پیش بینی کوتاه مدت بار الکتریکی با استفاده از مدل های خاکستری بهبودیافته مبتنی بر تکرار
Publish place: Tabriz Journal of Electrical Engineering، Vol: 48، Issue: 3
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 387
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TJEE-48-3_012
تاریخ نمایه سازی: 17 تیر 1398
Abstract:
با افزایش تقاضای مصرف انرژی الکتریکی، شناسایی روند تغییرات بار از مسائل حائز اهمیت در شبکه های برق می باشد. در این میان پیش بینی کوتاه مدت بار برای اطمینان از تامین تقاضا و امنیت شبکه یکی از حیاتی ترین مباحث در مدیریت فنی و اقتصادی صنعت برق به شمار می آید. تاکنون روش های متعددی با دقت های متفاوت به منظور مدل سازی و پیش بینی بار در کوتاه مدت ارائه شده است. اکثر این روش ها از تعداد داده های زیاد و پارامترهایی غیر از متغیر پیش بینی استفاده می کنند. در این مقاله، مدل خاکستری و مدل خاکستری غلتان که می تواند با استفاده از تعداد داده های کم و با دقت بالا برای مدل سازی و پیش بینی سری زمانی استفاده شود، بهبود داده شده است. برای افزایش دقت مدل های پیشنهادی، روش اصلاح باقی مانده به روش فوریه به کار گرفته شده است. علاوه بر این، عملکرد روش های پیشنهادی با چهار روش دیگر با اعمال آنها به شبکه های ایران و نیواینگلند مقایسه شده است. چندین تعریف خطا به عنوان معیارهای توانایی و دقت انتخاب شده و حساسیت روش های پیشنهادی به تعداد داده های مورد نیاز و اندازه گام پیش بینی بررسی شده است. نتایج شبیه سازی عملکرد و دقت بالای مدل های پیشنهادی در مدل سازی و پیش بینی بار را نشان می دهد.
Keywords:
پیش بینی کوتاه مدت بار , مدل خاکستری , مدل خاکستری غلتان , مدل خاکستری اصلاح باقی مانده به روش فوریه
Authors
کیان جوان اجدادی
دانشکده فنی و مهندسی - دانشگاه محقق اردبیلی - اردبیل
سیدجلال سیدشنوا
دانشکده فنی و مهندسی - دانشگاه محقق اردبیلی - اردبیل
عبدالمجید دژم خوی
دانشکده فنی و مهندسی - دانشگاه محقق اردبیلی - اردبیل
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 :