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

پیش بینی کوتاه مدت بار بااستفاده ازترکیب شبکه های عصبی کوهونن وپرسپترن

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۱۱۷۴ | نظرات: ۰
سرفصل ارائه مقاله: برنامه ریزی و مطالعات سیستم
سال انتشار: ۱۳۷۸
کد COI مقاله: PSC14_033
زبان مقاله: فارسی
حجم فایل: ۴۲۲.۹۳ کلیوبایت (فایل این مقاله در ۱۲ 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 ۱۲ 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 پیش بینی کوتاه مدت بار بااستفاده ازترکیب شبکه های عصبی کوهونن وپرسپترن

  محمد یاریان - دانشگاه صنعتی خواجه نصیرالدین طوسی دانشکده مهندسی برق
  سیدمسعود مقدس تفرشی - دانشگاه صنعتی خواجه نصیرالدین طوسی دانشکده مهندسی برق

چکیده مقاله:

دراین مقاله بااستفاده ازترکیب شبکه های عصبی خود مختار کوهونن وشبکه های عصبی پرسپترن یک مدل جدید برای پیش بینی منحنی بار الکتریکی مصرفی روز آینده درسیستمهای قدرت ارائه شده است . مدل ارائه شده توانایی پیش بینی بار کلیه روزهای عادی و غیرعادی سال اعم از ایام کاری هفته تعطیلات مذهبی و ملی … را با خطای کم دارا می باشد ونسبت به عوامل محیطی مانند درجه حرارت , روشنایی هوا , رطوبت , ... نیز فعال می باشد .
مدل کلی پیش بینی بار از 9 مدل برای پیش بینی هر روز هفته وروزهای تعطیل وروزهای بعد ازتعطیلی تشکیل شده است . در ساختار هریک ازاین مدلها یک شبکه عصبی کوهونن ویک شبکه عصبی پرسپترن استفاده شده است . پیش بینی درهریک ازاین مدلها دردومرحله انجام می شود . مرحله اول آموزش شبکه عصبی کوهونن و پرسپترن ومرحله دوم مرحله پیش بینی می باشد .
مدل با اطلاعات بار ودرجه حرارت ایران آزمایش شده است ومتوسط قدرمطلق خطای کلیه روزهای سال 2,11%:1375 می باشد .

کلیدواژه‌ها:

شبکه های عصبی کوهونن وپرسپترن پیش بینی بار آموزش

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-PSC14-PSC14_033.html
کد COI مقاله: PSC14_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:
یاریان, محمد و سیدمسعود مقدس تفرشی، ۱۳۷۸، پیش بینی کوتاه مدت بار بااستفاده ازترکیب شبکه های عصبی کوهونن وپرسپترن، چهاردهمین کنفرانس بین المللی برق، تهران، شرکت توانیر، پژوهشگاه نیرو، https://www.civilica.com/Paper-PSC14-PSC14_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: (یاریان, محمد و سیدمسعود مقدس تفرشی، ۱۳۷۸)
برای بار دوم به بعد: (یاریان و مقدس تفرشی، ۱۳۷۸)
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 :

  • (1)-Alono f.' turner k walter b wrang b . clavel ...
  • (2) _ pap alexopoulo s A.D. hesterberg T.C. , Aregreess ...
  • (3)Box g.e.p. jenkins g.m. time series Analysis - forecasting and ...
  • (4) Petritsch g. Analysis and forecasting of demand for Electricity ...
  • 980'published in feichtinger g. und kall p. (editors) :operations research ...
  • (5)- Hagan m.t.?behr s.m. the time series Approach to short-term ...
  • (6)- Muller H.an approach to very short term load - ...
  • (7)- Muller H.'petritsch g. short term load forecasting by kalman ...
  • (8)- Mo ghahdda s-tafreschi S.M. Muller H.'petritsch G. energieprogno se ...
  • (9)- Mohammad O.'park D. merchant R.dinh t.^ tong c, ' ...
  • (10)- p apalaxopoulo s A.D.hao S. pang t.m. a n ...
  • (11)- peng t.m.hubele n.f. karady g.g.، 0advancement in the applicaicaion ...
  • (13)- Chen S.T.y.u. D.S.، moghaddamjo A.R.، weather sensetive short term ...
  • (14)- park D.C. El-sharkawi M.A. Marks r.j. Altas L.E. damborg ...
  • (15)- Lee k.y. cha y.t.park j.h.. short term load forecasting ...
  • (16)- Ho k.l.su y.y. yang c.c. short trem load forecasting ...
  • (17)- Highley d.d. hilmes t.j. _ load forcating by ANN??IEEE ...
  • (18)- Hsu y.y. yang c.c. design of artifical neurak network ...
  • (20)- Srinivasan d. liew A.C. chang C.S. forecasting daily load ...
  • (23)- Ho k.l. hsu y.y. chen c.f.، lee t.e. liang ...
  • (24)-Rahman s. hazim o. , 'Ageneralized knowledge- based short- term ...
  • (25)- Hsu y.y. ho k.l. 0fuzzy expert systems:an application to ...
  • یعقوب پورم. خاتمی م. مدیرشانه چی م.ح.غ. سعادتی ع. تقوی ... (مقاله کنفرانسی)
  • (28)-Kohonen _ s el f-organization and associative memory، berling: spring ...
  • (29)- M oghaddas -tafreshi S.M.muller h petritsch G. ^clusterung der ...
  • (30)- Rosenblatt f.?^the perceptron: aprobabilistic modell for information storage and ...
  • (31)- Baumann t. germond A.j. Application of the kohonen network ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۱۲۴۱۱
    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 پیشنهادی مرتبط

    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.