14):157-133. ...
  • 2. Tarsitano A, Amerise I L. Short-term load forecasting using ...
  • 5018, 133. ...
  • 2. Duan Q, Liu J, Zhao D. Short term electric ...
  • choice[J]. International Journal of Electrical Power and Energy Systems, 5018, ...
  • 8. Kalaitzakis K, Stavrakakis G S, Anagnostakis E M. Shortterm ...
  • neural networks parallel implementation[J]. Electric Power Systems Research, 5005, 23(3):172- ...
  • 1:2. ...
  • 7. Alsayegh O A. Short-term load forecasting using seasonal artificial ...
  • International Journal of Power and Energy Systems, 5003. ...
  • :. Li Y, Huang Y, Zhang M, et al. Short-term ...
  • based on niche immunity lion algorithm and convolutional neural network[J]. ...
  • 10. Kuo P H, Huang C J. A High Precision ...
  • Load Forecasting[J]. Energies, 5017, 11(1):513. ...
  • 11. Wang Y, Liu M, Bao Z, et al. Short-term ...
  • recurrent unit neural networks[J]. Energies, 5017, 11(2):1137. ...
  • 15. Dong Y, Zhang Z, Hong W C, et al. ...
  • algorithm with a support vector regression model for electric load ...
  • 11(4):100:. ...
  • 13. Chen Y, Xu P, Chu Y, et al. Short-term ...
  • Regression (SVR) model to calculate the demand response baseline for ...
  • Energy, 5018, 1:2922:-280. ...
  • 14. Che J X, Wang J Z. Short-term load forecasting ...
  • combination model[J]. Applied Energy, 5014, 135(11):205-20:. ...
  • 12. Fan G F, Peng L L, Hong W C, ...
  • empirical mode decomposition and auto regression[J]. Neurocomputing, 5012, 1839:27-:80. ...
  • 12. Li, Q., Zou, G., Zeng, W., Gao, J., He, ...
  • intelligence support for power systems analytics in the energy industry. ...
  • 11348. ...
  • 18. Nabavi-Pelesaraei, A., Rafiee, S., Mohtasebi, S. S., Hosseinzadeh-Bandbafha, H., ...
  • (5017). Integration of artificial intelligence methods and life cycle assessment ...
  • output and environmental impacts of paddy production. Science of the ...
  • 158:-15:4 ...
  • نمایش کامل مراجع