سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

مقایسه پیشبینی شبکه های پرسپترون چند لایه و تبدیل ویولت در پیش بینی بار منابع انرژی های تجدیدپذیر

Publish Year: 1394
Type: Conference paper
Language: Persian
View: 565

This Paper With 7 Page And PDF Format Ready To Download

Export:

Link to this Paper:

Document National Code:

ACWEC01_159

Index date: 29 November 2015

مقایسه پیشبینی شبکه های پرسپترون چند لایه و تبدیل ویولت در پیش بینی بار منابع انرژی های تجدیدپذیر abstract

رشد سیستم های موجود بصورت مداوم و نیاز به برنامه ریزی برای تامین انرژی برای بارهای اینده موجب اهمیت پیش بینی بارمی شود براساس طول مدت پیش بینی پیش بینی باربه چهاردسته تقسیم بندی میشود که ازبین دراین تحقیق به پیش بینی بار کوتاه مدت بااستفاده ازسیستم استنتاج فازی تطبیق پذیرمبتنی برشبکه های عصبی مصنوعی پرداخته شده است دراین مقاله پیش بینی بارمنابع انرژی نو توسط دوتکنیک شبکه های پرسپترون چندلایه و تبدیل ویولت انجام شده است برای این منظور مقایسه ای بین دوپیش بینی بار منابع انرژی خورشیدی و توربین بادی توسط دوروش فوق براساس داده های واقعی بخشی ازشبکه برق ایران انجام شده است نتایج تحقیق نشان ازبرتری تکنیک تبدیل ویولت دارد

مقایسه پیشبینی شبکه های پرسپترون چند لایه و تبدیل ویولت در پیش بینی بار منابع انرژی های تجدیدپذیر Keywords:

پیش بینی بار , شبکه های پرسپترون چندلایه , تبدیل ویولت , انرژی نو

مقایسه پیشبینی شبکه های پرسپترون چند لایه و تبدیل ویولت در پیش بینی بار منابع انرژی های تجدیدپذیر authors

روح الله قدیمی

گروه برق-دانشگاه محقق اردبیلی، اردبیل ایران

عادل اکبری مجد

گروه برق-دانشگاه محقق اردبیلی، اردبیل ایران

حسین شایقی

گروه برق-دانشگاه محقق اردبیلی، اردبیل ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :
Mori, H., 1996. State-of-the-ar overview On artificial neural networks in ...
basaran filik, U., and kurban, M., _ approach for the ...
Bassi D., and Olivares, O.r., "Medium Term Electric Load Forecasting ...
Chen, Y., Luh, P.B., Guan, C., Zhao, Y., Michel, L.D., ...
Transaction on Power System, 25(1), pp.322-333, 2010. ...
Hinojosa, V.H., Hoese, A., "Short-Term Load Forecasting Using Fuzzy Inductive ...
Muthukumaran _ S., Thyagarajah, K, and Paulraj, M., "Short Term ...
Liao, G.Ch., and Tsao, T.P., "Application of fuzzy neural networks ...
Chen, H., Canizares, C.A., and Singh. A., :ANN- Based Short-Term ...
Abd, M.K., "Electricity Load Forecasting based _ Framelet Neural Network ...
Khairul Hasan, M., Khan, M.A., Ahmmed, S., and Saber, A.Y., ...
Gaddam Mallesham, A.N., ":A fine load forecasting using neural networks ...
Fausett, L., "Fundamentals of Neural Networks: applications". ...
Eric A. Rying, Griff L. Bilbro, and Jye-Chyi Lu, "Focused ...
Networks, 13(2), pp. 304-319, 2002. ...
نمایش کامل مراجع

مقاله فارسی "مقایسه پیشبینی شبکه های پرسپترون چند لایه و تبدیل ویولت در پیش بینی بار منابع انرژی های تجدیدپذیر" توسط روح الله قدیمی، گروه برق-دانشگاه محقق اردبیلی، اردبیل ایران؛ عادل اکبری مجد، گروه برق-دانشگاه محقق اردبیلی، اردبیل ایران؛ حسین شایقی، گروه برق-دانشگاه محقق اردبیلی، اردبیل ایران نوشته شده و در سال 1394 پس از تایید کمیته علمی اولین کنگره سالیانه جهان و بحران انرژی پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله پیش بینی بار ، شبکه های پرسپترون چندلایه ، تبدیل ویولت ، انرژی نو هستند. این مقاله در تاریخ 8 آذر 1394 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 565 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که رشد سیستم های موجود بصورت مداوم و نیاز به برنامه ریزی برای تامین انرژی برای بارهای اینده موجب اهمیت پیش بینی بارمی شود براساس طول مدت پیش بینی پیش بینی باربه چهاردسته تقسیم بندی میشود که ازبین دراین تحقیق به پیش بینی بار کوتاه مدت بااستفاده ازسیستم استنتاج فازی تطبیق پذیرمبتنی برشبکه های عصبی مصنوعی پرداخته شده است دراین مقاله ... . برای دانلود فایل کامل مقاله مقایسه پیشبینی شبکه های پرسپترون چند لایه و تبدیل ویولت در پیش بینی بار منابع انرژی های تجدیدپذیر با 7 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.