مروری بر روش های پیش بینی بار

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,187

This Paper With 22 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

COMCONF03_323

تاریخ نمایه سازی: 6 اردیبهشت 1396

Abstract:

انرژی الکتریکی در مقیاس وسیع قابل ذخیره سازی نیست؛ مدیریت تولید و توزیع انرژی الکتریکی باید بر اساس تطبیق عرضه و تقاضای انرژی برق، به برنامه ریزی، سرمایه گذاری و بهره برداری از شبکه بپردازد. در برنامه ریزی سیستم های قدرت اولین و مهمترین گام، داشتن اطلاعات کافی و کامل از میزان بار در آینده است؛ بنابراین همواره نیاز به پیش بینی رشد مصرف انرژی الکتریکی و روند رشد بار، با توجه به عوامل موثر بر آن وجود دارد. استفاده ی بهینه از منابع انرژی و سرمایه، نیازمند دقت در پیش بینی بار است. پیش بینی بیش از حد بار منجر به نصب ظرفیت تولید اضافی و مخارج سرمایه گذاری غیرضروری می شود. از طرف دیگر، پیش بینی کمتر از حد بار منجر به نصب ظرفیت تولیدی خواهد شد که در تامین کامل و اقتصادی بار ناتوان است و باعث می شود تا برای برآوردن بارهای تامین نشده از واحدهای تولیدی گران تر در مدار استفاده شود، که خود منجر به بهره برداری غیراقتصادی خواهد شد. در این مقاله، روش های مختلف پیش بینی بار در سیستم های قدرت، مورد بررسی قرار گرفته اند. این روش ها را می توان از دیدگاه های مختلف بررسی کرد؛ دیدگاه حوزه ی زمانی و دیدگاه تحلیلی دو دیدگاه مورد توجه در این حوزه هستند. در مقاله ی حاضر، روش ها بر اساس دیدگاه تحلیلی دسته بندی می شوند. در روش های غیر تحلیلی تنها از تجربیات کارشناسان در امر پیش بینی استفاده می شود اما در روش های تحلیلی با استفاده از روش های آماری و معادلات ریاضی و یا روش های هوشمند به پیش بینی بار می پردازند.

Keywords:

پیش بینی بار , برنامه ریزی سیستم های قدرت , روش های تحلیلی , حوزه ی زمانی

Authors

سمیرا رضاییان

دانشجوی کارشناسی ارشد، دانشکده مهندسی برق، دانشگاه خواجه نصیرالدین طوسی، تهران، ایران

محمد توکلی بینا

استاد، دانشکده مهندسی برق، دانشگاه خواجه نصیر الدین طوسی، تهران، 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 :
  • قراگوزلو حبیب "ارائه ی راهکارهای مناسب جهت برآورد بار در ...
  • V.Iyer, C.C.Fung, T.Gedeon, A fuzzy-neural approach to electricity load and ...
  • A.Kanchan, K.B.Singh, Load modeling, estimation and forecastinggl, UPEC, 31St August-3rd ...
  • L.Ghods, M.Kalantar, Methods for long term electric load demand forecasting; ...
  • T.Gonen, Electric power distribution system engineeringl, California state, McGrow- Hill, ...
  • L.D.Paarmann, M.D.Najar, -Adaptive online load forecasting via time series ...
  • modeling, Elsevier, Electric power systemS research, vol.14, no.3, pp. 423-429, ...
  • C.L.Hor, S.J.Watson, S.Majithia, -Daily load forecasting and maximum demand estimation ...
  • N.X.Jia, R.Yokoyama, Y.C.Zhou, Z.Y.Gao, -A felexible long-term forecasting approach based ...
  • A.Seif, E.M.Gabr, M.A.Moustaf Hassan, O _ Y .Abul-Hagag, ،Stochastic modelling ...
  • C.S.Chen, P.J.Yin, Y.C.Wu, -Load forecasting for substatios in a distribution ...
  • S.Ruzic, A.Vuckovic, -Weather sensitive method for short term load forecasting ...
  • H.L.Willis, -Power distribution planning refrence book, second edition, revised and ...
  • J.Johnston, J.DiNardo, -Econometrd methodsl, Singapore, McGraw-Hil 1997. ...
  • J.M.Hannan, L.A.Kiernan, K.Warwick, S .Majithia, Intelligent methods for load forecastingl, ...
  • H.Seifi, M.S.Sepasian, -Electric power system planning: Issuse, algorithms and solution], ...
  • G.F.Luger, W.A. Stubblefield, -Artificial intelligence and the design of expert ...
  • R.M.Hamm, -Modelling expert forecasting knowledge for incorporation into expert systems, ...
  • F.Collopy, J.S.Armstrong, -Rule-based forecasting: development and validation of an expert ...
  • E.H.Mamdani, B.R.Gains, -Fuzzy reasoning and its applicationsl, Academic Press, 1981. ...
  • H.Mori, H.Kobayashi, -Optimal fuzzy inference for short-term load forecastinggl, IEEE ...
  • J.X.Che, J.Z.Wang, Y.J.Tang, -Optimal training subset in a support vector ...
  • A.Ben-Hur, J.Weston, -Data mining techniques for the life sciencesl, methods ...
  • Zh.Li, Zh.Chen, Ch.Fu, Sh.Zhang, -Annual power load forecasting using support ...
  • S.Haykin, -Neural Networks: A C omprehensive Foundationl, Macmillan, New York, ...
  • K.Negasaka, M.Al Mamun, -Long-term peak demand prediction of 9 Japanese ...
  • M.AlMamun, K.Negasaka, -Artificial neural networks applied to long-term electricity demand ...
  • T.Q.Khoa, P.T.Oanh, -Application of elman and neural wavelet network to ...
  • نمایش کامل مراجع