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

Long-Term Load Forecasting Using Neural Network and Knowledge-Based System

اعتبار موردنیاز: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۱۶۱۷ | نظرات: ۰
سرفصل ارائه مقاله: ENERGY & ENVIRONMENT
سال انتشار: ۱۳۷۶
کد COI مقاله: PSC12_017
زبان مقاله: انگلیسی
حجم فایل: ۴۲۱.۰۳ کلیوبایت (فایل این مقاله در ۷ 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 ۷ 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-Term Load Forecasting Using Neural Network and Knowledge-Based System

Monsef - Electric Power Research Center Artificial Intelligence Group Tehran-lran
Ranjbar - Electric Power Research Center Artificial Intelligence Group Tehran-lran
Shamsineiad - Iran Power Generation & Transmission Co. (TAVANIR) Tehran-lran
Avizeh - Iran Power Generation & Transmission Co. (TAVANIR) Tehran-lran

چکیده مقاله:

Long-term load forecasting is the essential requirement in power system expansion planning. Forecasting techniques may be divided into two broad classes, conventional and modern techniques. The former may be based on extrapolation, correlation and combination of both. While the latter may be based on artificial neural network approach, expert system approach and hybrid which is combination of both. The objective of research work reported in this paper was the development of a long-term load forecasting using the last approach, artificial neural network plus expert system, which was robust and accurate. In order to efficiency evaluation of the developed system the data of Iran are inputed to it and obtained results are evaluated by the field experts. Those are finally reported at the end of this paper.

کلیدواژه‌ها:

Long-Term, Load Forecasting, Neural Network, Expert System

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-PSC12-PSC12_017.html
کد COI مقاله: PSC12_017

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:
Monsef, ; Ranjbar; Shamsineiad & Avizeh, ۱۳۷۶, Long-Term Load Forecasting Using Neural Network and Knowledge-Based System, دوازدهمین کنفرانس بین المللی برق, تهران, شرکت توانیر, پژوهشگاه نیرو, https://www.civilica.com/Paper-PSC12-PSC12_017.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: (Monsef, ; Ranjbar; Shamsineiad & Avizeh, ۱۳۷۶)
برای بار دوم به بعد: (Monsef; Ranjbar; Shamsineiad & Avizeh, ۱۳۷۶)
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 :

  • R.L. Sullivan, "Power System Planning", McGraw-Hill, 1977. 983. ...
  • _ A, H. EL-Abiad, "Power System Analysis and Planning", Hemisphere ...
  • Methods of Forecasting Demand for electricity", CIGRE WG 03 of ...
  • _ Stein, "Selecting data for neural network", Al Expert, 1993, ...
  • J. Davey, "Weather Sensitive Load Forecasting; Application to System Planning", ...
  • DC. _ M.EL. Sharkawi, and R.J.II. Mark, "Electric Load Forecasting ...
  • B.S. Kermanshahi, CH. Poskar, G. Switt, "Artificial Neural Network for ...
  • H. Lee Willis, H.N. Tram, J.E.D. Northcote-Green _ R.W. Powell, ...
  • Vol. PAS 92, PP. 971-977, May-June 1973. ...
  • 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.