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

One Month Ahead Temperature Prediction for Mid-term Load Forecasting

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۷ | تعداد نمایش خلاصه: ۱۱۸۹ | نظرات: ۰
سرفصل ارائه مقاله: مدیریت بار
سال انتشار: ۱۳۸۲
نوع ارائه: شفاهی
کد COI مقاله: PSC18_103
زبان مقاله: انگلیسی
حجم فایل: ۴۵۷.۷۲ کلیوبایت (فایل این مقاله در ۱۷ 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 ۱۷ 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 One Month Ahead Temperature Prediction for Mid-term Load Forecasting

Bahman Kermanshahi - Department of Electrical and Electronics Engineering Tokyo University of Agriculture & Technology (JAPAN)

چکیده مقاله:

Temperature is the most important factor in load forecasting of power system analysis. Particularly in short-term load forecasting, it plays an important role in increase/decrease of energy consumption. For instance, according to the Japanese Power Industry announcement in 2001, increase of 1 degree Celsius will cause about 5GW increase in electric power consumption at the summer peak. This amount is as same as consumption power used by 1.6 million general households or amount of generated power by 5 large-scale utility power plants. On the other side, 1 degree Celsius of temperature change had caused about 1.85GW increase in power consumption in the winter of year 2000. Basically, the short-term temperature (hourly up to 1 week ahead) is researched and predicted by environment agencies of every country. Therefore, it is easy to obtain the forecasted temperature data from those agencies, newspapers, TV news and so on. However, it is difficult to obtain the hourly temperature beyond 1 week. Although Japan Meteorological Agency (JMA), which uses the Numerical Weather Predictions (NWP), announces the forecasting data up to 1 or 2 months ahead, but they are expressed only as “high” or “low” which is compared with normal years. This means, we can only know that the temperature may goes up or comes down every day. In addition, super-computer processes it with lots of complex meteorological formulations. The applied data the ones which have observed by weather satellite all over the world. However, if the temperature could be predicted for a longer period, it becomes even a useful factor for projecting a better resolution for the long-term load forecasting, prediction of fuel amount necessary for next couple months of power plants and soforth. In this paper, some intelligent methodologies such as artificial neural network and a combined neuro-genetic algorithm have been used to predict the temperature up to one month ahead

کلیدواژه‌ها:

Weather Conditions, Temperature Prediction, Mid-Term Load Forecasting,Artificial Neural Network (ANN), Neuro-Genetic Learnin

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-PSC18-PSC18_103.html
کد COI مقاله: PSC18_103

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, ۱۳۸۲, One Month Ahead Temperature Prediction for Mid-term Load Forecasting, هجدهمین کنفرانس بین المللی برق, تهران, شرکت توانیر, پژوهشگاه نیرو, https://www.civilica.com/Paper-PSC18-PSC18_103.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, ۱۳۸۲)
برای بار دوم به بعد: (Kermanshahi, ۱۳۸۲)
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 :

  • Testuhiko Takatsuka:، Weather Condition Forecasting?, Seito Publishing Company, Tokyo, chapter ...
  • Takehiko Furukawa:، ،Introduction to Weather Forecasting Techniques", Ohm Publishing Company, ...
  • A. Khotanzad, et al., ،0An Artificial Neural Network Hourly Temperature ...
  • B. Kermanshahi, et al., *Temperature Forecasting using Artificial Neural Networks?, ...
  • 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.