پیشبینی بار ورودی شبکه و بار مصرفی مشترکین در جهت پیشبینی تلفات در شبکه های توزیع باتکیه بر روشهای هوشمند

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 683

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:

TEDECE01_514

تاریخ نمایه سازی: 30 آبان 1394

چکیده مقاله:

انرژی الکتریکی به عنوان یکی از منابع انرژی پاک در جهت مصارف مختلف تولید می گردد. از آنجا که تولید این انرژی با هزینه های جانبی همراه می باشد لذا پیش بینی بار وکاهش تلفات برق در مسیر تولید تا مصرف، یکی از اهداف استراتژیک شرکتهای حوزه صنعت برق می باشد.در شبکه های توزیع معمولا تلفات به تفاضل انرژی ورودی به انرژی مصرفی اطلاق می شود. به عبارتی مقداری از انرژی ورودی با توجه به شرایط به صورت فنی ویا غیر فنی به هدر می رود. ولذا این امر منجر به ایجاد هزینه بیشتر به ازای تولید هر کیلووات برق در چرخه تولید برق کشور می گردد. درحال حاضر روشهای متفاوتی جهت پیش بینی بارودر نهایت تلفات استفاده می گردد که یکی از آنها استفاده از روشهای هوشمند می باشند. در این مقاله با استفاده از شبکه عصبی والگوریتم ژنتیک مدلDUNN جهت محاسبه وپیش بینی میزان بار ورودی به شبکه وبار مصرفی مشترکین ومحاسبه تلفات معرفی شده است. با استفاده از این مدل پیش بینی بارورودی شبکه و بار مصرفی مشترکین انجام می شود واز ارتباط آنها با میزان تلفات، پیش بینی تلفات صورت می گیرد

نویسندگان

مجتبی یزدانی

دانشگاه آزاد اسلامی کرمان و شرکت توزیع نیروی برق جنوب استان کرمان

مجید محمدی

دانشگاه آزاد اسلامی کرمان ودانشگاه شهیدباهنرکرمان

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 :
  • P.C. Chang, C.Y. Fan, and J.J. Lin, "Monthly electricity demand ...
  • International Journal of Electrical Power & Energy Systems, Vol. 33(1) ...
  • T. Chen, " A collaborative fuzzy-neural approach for ...
  • long-term load forecasting in Taiwan", Computers & Industrial Engineering, Vol. ...
  • M. Lopez, S. Valero, C. Senabre, J. Aparicio and A. ...
  • M. Amina, V. S. Kodogiannis, I. Petrounias and D.Tomtsis, " ...
  • C.N. Ko and C.M. Lee, " Short-term load forecasting using ...
  • R.A. Hoo shmand, H _ Amooshahi and ...
  • Parastegari, "A hybrid intelligent algorithm based short-term load forecasting approach", ...
  • S.Kouhi, and F. Keynia, " A new cascade NN based ...
  • Management, Vol. 71(0), pp. 76-83, 2013 ...
  • N. Liu _ Tang, J. Zhang, W. Fan and J. ...
  • grids", Applied Energy, Vol. 129(1), pp. 336-345, 2014 ...
  • J. Che, "A novel hybrid model for bi-objective short- term ...
  • نمایش کامل مراجع