فیلترها/جستجو در نتایج    

فیلترها

سال

بانک‌ها




گروه تخصصی











متن کامل


اطلاعات دوره: 
  • سال: 

    2023
  • دوره: 

    17
  • شماره: 

    1
  • صفحات: 

    55-61
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    31
  • دانلود: 

    0
چکیده: 

Short Term Load forecasting (STLF) is the projection of system Load demands for the next day or week. Because of its openness in modeling, simplicity of implementation, and improved performance, the ANN-based STLF model has gained traction. The neural model consists of weights whose optimal values are determined using various optimization approaches. This paper uses an Artificial Neural Network (ANN) trained using multiple hybrid techniques (HT) such as Back Propagation (BP), Cuckoo Search (CS) model, and Bat algorithm (BA) for Load forecasting. Here, a thorough examination of the various strategies is taken to determine their scope and ability to produce results using different models in different settings. The simulation results show that the BA-BP model has less predicting error than other techniques. However, the Back Propagation model based on the Cuckoo Search method produces less inaccuracy, which is acceptable.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 31

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1400
  • دوره: 

    12
  • شماره: 

    2
  • صفحات: 

    35-46
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    402
  • دانلود: 

    158
چکیده: 

پیش بینی بار الکتریکی مصرفی برای عملکرد مطمین سیستم های قدرت و همچنین برای برنامه ریزی مدیریت تقاضا و ذخیره بار حیاتی است. در این مقاله پیش-بینی بار با استخراج ویژگی های تاریخچه بار مصرفی با استفاده از شبکه های عصبی عمیق انجام شده است. شبکه های عصبی بازگشتی، به ویژه شبکه های عصبی بازگشتی بهبود یافته، مانند LSTM و GRU قادر به نگه داشتن حافظه کوتاه مدت و طولانی هستند تا روابط بین مقادیر بار را از سری زمانی استخراج کنند. از طرف دیگر، شبکه های عصبی کانولوشنی قادر به یادگیری خودکار ویژگی ها هستند و می توانند مستقیما یک بردار را برای پیش بینی تولید کنند. روش پیشنهادی این مقاله، استخراج ویژگی های بار با استفاده از شبکه های عصبی کانولوشن و سپس استخراج اطلاعات توالی زمانی بار با بهره گیری از شبکه GRU است. نتایج آزمایش ها بر روی سه مجموعه داده Toronto و ISO-NE و North American Utility نشان دهنده کاهش خطای پیش بینی روش پیشنهادی در مقایسه با سایر روش های رقیب است.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 402

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 158 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
نویسندگان: 

FIROUZNIA R.A. | AMJADI N.

نشریه: 

Modeling in Engineering

اطلاعات دوره: 
  • سال: 

    2009
  • دوره: 

    7
  • شماره: 

    16
  • صفحات: 

    0-0
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    226
  • دانلود: 

    0
چکیده: 

The importance of short term Load forecasting has been increasing lately. Artificial Neural Network (ANN) Method is applied to forecast the short term Load forecasting for a large power system. A nonlinear Load model is proposed and several structures of ANN for short term Load forecasting are tested. Inputs to the ANN are past Loads and the output of the ANN is the Load forecast for a given day. More autonomous Load predictors are needed in the new competitive scenario. This paper describes two strategies for embedding the discrete wavelet transform into neural network based short term Load forecasting. Its main goal is to develop more robust Load forecasters.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 226

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
نویسندگان: 

MANSOURI VAHID | AKBARI MOHAMMAD E.

اطلاعات دوره: 
  • سال: 

    2014
  • دوره: 

    3
  • شماره: 

    10
  • صفحات: 

    37-50
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    335
  • دانلود: 

    0
چکیده: 

Review and classification of electric Load forecasting (LF) techniques based on artificial neural networks (ANN) is presented. A basic ANNs architectures used in LF reviewed. A wide range of ANN oriented applications for forecasting are given in the literature. These are classified into five groups: (1) ANNs in short-term LF, (2) ANNs in mid-term LF, (3) ANNs in long-term LF, (4) Hybrid ANNs in LF, (5) ANNs in Special applications of LF. The major research articles for each category are briefly described and the related literature reviewed. Conclusions are made on future research directions.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 335

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1401
  • دوره: 

    19
  • شماره: 

    1
  • صفحات: 

    307-318
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    11
  • دانلود: 

    0
چکیده: 

