روش ترکیبی جدید به منظور افزایش دقت پیش بینی بار در شبکه های توزیع هوشمند برق

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 689

فایل این مقاله در 9 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:

CSITM02_087

تاریخ نمایه سازی: 25 بهمن 1394

چکیده مقاله:

یکی از چالش برانگیز ترین اهداف در شبکه های هوشمند برق متوازن کردن بار الکتریکی میباشد.واضح است که رفتار خودخواهانه کاربران، سیستم را ملزم به ایجاد مکانیزم های تشویقی می کند. مشوق در اینگونه مکانیزم ها باید به گونهای تعریف شود که کاربرمایل به همکاری برای تنظیم میزان مصرف و تقاضا باشد . قیمتگذاری پویا یکی از بهترین مکانیزمها میباشد، به گونهای که می توان با تغییر قیمت به صورت پویا، تعادلی میان عرضه و تقاضا ایجاد کرد. در حالت تعادل میزان تقاضای انرژی مصرف کننده از طریق مشوق های مالی تنظیم شده است . برای تعیین و اعلام یک قیمت مناسب، نیاز به یک پیش بینی دقیق از میزان مصرف انرژی در آینده خواهیم داشت. در این مقاله در راستای پیش بینی میزان تقاضا در شبکه های توزیع هوشمند برق به ازای هر عامل تاثیر گذار، بسته به شرایط،، مانند داده های آ ب و هوا و میزان مصرف گذشته کاریر، دو شبکه عصبیRBF و ANFISایجاد میشوند.با پیاده سازی الگوریتم بهینه سازی پرنده فاخته، سعی در آموزش سریع تر شبکه های عصبی شده است. سپس خروجی این شبکه های عصبی توسط، عملگر همجوشیIOWA ترکین میشروند و در نهایت خروجی های تاصل از این عملگر همجوشی بار دیگرتوسر، عملگر همجوشریIOWAترکین میشروند. مرتن سازی داده ها بر اسا میانگین مربع خاای هر شبکه عصبی می باشد نتایج عملی نشان می دهد که میزان خاا در پیش بینی مصرف بار با استفاده از عملگر همجوشی، کاهش چشم گیری داشته است.

کلیدواژه ها:

همجوشی اطلاعا ، شبکه های عصبی ، شبکه های توزیع هوشمند برق

نویسندگان

پوریا لاجوردی

دانشجوی کارشناسی ارشد دانشکده علوم ریاضی و رایانه، دانشگاه علامه طباطبایی

فرشته آزادی پرند

عضو هیئت علمی دانشکده علوم ریاضی و رایانه دانشگاه علامه طباطبایی

حسن رشیدی

عضو هیئت علمی دانشکده علوم ریاضی و رایانه دانشگاه علامه طباطبایی

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 :
  • Asbury, C. E. (1975). Weather load model for electric demand ...
  • Barker, Sean, et al , ;Smart*: An open data set ...
  • Bunn, D., & Farmer, E. D. (1985). Comparative models for ...
  • Chandler, S. A., & Hughes, J. G. (2013, August). Smart ...
  • Daneshi, H., Shahidehpour, M., & Choobbari, A. L. (2008, May). ...
  • Fan, Zhong, et al. "Smart grid co mmunications : Overview ...
  • Gelb, A. (Ed.). (1974). Applied optimal estimation. MIT press. ...
  • Guan, C., Luh, P. B., Michel, L. D., Wang, Y., ...
  • Hernandez, L., Baladron, C., Aguiar, J. M., Calavia, L., Carro, ...
  • Hernandez, L., Baladron, C., Aguiar, J. M., Carro, B., S ...
  • Hippert, H. S., Pedreira, C. E., & Souza, R. C. ...
  • Hsu, C. C., & Chen, C. Y. (2003). Regional load ...
  • Jang J S R. , "ANFIS: Ad aptiveNetwo rk-Based Fuzzy ...
  • Mbamalu, G. A. N., & El-Hawary, M. E. (1993). Load ...
  • N. Hatziargyriou, H. Sano, R. Iravani, and C. Marnay, , ...
  • Taylor, J. W., & Buizza, R. (2003). Using weather ensemble ...
  • Vemuri, S., Hill, D., & B a lasubramanian, R. (1973). ...
  • Wang, Y. M., Luo, Y., & Liu, X. (2007). Two ...
  • X.-S. Yang and S. Deb :Cuckoo search via levy flights, ...
  • Yager, R. R. (1988). On ordered weighted averaging aggregation operators ...
  • Yager, R. R., & Filev, D. P. (1999). Induced ordered ...
  • نمایش کامل مراجع