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

Intelligent Short-term Load Forecasting of an Urban Area

اعتبار موردنیاز: ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۱۲۸۸ | نظرات: ۰
سال انتشار: ۱۳۸۱
کد COI مقاله: PSC17_009
زبان مقاله: انگلیسی
حجم فایل: ۱۱۶.۳۶ کلیوبایت (فایل این مقاله در ۶ 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 ۶ 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 Intelligent Short-term Load Forecasting of an Urban Area

Bahman Kermanshahi - Environmental Energy Engineering Lab. Department of Electrical and Electronics Engineering
Ken Nagasaka - Tokyo University of Agriculture and Technology, JAPAN

چکیده مقاله:

This paper presents the application of an Artificial neural Network (ANN) for short-term load forecasting (STLF) of an urban area in Japan (Tokyo Metropolitan Area). The basic reason for STLF is to predict the loads of next 24 hours ahead. This will allow a utility to match its generation capabilities to the expected demand. Although, there are several methods to determine such forecasting, however a neural network is selected in this paper. The reason is because the ANN can correspond to the problems, which have highly nonlinearity among their inputs and outputs. The ANN mode can forecast next 24 hours loads (one day) in advance. Presentl y, one of the most popular, effective, and easy to learn three-layer back- propagation (BP) models is introduced. 15 to 25 input neurons are chosen based on their impacts on the output loads. They are. actual load, temperature, wind speed and direction There is one neuron in output layer which is corresponded to an hour load of next day. Training and testing of STLF are carried out based on historical data collected for two years (calendar year 1996 and 1997). On the basis of each day's load characteristics, three ANNs are designed for STLF. Also, three types of simulations for STLF have been discussed.

کلیدواژه‌ها:

Artificial neural network, Short-term load forecasting, Urban area

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-PSC17-PSC17_009.html
کد COI مقاله: PSC17_009

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:
Kermanshahi, Bahman & Ken Nagasaka, ۱۳۸۱, Intelligent Short-term Load Forecasting of an Urban Area, هفدهمین کنفرانس بین المللی برق, تهران, شرکت توانیر, پژوهشگاه نیرو, https://www.civilica.com/Paper-PSC17-PSC17_009.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: (Kermanshahi, Bahman & Ken Nagasaka, ۱۳۸۱)
برای بار دوم به بعد: (Kermanshahi & Nagasaka, ۱۳۸۱)
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 :

  • Takeshi Haida and Shoichi Muto, Regression Based Peak Load Forecasting ...
  • T. W. S. Chow et al, "Neural Network based Short-term ...
  • B. S. Kermanshahi, et al "Artificial Neural Network for Forecasting ...
  • B. S. Kermanshahi, et al "Short-term load Forecasting Using an ...
  • Tadashi Onoda, "Next day peak load forecasting using an artificial ...
  • A. G. BakIrtzls et al. "A Neural Network short Term ...
  • B. S. Kermanshahi, "Design and Application of Neural Networks", Intelligent ...
  • 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.