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

Long Range Forecasting of Hourly Power System Load Using Haar Wavelet Transform

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۴ | تعداد نمایش خلاصه: ۱۰۸۲ | نظرات: ۰
سال انتشار: ۱۳۸۲
نوع ارائه: شفاهی
کد COI مقاله: NEC04_111
زبان مقاله: انگلیسی
حجم فایل: ۴۸۲.۶۸ 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 Long Range Forecasting of Hourly Power System Load Using Haar Wavelet Transform

Awale - Department of Electrical Engineering, V.J.T.I., Matunga, Mumbai, India
Bhirud - Department of Computer Technology, V.J.T.I., Matunga, Mumbai, India
Basu - Department of Electrical Engineering, Indian Institute of Technology, Kharagpur

چکیده مقاله:

Medium range forecasts of hourly load demand for a span of 24 hrs (a day) to 168 hrs (a week) are required for the preparation of short term maintenance schedules of unit auxiliaries and peaking stations apart from maintaining security constrains and minimizing operational costs. Long range forecast of hourly load of the span 52 weeks (a year) not only facilitates preparation of capital repair schedules of generating units for preventive maintenance in an integrated systems, but may also obviate the need for medium range forecasts in certain situations. The conventional multiplicative SARIMA models are inadequate for long penetration into the future, the divergent error levels and the complexity in the evaluation of the parameters of such models; render these tools ineffective in complex practical situations. The varying nature of power system data having multiple periodicity of 24 hrs (1day) / 168hrs (1 week) makes it suitable for the application of digital image processing techniques. An attempt has been made to represent the data in the form of image replacing the time variables by space variables. The inter pixel gap of the image represents the sampling time of 1 hr along the horizontal axis and 24 hrs along the vertical axis. Transforming the image by 2 - D Wavelet Transform (Harr) and modeling transform coefficients of successive years by AR (2) model, forecasts are made by taking inverse of forecasted Wavelet coefficients. The dynamics of the process is captured by Auto - Regressive model, the parameters of which can be obtained by considering large number of samples of Wavelet transformed data for the period of 1984 to 1998.

کلیدواژه‌ها:

Long range forecast; Wavelet transform.

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-NEC04-NEC04_111.html
کد COI مقاله: NEC04_111

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:
Awale, ; Bhirud & Basu, ۱۳۸۲, Long Range Forecasting of Hourly Power System Load Using Haar Wavelet Transform, چهارمین همایش ملی انرژی, تهران, کمیته ملی انرژی جمهوری اسلامی ایران, معاونت امور برق و انرژی وزارت نیرو, https://www.civilica.com/Paper-NEC04-NEC04_111.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: (Awale, ; Bhirud & Basu, ۱۳۸۲)
برای بار دوم به بعد: (Awale; Bhirud & Basu, ۱۳۸۲)
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 :

  • Schweppe, F C Wildes, J _ Power system static state ...
  • Mahalanabis, A K Handmandlu, M and Rana, R S، Load ...
  • Christianse, W R، Short term load forecasting using exponential smoothing ...
  • Corpenning, _ L Reppen, N D and Ringlee, R J ...
  • Carta, G Grossl, G and Manni, R {Computer processing of ...
  • Abu- El-Magad, M A and Sinha, N K، Short term ...
  • Goh, T N Choi, S S Tan, C H and ...
  • Gross, G and Galiana, F D، Short term load forecasting ...
  • Bunn, D R Seigel, J P :Forecasting the effects of ...
  • Caprio, U et. al، Short term load forecasting in electric ...
  • Bajoy, S V 'Long term electricity demand forecasting models: a ...
  • Sarma, U K Basu, T K and Sinha, _، Medium ...
  • Sarma, U K Basu, T K and Sinha, _، Medium ...
  • Sarma, U K Basu, T K and Sinha, S، Medium ...
  • Basu, T K Bhattacharya, T K and Purkayastha, P، Medium ...
  • Bhattacharya, T K and Basu, T K، Medium range forecasting ...
  • Bhattacharya, T K and Basu, T K، A new method ...
  • Bhattacharya, T K and Basu, T K 'Long range forecasting ...
  • Bhirud, _ G Basu, T K 'Long range forecasting of ...
  • Srinivasan, D Liew, A C and Chen, J S P، ...
  • Park, D C El-Sharkari, M A Mark, R Allas, J ...
  • Srinivasan, D Liew, A C and Chang, C S، A ...
  • Kiartzis, S J Bakritzis, A G and Petridis, V، Short ...
  • Chen, S T Yu, D C and Maghaddamj O, A ...
  • Dash, P K Liew, A C and Rahman, S، Peak ...
  • Vidyasagar, _ and Rao, N D، Artificial Neural Networks and ...
  • Madan, _ and Bollinger, K E ;Applications of artificial intelligence ...
  • Gonzalez, R C and Woods, R E، Digital Image Processing', ...
  • Raghuveer, M R Bopardikar, A S، Wavelet Transforms, Introduction to ...
  • 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.