1به منظور پیش­بینی تقاضای مصرف انرژی الکتریکی یک شهر یا کشور، متداول است که داده­های تاریخی بار مناطق مختلف آن شهر و یا شهرهای مختلف آن کشور جمع­آوری و بر اساس آن تصمیمات راهبری و یا راهبردی اتخاذ شود. با این حال، ممکن است استفاده از داده های تاریخی تمام مناطق و یا انواع مختلف بارهای مصرفی (مسکونی، تجاری و صنعتی) به یک میزان حائز اهمیت نباشد؛ بدین معنی که امکان دارد تنها میزان بار مصرفی بعضی از مناطق و یا تنها میزان مصرف یک نوع بار بیشترین تاثیر و اهمیت را در تصمیم­گیری داشته باشد. از آنجایی که جمع جبری پیش­بینی­های تمام مناطق و یا انواع بار لزوما پیش­بینی مناسبی برای هدف مورد نظر ارائه نمی دهد، روش­های مختلفی برای ادغام پیش­بینی مناطق مختلف وجود دارد. در ساده ترین حالت ممکن، می­توان به سادگی داده­های مناطق مختلف را جمع جبری نمود و یک سری زمانی کلی به­دست آورد و پیش­بینی را بر اساس آن انجام داد. با این وجود، این روش ساده نه تنها همواره پیش­بینی مناسبی ارائه نمی­دهد بلکه نیازمند دسترسی به جزئیات داده های تاریخی بار و عوامل موثر آن به تفکیک هر منطقه نیز می باشد. از این رو، در این مقاله روش­های ادغام مختلفی نظیر روش های ادغام پایین به بالا، بالا به پایین و همچنین رویکرد ترکیب بهینه با در نظر گرفتن همبستگی بین سری­های زمانی زیرمجموعه معرفی شده است. با توجه به اینکه تاکنون به حوزه پیش­بینی سلسله­مراتبی در صنعت برق پرداخته نشده است؛ این مقاله با بررسی کاربرد این موضوع به طور خاص برای پیش­بینی تقاضای بار الکتریکی در شبکه قدرت از تحقیقات پیشین متمایز شده است. با توجه به تمرکز اصلی پژوهش حاضر بر تاثیر روش­های ادغام، در این مقاله از روش­های کلاسیک پیش­بینی نظیر روش خودهمبسته ـ میانگین متحرک یکپارچه (ARIMA) و هموارسازی نمایی استفاده شده است. در این مطالعه، پیش­بینی سلسله­مراتبی کوتاه­مدت و بلندمدت برای داده­های واقعی بازار برق استرالیا انجام گرفته است. نتایج به روشنی نشان می دهند که روش ترکیب بهینه بهترین نتیجه را ارائه می­دهد.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 11

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
نویسندگان: 

MANSOURI VAHID | AKBARI MOHAMMAD E.

اطلاعات دوره: 
  • سال: 

    2014
  • دوره: 

    3
  • شماره: 

    9
  • صفحات: 

    46-54
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    419
  • دانلود: 

    0
چکیده: 

Short term Load forecasting (STLF) plays an important role in the economic and reliable operation of power systems. Electric Load demand has a complex profile with many multivariable and nonlinear dependencies. In this study, recurrent neural network (RNN) architecture is presented for STLF. The proposed model is capable of forecasting next 24-hour Load profile. The main feature in this network is internal feedback to highlight the effect of past Load data for efficient Load forecasting results. Testing results on the three year demand profile shows higher performance with respect to common feed forward back propagation architecture.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 419

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources
نویسنده: 

KERMANSHAHI B.

اطلاعات دوره: 
  • سال: 

    2003
  • دوره: 

    18
تعامل: 
  • بازدید: 

    246
  • دانلود: 

    0
چکیده: 

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.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 246

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0
اطلاعات دوره: 
  • سال: 

    1394
  • دوره: 

    3
  • شماره: 

    2
  • صفحات: 

    43-59
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    2789
  • دانلود: 

    1297
چکیده: 

در دنیای امروز افزایش چالش های شهرنشینی و ترافیک سبب نیاز فوری به سیستم های کنترل ترافیک با حداکثر بهره وری شده است. هدر رفتن زمان و افزایش سوخت مصرفی و هم چنین آلودگی های هوا و صوتی سبب شده کنترل ترافیک به یکی از مهم ترین بحث های روز دنیا تبدیل شود. از جمله روش های موجود برای رسیدن به این هدف، پیش بینی مسیر و مقصد نهایی خودرو است. اگر مکان آینده خودروها را بتوان پیش بینی کرد، به راحتی می توان قادر به تخمین ازدحام ترافیک شد. پیش بینی مسیر براساس مسیرهای طی شده گذشته خودرو و در نظر گرفتن مشخصه هایی مانند مکان شروع، ساعت، روز، ماه، مدت زمان با استفاده از روش های داده کاوی و شبکه های عصبی مصنوعی امکان پذیر است. در این مقاله از داده های واقعی GPS، به دست آمده از خودروها به منظور انجام عملیات پیش بینی مسیر و مقصد نهایی بهره برده شده است. یکی از روش های پیشنهادی در این مقاله به دست آوردن پایگاه داده ای از مسیرهای دقیق طی شده خودروها به کمک نرم افزار ArcGIS است، که این پایگاه داده سبب بالا رفتن دقت پیش بینی مسیر خودرو شده است. در این مقاله یک پایگاه داده کلی شامل همه حالات شبکه جاده ای و یک پایگاه داده پیچیده تر شامل چهارراه ها و نقاط چالشی تر جاده ایجاد شده است. هم چنین به منظور عملیات پیش بینی، دو الگوریتم قوانین انجمنی و شبکه های عصبی مصنوعی مورد استفاده قرار گرفته شده است. نتایج به دست آمده نشان دهنده دقت بسیار خوب پیش بینی است. برطبق ارزیابی انجام شده، الگوریتم ANN در پایگاه داده کلی با دقت پیش بینی بالای 96 درصد و الگوریتم GRI پایگاه داده پیچیده تر با دقت پیش بینی بالای 95 درصد، نتایج قابل قبولی به دست آورده اند. روش پیشنهادی و نتایج این پیش بینی می تواند به برنامه ریزی ترافیک و بهینه سازی حرکت خودروها کمک کند.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 2789

