CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

پیش بینی پیک بار الکتریکی روزانه با استفاده از شبکه عصبی تلفیقی

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۴ | تعداد نمایش خلاصه: ۱۳۰۲ | نظرات: ۰
سرفصل ارائه مقاله: مطالعات موردی
سال انتشار: ۱۳۸۴
نوع ارائه: شفاهی
کد COI مقاله: IIEC04_083
زبان مقاله: فارسی
حجم فایل: ۳۱۸.۰۶ کلیوبایت (فایل این مقاله در ۱۴ 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. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۴ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله پیش بینی پیک بار الکتریکی روزانه با استفاده از شبکه عصبی تلفیقی

  محمدرضا امین ناصری - دانشگاه تربیت مدرس - دانشکده فنی و مهندسی - بخش مهندسی صنایع
  علیرضا سروش - دانشگاه تربیت مدرس - دانشکده فنی و مهندسی - بخش مهندسی صنایع

چکیده مقاله:

اقتصاد دنیای صنعتی و رقابتی امروز بشدت متکی به انرژی الکتریکی است . همچنین کلیه شئونات زندگی امروز به تولید برق وابسته است . از آنجاییکه انرژی الکتریکی قابل ذخیره سازی نیست و تولید بیشتر یا کمتراز حد میزان مصرف خساراتی را در پی دارد، از این جهت برنامه ریزی برای میزان تولید انرژی الکتریکی و بویژه پیک بار الکتریکی یکی از مهمترین عملیاتهای زمانبندی تولید برق برای روز بعد است . در این مقاله، ابتدا جهت کاهش نویز پیش بینی، نقشه خودسازماندهی به منظور دسته بندی داده ها براساس مشخصه های پیک بار مصرفی و دمای مشابه طراحی شده است و داده های نزدیک به یکدیگر در گروههای یکسان قرار داده شده اند . آنگاه، با بکارگیری شاخص دیویس - بولدین جهت تعیین تعداد دسته ها، بهترین حالت دسته بندی با استفاده از 5 دسته حاصل شده
است . سپس از شبکه خودسازمانده دیگری برای تقسیم بندی هریک از دسته ها براساس مشخصه پیک بار استفاده شده است . به این ترتیب 5 دسته حاصل از شبکه خودسازمانده اول به 12 دسته جهت پیش بینی پیک بار مصرفی تبدیل شده است . سپس جهت پیش بینی پیک بار، شبکه عصبی پیشخوراند مبتنی بر روشهای شیب مزدوج استفاده شده است . این مدل برروی داده های پیک بارمصرفی شرکت برق منطقه ای تهران اجرا و ارزیابی شده است . نتایج پیش بینی نشان می دهد که دسته بندی داده ها موجب بهبود پیش بینی شده است .

کلیدواژه‌ها:

پیش بینی - پیک بار روزانه - شبکه نقشه خودسازمانده - شبکه عصبی پیشخوراند - روشهای شیب مزدوج

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-IIEC04-IIEC04_083.html
کد COI مقاله: IIEC04_083

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:
امین ناصری, محمدرضا و علیرضا سروش، ۱۳۸۴، پیش بینی پیک بار الکتریکی روزانه با استفاده از شبکه عصبی تلفیقی، چهارمین کنفرانس ملی مهندسی صنایع، تهران، انجمن مهندسی صنایع ایران، دانشگاه تربیت مدرس، https://www.civilica.com/Paper-IIEC04-IIEC04_083.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: (امین ناصری, محمدرضا و علیرضا سروش، ۱۳۸۴)
برای بار دوم به بعد: (امین ناصری و سروش، ۱۳۸۴)
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 :

  • Metaxiotis, K., Kagiannas, A., Askounis, D., Psarras, J.?'Artificial intelligence in ...
  • th International Industrial Enginering Conference ...
  • Huang, H.G., Hwang, R.C., Hsieh, J.G.?A new artificial intelligent peak ...
  • Hippert, H.S., Pedreira, C.E., Castro, S.R., 'Neural Networks for Short-Term ...
  • Amjady, N., ?Short-Term Hourly Load Forecasting Using Time-Series Modeling With ...
  • صادقپور، حسن، امین ناصری، محمدرضا، پیش‌بینی بار روزانه در شبکه ... (مقاله کنفرانسی)
  • صیاد، ساعد، صیاد، جهانگیر، پیش‌بینی بار هوشمند سیستمهای قدرت، پنجمین ... (مقاله کنفرانسی)
  • مقدس‌تفرشی، مسعود، یاریان، محمد، پیش‌بینی کوتاه مدت بار با استفاده ... [مقاله کنفرانسی]
  • Carpinteiro, O. A. S., Alves Da Silva, A. P., ?A ...
  • Carpinteiro, O. A. S., Alves Da Silva, A. _ hierarchical ...
  • Carpinteiro, O. A. S., Alves Da Silva, A. _ hierarchical ...
  • Iizaka, T., Matsui, T., Fukuyama, Y., *A novel daily peak ...
  • Saini, L.M., Soni, M.K. , ?Artificial neural network based peak ...
  • Saini, L.M., Soni, M.K. , ?Artificial neural network based peak ...
  • Hsu, _ C., Chen, C. Y.*Regional load forecasting in Taiwan ...
  • Oja M., Kaski, S., Kohonen, T., 4Bibliography of S e ...
  • Vesanto, J.; Alhoniemi, E.}?Clustering of the S e lf-Organizing Map?, ...
  • Demuth, H., Beale, M., MATLAB 6.5/ Neural Network Toolbox, version ...
  • Hagan, M.T., Demuth, H., Beale, M., Neural Network Design', USA, ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۳۲۴۵۲
    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 پیشنهادی مرتبط

    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.