پیش بینی بار کوتاه مدت در شبکه فوق توزیع هرمزگان به کمک شبکه عصبی در محیط اطلاعات فازی

سال انتشار: 1384
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,258

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:

ICEE13_082

تاریخ نمایه سازی: 27 آبان 1386

چکیده مقاله:

پیش بینی بار یک فرآیند مرکزی و جامع در برنامه ریزی و بهره برداری صنعت برق است . روش های محاسباتی زیادی در دو دهۀ اخیر مطرح شده اند، این روش ها اغلب از نظر ماهیت با هم تفاوت داشته و به نظریات مختلف مهندسی و تحلیل های اقتصادی پاسخ می دهند . در پیش بینی بار تکنیک های مختلفی برای مسألۀ پیش بینی روزانۀ بار به کار گرفته شده است . تقریباً تمامی این تکنیک ها از روش های آماری استفاده کرده اند اما امروزه روش های پیشرفته تری وجود دارند که با استفاده از سیستم های خبره مسألۀ پیش بینی بار را انجام می دهند . هدف در این مقاله پیش بینی کوتاه مدت بار بصورت کاربردی برای یک پست فوق توزیع واقعی از منطقۀ هرمزگان است که توسط شبکۀ عصبی پرسپترون انجام می گیرد . همچنین برای در نظر گرفتن عدم قطعیت بار از عدد فازی مثلثی، به عنوان ورودی برای آموزش و تست شبکه عصبی مصنوعی استفاده شده است . در مجموع چهار مدل مختلف برای حالات متنوع پیش بینی بار کوتاه مدت طراحی شده است که عبارتند از : پیش بینی بار یک ساعت آینده ، پیش بینی بار 24 ساعت آینده ، پیش بینی حداکثر بار روز آینده و پیش بینی بار روز آینده به صورت یک عدد فازی

کلیدواژه ها:

سیستم قدرت ، پیش بینی کوتاه مدت بار ، شبکه عصبی ، هرمزگان

نویسندگان

سیدحمید حسینی

دانشکده مهندسی برق - دانشگاه صنعتی شریف

محمدصادق وجدانی

شرکت توزیع نیروی برق استان هرمزگان

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 :
  • محمد باقر منهاج، مبانی شکه‌های عصبی (هوش محاسباتی)، جلد اول، ...
  • محمد باقر منهاج، مبانی شکه‌های عصبی (هوش محاسباتی)، جلد دوم، ...
  • -term Short؟، [1] _ S. Dillon, S. Sestito, and S. ...
  • M. T. Hagan and S. M. Behr, ، The time ...
  • A. Khotanzad, A. Abaye, and D. Maratukulam, *Forecasting power system ...
  • A. Khotanzad, M. H. Davis, A. Abaye, and D. J. ...
  • A. Khotanzad, R. C. Hwang, A. Abaye, and D. Maratukulam, ...
  • -term Short؛، [7] K. Y. Lee, Y. _ Cha, and ...
  • C. N. Lu, N. _ Wu, and S. Vemuri, ،Neural- ...
  • I. Moghram and S. Rahman, *Analysis and evaluation of five ...
  • O. Mohammed, et al., ،Practical experiences with an adaptive n ...
  • A. D. P apal exopoulos and T. C. Hesterberg, ،A ...
  • _ D. P apalexopolos _ S. Hao, and T. M. ...
  • D. C. Park, M. A. El-Sharkawi, R. J. Marks, L. ...
  • T. M. Peng, N. F. Hubele, and G. G. Karady, ...
  • Khotanzad, et al، ANNSTLF- a neural network based electric load ...
  • Khotanzad, et al، ANNSTLF- a neural network short term load ...
  • Zanjan, Iran, May 10-12, 2005. ...
  • نمایش کامل مراجع