بررسی ارتباط بین قیمت برق و پارامترهای مؤثر بر آن (دما، زمان، قیمت، بار) با استفاده از شبکه های عصبی در استان لرستان

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 605

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IRCEM01_195

تاریخ نمایه سازی: 25 آذر 1395

چکیده مقاله:

با توجه به علمی شدن بازار برق در جهان و بیشتر شدن رقابت این حوزه در این تحقیق پیش بینی قیمت در استان لرستان با استفاده از شبکه های عصبی مصنوعی با استفاده از اطلاعات بار، قیمت و دمای استان لرستان در سال ۱۳۹۳ بررسی شده است. ورودی های شبکه های مذکور برای پیش بینی قیمت دمای خشک، دمای نقطه شبنم، ساعات، روزهای هفته، روزکاری، بارهای اخیر، بار در هفته گذشته، بار در روز گذشته، میانگین بار در ۲۴ ساعت گذشته، قیمت در هفته گذشته، قیمت در روز گذشته، قیمت در ۲۴ ساعت گذشته است که این ورودی یکبار به صورت جمعی به شبکه اعمال شده اند و سپس به صورت زیر بخش هایی با عنوان دما، قیمت بار و زمان به شبکه اعمال شده اند. نتایج به دست آمده در پیش بینی قیمت کارایی نسبتاً کم شبکه را نشان می دهد که با تحقیقات صورت گرفته دلیل آن عدم وابستگی قیمت در ایران به برخی از ورودی های شبکه می باشد.

نویسندگان

علی عزیزی

دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی، واحد ساوه

جواد نیکوکار

عضو هیئت علمی دانشکده برق، دانشگاه آزاد اسلامی، واحد ساوه

مجید گندمکار

عضو هیئت علمی دانشکده برق، دانشگاه آزاد اسلامی، واحد ساوه

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 :
  • برقی نیا سعیده، حبیبی حسن، رنجبر علیمحمد، انصاری مهر پویا، ...
  • فرهادی مهدی، مقدس تفرشی مسعود، وفادار ناصر، "پیش بینی روزانه ... [مقاله کنفرانسی]
  • جمشیدی ن، مولایی رابویی مهریزی ع، قراویری ع(1387)، "آموزش کاربردی ...
  • کیا م(1390)، "شبکه‌های عصبی در matlab "، چاپ اول، تهران: ...
  • R. Hooshmand, H. Amooshahi, M. Parastegari(201 3), A hybr id_intelligent ...
  • Department of Energy (DOE), U. S., (2006), "Benefits of Demand ...
  • Amundsen E., Nesse A., and Tjotta S., 1999, "Deregulation of ...
  • Fahrioglu, M., Alvarado, F. L., (2000), "Designing Incentive Compatible Contracts ...
  • Su C., L. (2007), "Optimal Demand-Side Participation in Day-Ahead Electricity ...
  • Moh senian-Rad A.-H. and Leon-Garcia _ (2010), "Optimal Residential Load ...
  • Ritschel _ and Smestad G., (2003), "Energy Subsidies in California's ...
  • Chung-Ching Su and Yuan-Yi Hsu, Aug. (1991), "Fuzzy Dynamic Programming ...
  • Ouyang Z. and Shahidehpour S.M., Feb. (1992), "A hybrid artificial ...
  • Khodaei A.. Shahidehpour M., and Bahramirad S., Aug. (2011), "SCUC ...
  • Parvania M., Fotuh i-Firuzabad M., May(2010), "Demand Response Scheduling by ...
  • White, H. (1988). Economic Prediction Using Neural Networks: The_Case Of ...
  • Demuth H, Beale M(2001), " Neural Network Toolbox for Use ...
  • نمایش کامل مراجع