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

ON-LINE POWER SYSTEM LOAD-FLOW USING NEURAL NETWORKS

اعتبار موردنیاز: ۰ | تعداد صفحات: ۱ | تعداد نمایش خلاصه: ۱۳۴۶ | نظرات: ۰
سرفصل ارائه مقاله: SYSTEM STUDIES
سال انتشار: ۱۳۷۶
کد COI مقاله: PSC12_033
زبان مقاله: انگلیسی
حجم فایل: ۷.۵۹ کلیوبایت
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

راهنمای دانلود فایل کامل این مقاله

اصل مقاله فوق در بانک مقالات سیویلیکا موجود نیست. مقالات کنفرانس‌های کشور توسط دبیرخانه‌های مربوط منتشر می‌شوند و در صورتی که اصل مقاله توسط دبیرخانه منتشر نشده باشد، امکان ارائه آن توسط سیویلیکا وجود ندارد. در صورتی که نویسنده این مقاله هستید، می‌توایند اصل مقاله را جهت درج در بانک مقالات به سیویلیکا ارسال نمایید.

خرید و دانلود PDF مقاله

متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.

مشخصات نویسندگان مقاله ON-LINE POWER SYSTEM LOAD-FLOW USING NEURAL NETWORKS

   KARAMI - Electrical Engineering Department Amirkabir University of Technology Tehran 15914,Iran
   MENHAJ - Electrical Engineering Department Amirkabir University of Technology Tehran 15914,Iran
   ABEDI - Electrical Engineering Department Amirkabir University of Technology Tehran 15914,Iran

چکیده مقاله:

This paper presents a new neural network based method for power system load-flow analysis. The outputs of a load-flow program are obtained by solving a set of nonlinear algebraicequations. Assuming that the parameters of the system are known, these outputs are only dependent on the
initial conditions (values). Therefore, we may view the outputs of the load-flow program as functions of initial conditions. Indeed, we are faced with a function approximation problem. This can be done by neural networks. In fact, in order to implement an on-line power system load-flow analysis, we may employ a multilayered feedforward neural network with the initial conditions as the inputs and the outputs of the load-flow program as the outputs of the network. To train the neural net, we let the initial values vary over specified ranges.For fast training purpose, we employed the Marquardt based backpropagation algorithm. Finally, the proposed method has been applied into a three machines test system. The performance of the method has been fully discussed.

کلیدواژه‌ها:

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_033.html
کد COI مقاله: PSC12_033

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:
KARAMI, ; MENHAJ & ABEDI, ۱۳۷۶, ON-LINE POWER SYSTEM LOAD-FLOW USING NEURAL NETWORKS, دوازدهمین کنفرانس بین المللی برق, تهران, شرکت توانیر, پژوهشگاه نیرو, https://www.civilica.com/Paper-PSC12-PSC12_033.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: (KARAMI, ; MENHAJ & ABEDI, ۱۳۷۶)
برای بار دوم به بعد: (KARAMI; MENHAJ & ABEDI, ۱۳۷۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز:
تعداد مقالات: ۲۹۴۸۱
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 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.