CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Application of nuSupport Vector Regression in Short-Term Load Forecasting

اعتبار موردنیاز : ۱ | تعداد صفحات: ۵ | تعداد نمایش خلاصه: ۵۲۶ | نظرات: ۰
سرفصل ارائه مقاله: مدیریت مصرف وممیزی انرژی
سال انتشار: ۱۳۹۴
نوع ارائه: پوستر
کد COI مقاله: EPDC20_193
زبان مقاله: انگلیسی
نسخه کامل مقاله در کنفرانس ارائه نشده است و در دسترس نیست.

مشخصات نویسندگان مقاله Application of nuSupport Vector Regression in Short-Term Load Forecasting

  Adnan Omidi - Faculty of Electrical and Computer Sistan and Baluchestan University, Zahadan, Iran
  S.Masoud Barakati - Faculty of Electrical and Computer Sistan and Baluchestan University, Zahadan, Iran
  Saeed Tavakoli - Faculty of Electrical and Computer Sistan and Baluchestan University, Zahadan, Iran

چکیده مقاله:

Short-term load forecasting (STLF) of electric power systems plays an essential role in the optimal operation of power systems. Economic performance and reliability of a power system is substantially dependent on the load prediction. STLF is a complex process in electric grid due to having many non-linear factors, such as daily and weekly cyclical changes. Support vector regression has a good ability to estimate non-linear equations. In this paper, a new support vector machine model called nu support vector regression (nu-SVR) is proposed for electrical load forecasting. Results of the proposed method are compared with forecasting results achieved using an artificial neural network (ANN). Results show that the nu-SVR is a proper method for STLF.

کلیدواژه‌ها:

Short-termloadforecasting, support vectorregression, multilayerperceptron (MLP)neural networks

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-EPDC20-EPDC20_193.html
کد COI مقاله: EPDC20_193

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Omidi, Adnan; S.Masoud Barakati & Saeed Tavakoli, ۱۳۹۴, Application of nuSupport Vector Regression in Short-Term Load Forecasting, بیستمین کنفرانس توزیع برق, زاهدان, انجمن مندسین برق و الکترونیک ایران, https://www.civilica.com/Paper-EPDC20-EPDC20_193.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Omidi, Adnan; S.Masoud Barakati & Saeed Tavakoli, ۱۳۹۴)
برای بار دوم به بعد: (Omidi; Barakati & Tavakoli, ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۹۱۸۴
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.