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

New Momentum Adjustment Technique for Levenberg -Marquardt Neural Network Training Used in Short Term Load Forecasting

اعتبار موردنیاز: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۱۳۶۴ | نظرات: ۰
سرفصل ارائه مقاله: مطالعات سیستم
سال انتشار: ۱۳۸۵
کد COI مقاله: PSC21_201
زبان مقاله: انگلیسی
حجم فایل: ۳۶۴.۱۲ کلیوبایت (فایل این مقاله در ۷ 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 ۷ 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 New Momentum Adjustment Technique for Levenberg -Marquardt Neural Network Training Used in Short Term Load Forecasting

   Khosravi.Z - Department of Power System Operation Niroo Research Institute (NRI) Tehran, IRAN
   Barghinia - Department of Power System Operation Niroo Research Institute (NRI) Tehran, IRAN
   Ansarimehr - Department of Power System Operation Niroo Research Institute (NRI) Tehran, IRAN

چکیده مقاله:

One of the important requirements for operational planning of electrical utilities and also transactions of electrical power markets is the prediction of hourly load up to several days, known as short term load forecasting (STLF). Nowadays, intelligent methods, specially, artificial neural network (ANN) is the dominant method when it comes to STLF. The Levenberg-Marquardt (LM) algorithm has been extensively used as training method for ANNs. In this work, a new momentum adjustment technique is implemented for training ANN of Iran national power system (INPS) STLF. The performance is compared with conventional LM algorithm with other momentum adjustment techniques. The new method of momentum adjustment for LM algorithm improves learning of ANN for STLF of INPS in the sense of error and time consumption.

کلیدواژه‌ها:

Short Term Load Forecasting, Artificial Neural Networks (ANN), Levenberg-Marquardt (LM) Algorithm

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-PSC21-PSC21_201.html
کد COI مقاله: PSC21_201

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:
Khosravi.Z, ; Barghinia & Ansarimehr, ۱۳۸۵, New Momentum Adjustment Technique for Levenberg -Marquardt Neural Network Training Used in Short Term Load Forecasting, بیست و یکمین کنفرانس بین المللی برق, تهران, شرکت توانیر, پژوهشگاه نیرو, https://www.civilica.com/Paper-PSC21-PSC21_201.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: (Khosravi.Z, ; Barghinia & Ansarimehr, ۱۳۸۵)
برای بار دوم به بعد: (Khosravi.Z; Barghinia & Ansarimehr, ۱۳۸۵)
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 :

  • Shin-Tzo Chen, David C.Yu, A.R. Moghaddamj O, "Weather Sensitive Short-Term ...
  • A. Khotanzad, Rey-Chune Hwang, A. Abaye, D. Maratakulam, "An Adaptive ...
  • A. Khotanzad, R. A fkh ami-Rohani _ D. M aratukulam, ...
  • Nader S. Moharari, Atif S. Debs, "Short-Term Load Forecasting Using ...
  • B.S. Kermanshahi _ C.H. Poskar, G. Swift, W. Buhr, A. ...
  • T. Matsumoto, S. Kitamara, Y, Ueki, T Matsui, "Short Term ...
  • M. Riedmiller and H. Braun, (1993), ، A Direct Adaptive ...
  • M. Riedmiller, (1994), ، Advanced Supervised Learning in Multi-Layer Perceptrons ...
  • Figure9: Forecasting Results for Thursday 29th Sh ahrivar 1383 ...
  • Figure10: Forecasting Results for Thursday 30th Mehr 1383 ...
  • Figure11: Forecasting Results for Monday 2th Aban 1383 ...
  • Martin T. Hagan and Mohammad B. Menhaj , (1994), *Training ...
  • D, Marquardt, (1963), ،An Algorithm for Least Squares Estimation of ...
  • S. Barghinia, P. Ansarimehr, H. Habibi, N. Vafadar, "Short Term ...
  • P. Ansarimehr, S. Barghinia, H. Habibi, N. Vafadar, "Short Term ...
  • S. E. Fahlman, (1988), ،0An Empirical Study of Learning Speed ...
  • R. A. Jacobs, (1988), «Increased Rates of Convergence Through Learning ...
  • R. Battiti, (1992), ،First and Second Order Methods for Learning: ...
  • R. A. Jacobs, (1988), «Increased Rates of Convergence Through Learning ...
  • T. P. Vogl, J.K. Mangis, A.K. Rigler, W. T. Zink ...
  • Rob Smithies, Said Salhi, Nat Queen, (2004), *Adaptive Hybrid Learning ...
  • C. Igel and M. Husken, (2003), *Empirical Evaluation of the ...
  • A. D. Anastasiadis, G. D. Magoulas und M. N. Vrahatis, ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۲۰۹۶
    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.