استفاده از روش حداقل مربعات خطا در ترکیب سه روش جدیدپی شبینی بار کوتا همدت براساس آموزش به روز شده

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,573

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:

PSC23_234

تاریخ نمایه سازی: 1 بهمن 1390

چکیده مقاله:

پیش بینی بار کوتاه مدت در برنامه ریزی آینده یک سیستم قدرت و همچنین در بازار برق، نقش مهمی ایفا می کند . با توجه به اهمیت پیش بینی بار کوتا ه مدت در عملکرد سیستم قدرت و بازار برق، روش های مختلفی برای کاهش خطای آن در سال های متمادی ارائه شده است . در این مقاله، یک روشترکیبی براساس الگوریتم حداقل مربعات خطا جهت پیش بینی بار کوتاه مدت پیشنهاد شده است . این رو ش بر اساس وزن دهی به نتایج پیش بینی بار کوتاه مدت روش های شبکه عصبی بیزین، نروفازی و یافتن روزهای مشابه می باشد . تحقیقات صورت گرفته نشانگر آن است که سه روش مذکور،دارای بهترین نتایج پیش بینی بار کوتاه مدت در شبکه سراسری ایران می باشند. تقویم ایران شامل دو تقویم شمسی و قمری است. لذا شرایط ویژه ای از قبیل تعطیلات شمسی، تعطیلات قمری، روزهای بعد از تعطیل، بین تعطیل و روزهای ابتدای ماه رمضان وجود دارند که در نتایج سه روش فوق تغییراتی ایجاد می نمایند. جهت دستیابی به نتایج دقیق تر در پیش بینی بار کوتاه مدت، روش حد اقل مربعات خطا جهت ترکیب این سه روش بکار برده شده است . همچنین با بروزنمایی آموزش در روش مورد استفاده به جای استفاده از نتایج پیش بینی بار کوتاه مدت سال های قبل، سعی شده است تا کمترین مقدار خطای پیش بینی حاصل شود. نتایج استفاده از این روش در شبکه سراسری ایر ان، نشان دهنده بهبود عملکرد پیش بینی بار کوتاه مدت میباشد.

کلیدواژه ها:

بازار برق ، پی شبینی بار کوتا همدت ، شبکه عصبی با آموزش بیزین ، شبکه نروفازی ، روش حداقل مربعات خطا ، یافتن روزهای مشابه

نویسندگان

سیما کمانکش

پژوهشکده برق - پژوهشگاه نیروتهران - ایران

سعیده برقی نیا

پژوهشکده برق - پژوهشگاه نیروتهران - ایران

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 :
  • عبدالحسین وهابی، سعیده برقی‌نیا، همایون برهمندپور، ناصر وفادار، "پیشنهاد روشی ...
  • S. J. Huang, and K. R. Shih, "Short Term Load ...
  • A. Khotanzad, R. PA fkhami-Rohani. Tsan-Liang Lu, A. Abaye, M.H. ...
  • Maratukulam, "ANNSTLE- Artificial Neural Network Short Term Load Forecaster -Generation ...
  • S. Barghinia, P. Ansarimehr, H.Habibi, N. Vafadar, "Short Term Load ...
  • P. Ansarimehr, S. Barghinia, H. Habibi, N. Vafadar, "Short Term ...
  • A. Khotanzad, E. Zhou, H. Elragal, "A Neuro- Fuzzy Approach ...
  • A. A. Gorji, M. B. Menhaj, S. Barghinia, and P. ...
  • A. H. Vahabie, M. M. Rezaei Yousefi, B. N. Araabi, ...
  • N. Mahdavi, M. B. Menhaj, and S. Barghinia, "Short Term ...
  • R. Neal, "Bayesian Training of Back Propagation Networks by the ...
  • R. Neal, "Bayesian Learning for Neural Networks", Lecture Notes in ...
  • R. Neal, "Probablistic Inference Using Markov Chain Monte Carlo Methods", ...
  • نمایش کامل مراجع