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

MEDIUM-TERM LOAD FORECASTING FOR ANNUAL OPERATION IN ELECTRIC POWER SYSTEM USING FUZZY-NEURAL NETWORKS

اعتبار موردنیاز: ۰ | تعداد صفحات: ۱ | تعداد نمایش خلاصه: ۱۲۰۵ | نظرات: ۰
سرفصل ارائه مقاله: DISTRIBUTION & HARMONIC
سال انتشار: ۱۳۷۶
کد COI مقاله: PSC12_045
زبان مقاله: انگلیسی
حجم فایل: ۹.۱۶ 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 MEDIUM-TERM LOAD FORECASTING FOR ANNUAL OPERATION IN ELECTRIC POWER SYSTEM USING FUZZY-NEURAL NETWORKS

SEYED-MASOUD MOGHADDAS-TAFRESHI - Landis & Gyr Austria Vienna-Austria

چکیده مقاله:

The paper outlines a framework for mid-term prediction based on a hybrid fuzzy-neural approach: The first step to get estimates of typical daily load curves for one year in advance as needed in medium-term operation planning is the classification of characteristic load profiles for different daytypes. For this clustering a self-organized Kohonen-network with unsupervised learning is used. The result of the analysis which is performed separately onnormalized-load curves from summer and winter season, are load profile classes for the various types of days Mondays, working days, Saturdays, holidays). In a second step a weather-load-correlation model is identified on behalf of a multilayer perceptron with supervised backpropagation learning mode to enable different scenarios for various (fuzzy) assumptions about weather conditions. The input-layer neurons
corresponding to explaining weathervariables are fed with temperature values. To account for the nonprecise character0f input data the temperature values are fuzzified by a fuzzy front-end processor.In the final section of the paper results and experiences obtained by tuning the etwork with A real test data from two different electric power utilities are presented to demonstrate the effectiveness of the proposed fuzzyneural forecasting methodology.

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_045.html
کد COI مقاله: PSC12_045

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:
MOGHADDAS-TAFRESHI, SEYED-MASOUD, ۱۳۷۶, MEDIUM-TERM LOAD FORECASTING FOR ANNUAL OPERATION IN ELECTRIC POWER SYSTEM USING FUZZY-NEURAL NETWORKS, دوازدهمین کنفرانس بین المللی برق, تهران, شرکت توانیر, پژوهشگاه نیرو, https://www.civilica.com/Paper-PSC12-PSC12_045.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: (MOGHADDAS-TAFRESHI, SEYED-MASOUD, ۱۳۷۶)
برای بار دوم به بعد: (MOGHADDAS-TAFRESHI, ۱۳۷۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه 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.