CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Short-term load forecasting of Urmia city with hybrid k-means, VSS LMS” learning method for RBF neural network

اعتبار موردنیاز : ۱ | تعداد صفحات: ۵ | تعداد نمایش خلاصه: ۳۱۶ | نظرات: ۰
سال انتشار: ۱۳۹۴
کد COI مقاله: IEAC02_040
زبان مقاله: انگلیسی
حجم فایل: ۴۲۴.۴۸ کیلوبایت (فایل این مقاله در ۵ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۵ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Short-term load forecasting of Urmia city with hybrid k-means, VSS LMS” learning method for RBF neural network

Mehdi Panahi - Department of technical and engineering Saveh Azad University Tehran - Iran
  Ehsan Mostafapour - Dept. of electrical and computer engineering Urmia University Urmia - Iran
  Reza Ghaderi - Department of electrical engineering Shahid Beheshti University Tehran - Iran
  Morteza Farsadi - Dept. of electrical and computer engineering Urmia University Urmia - Iran

چکیده مقاله:

in this paper we investigate the performance of a hybrid learning algorithm for RBF network in the application of short-term load forecasting. In this method the algorithm forfinding radial basis function centers of hidden layer is k-means and the algorithm for training the weights of output layer isadaptive variable step-size algorithm. We proved this method isboth accurate and fast in comparison with other presented schemes. Also we demonstrated that this method requires lesscomputational processing and can perform well when amount of the input data is large. Our simulation results for Urmia city – Iran, show there is up to 30 percent improvement in processing time and 37% improvement in prediction accuracy whencompared with previously improved k-means learning

کلیدواژه‌ها:

RBF network, load forecasting, variable step-size LMS algorithm, hybrid learning

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-IEAC02-IEAC02_040.html
کد COI مقاله: IEAC02_040

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:
Panahi, Mehdi; Ehsan Mostafapour; Reza Ghaderi & Morteza Farsadi, ۱۳۹۴, Short-term load forecasting of Urmia city with hybrid k-means, VSS LMS” learning method for RBF neural network, کنفرانس بین المللی فناوری و مدیریت انرژی, تهران -پژوهشگاه نفت, انجمن انرژی ایران, https://www.civilica.com/Paper-IEAC02-IEAC02_040.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: (Panahi, Mehdi; Ehsan Mostafapour; Reza Ghaderi & Morteza Farsadi, ۱۳۹۴)
برای بار دوم به بعد: (Panahi; Mostafapour; Ghaderi & Farsadi, ۱۳۹۴)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • Khotanzad, A., Afkhami -Rohani, R., and Maratukulam, D., -ANNSTLF Artificial ...
  • C.N. Lu, H.T. Wu, and S. Vemuri, 0Neural network based ...
  • Z.Fan, S. chen, "Short-Term Load Forecasting on _ adaptive Hybrid ...
  • Kwong R. H., and Johnston E.W., "A variable step size ...
  • R.F. Engle, C. Mustafa, J. Rice, , Modeling peak electricity ...
  • J.Y. Fan, J.D. McDonald, , A real-time implementation of short ...
  • Weather data is obtained from websit. www.weather. om ...
  • 4 6 8 10 12 14 16 18 20 22 ...
  • 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.