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 1297 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    1395
  • دوره: 

    46
  • شماره: 

    2 (پیاپی 76)
  • صفحات: 

    323-332
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    1868
  • دانلود: 

    464
چکیده: 

این مقاله روشی جدید برای طراحی شبکه توزیع در حضور عدم قطعیت بار ارائه می کند، طوری که شبکه حاصل یک شبکه بهینه و در عین حال مقاوم نسبت به عدم قطعیت برآورد بار باشد. ابتدا روشی برای طراحی شبکه بهینه با نادیده گرفتن عدم قطعیت بار ارائه شده و سپس با ترکیب این روش با روش مونت-کارلو، روشی نو برای طراحی شبکه توزیع با در نظرگیری عدم قطعیت بار ارائه و تفصیل شده است. در این مقاله با فرض این که مکان مناسب پست های توزیع و فوق توزیع در کارهای دیگری به دست آمده است، مسیر بهینه فیدرهای فشارمتوسط با استفاده از شکل جدیدی از الگوریتم رقابت استعماری که به منظور طراحی شبکه توزیع اصلاح و گسترش یافته است به دست آمده اند. به منظور تست شعاعی بودن شبکه به دست آمده در هر تکرار از الگوریتم، یک روش ریاضی که به نوع خود یک روش جدید و نویی به شمار می رود به کار رفته است. برای سناریوی طراحی با درنظرگیری عدم قطعیت، شبکه بهینه به دست آمده و نیز نمودار هیستوگرام تعدادی از پارامترهای الکتریکی این شبکه ارائه شده اند. براساس نتایج به دست آمده با مدل سازی رفتار شبکه در مقابل ورودی های احتمالی می توان به شبکه بهینه ای دست یافت که با همان هزینه و تامین قیود الکتریکی، دارای خواص واقعی تر و انعطاف پذیرتر باشد یا به عبارت بهتر شبکه حاصل، نسبت به عدم قطعیت برآورد بار مقاوم بوده و بهینه بودن خود را حفظ خواهد کرد.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 1868

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 464 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesاستناد 0 مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesمرجع 0
اطلاعات دوره: 
  • سال: 

    2013
  • دوره: 

    28
تعامل: 
  • بازدید: 

    152
  • دانلود: 

    0
چکیده: 

LONG TERM ELECTRIC POWER SYSTEM Load forecasting (LTLF) PLAYS AN IMPORTANT ROLE IN ENERGY MANAGEMENT SYSTEM (EMS), WHICH HAS REMARKABLE INFLUENCE ON PLANNING, CONTROL SYSTEM, GENERATION EXPANSION AND ECONOMIC ISSUES ON POWER SYSTEMS. WHILE SEVERAL PROMISING TECHNIQUES HAVE BEEN DONE IN THE SHORT-TERM Load forecasting, NO TRUSTWORTHY METHODS HAVE BEEN CONTEMPLATED FOR LONG-TERM PREDICTIONS. THE INTENT OF THIS PAPER IS TO INTRODUCE TWO APPROACHES BASED ON THE REGRESSION METHOD AND ARTIFICIAL NEURAL NETWORK (ANN) WITH CONSIDERING ON INPUT DATA FOR PREDICTION OF REAL CASE KHORASAN REGIONAL Load. FURTHERMORE, WE APPLY COMBINATION OF SIMULATED ANNEALING AND ARTIFICIAL NEURAL NETWORK (SA-ANN) IN ORDER TO INCREASING ACCURACY IN LTLF. COMPARISON OF THE RESULTS ILLUSTRATE THAT PROPOSED METHOD HAVE A RELIABLE SOLUTION FOR LONG TERM Load forecasting OF KHORASAN, IRAN AND IN MORE THAN 95% OF TEST RESULT, SA-ANN GIVE BETTER SOLUTIONS THAN ANN AND AR METHODS.

شاخص‌های تعامل:   مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید 152

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resourcesدانلود 0
litScript
telegram sharing button
whatsapp sharing button
linkedin sharing button
twitter sharing button
email sharing button
email sharing button
email sharing button
sharethis sharing button