ارائه روشی جدید برای تحلیل پیشرفته آماری مجموعههای عظیم داده در تولید پراکنده انرژیهای تجدیدپذیر با ارائه نمونهای از تجمیع توان بادی و خورشیدی در شبکه ایران

Publish Year: 1388
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,236

This Paper With 11 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

PSC24_396

تاریخ نمایه سازی: 28 اسفند 1388

Abstract:

استفاده از منابع انرژی تجدید پذیر به صورت تولید پراکنده علاوه بر تامین سلامت محیط زیست منافع فنی قابل توجهی مانند کاهش تلفات سیستم توزیع و بهبود ولتاژ فیدر نیز دارد. با افزایش نفوذ تولید پراکنده انرژیهای نو در سیستم قدرت، لزوم مدل سازی ساختار تصادفی حاصل از عدم قطعیت توان خروجی، تنوع مکانی تولید پراکنده و برهم کنش آنها با شبکه بیش از پیش آشکار میگردد. مدل سازی پیشرفته احتمالاتی در مطالعات طراحی و عملکرد چنین سیستمی بایستی شامل تحلیل عدم قطعیت چند متغیره باشد که در عمل به شکل متغیرهای تصادفی غیر نرمال همبسته هستند. چنین تحلیلی باید تجسم دقیقی از عدم قطعیت تجمعی متناظر با متغیرهای با توزیع مکانی نیز باشد. در این مقاله، استفاده از انرژیهای خورشیدی و بادی به صورت تولید پراکنده در یک سیستم توزیع بر اساس مدل سازی اثرات تصادفی مورد مطالعه قرار گرفته است. در این راستا از توابع کاپیولای ارشمیدسی به عنوان ابزار پیشرفته و جدیدی استفاده شده است.

Authors

حامد ولی زاده حقی

دانشکده برق، دانشگاه صنعتی خواجه نصیرالدین طوسی

محمد توکلی بینا

دانشکده برق، دانشگاه صنعتی خواجه نصیرالدین طوسی

مسعود علی اکبرگلکار

دانشکده برق، دانشگاه صنعتی خواجه نصیرالدین طوسی

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 :
  • ارائه الگوریتم جدیدی برای مدلسازی و شبیهسازی عدمتعادل ولتاژدر سیستمهای توزیع بر اساس توابع احتمال کاپیولا و تبدیل موجک [مقاله کنفرانسی]
  • Pregelj A, Begovic M, Rohatgi A. Quantitative techniques for analysis ...
  • McHenry MP. Why are remote western Australians ...
  • technologies in stand-alone power supply systems?. Renew Energy 2009;34(1): 1252-1256. ...
  • R Development Core Team, 2006a. R: A language and environment ...
  • Haghi HV, Bina MT. Complete harmonic -domain modeling and performance ...
  • E _ ek trotechniczny 2009:85(1): 156-161. ...
  • Papaefthymiou G, Schavemaker PH, VanDerSluis L, Kling WL, Kurowicka D, ...
  • Papaefthymiou G. Integration of stochastic generation in power systems. PhD ...
  • Nelsen RB. An Introduction a Copulas 2nd ed. New York: ...
  • Pfeifer D, Neslehova J. Modeling dependence in finance and insuranc. ...
  • Copulas.pdf (accessed 20 Oct 2008). ...
  • Sklar A. Functions de repartitiona n dimensions et leurs marges. ...
  • Embrechts P, McNeil A, Straumann D. Correlation and dependence in ...
  • Rebonato R, Jackel P. The most general methodology to create ...
  • relationships using copulas. In Proc 32nd Actuarial Research Conf, Alberta, ...
  • Genest C, MacKay J. The joy of copulas: Bivariate distributions ...
  • Yan J. Enjoy the joy of copulas. Journal of Statistical ...
  • Frees EW, Wang P. Credibility using copulas. North American Actuarial ...
  • Genest C, Rivest LP. Statistical inference procedures for bivariate Archimedean ...
  • Strelen JC, Nassaj F. Analysis and generation of random vectors ...
  • Borowy B, Salameh Z. Methodology for optimally sizing the combination ...
  • Jayadev J. Harnesing the wind. IEEE Spectrum 1995; 32:78-83. ...
  • Ameri M, Ghadiri M, Hosseini M Recent advances in the ...
  • Moosavi SM, Pari MN. Data and information 11 ...
  • needed from SUNA for each major technology drea. Tehran, Iran: ...
  • World Design Insolation- Solarex;2004. ...
  • Papaefthymiou G. MCMC for wind power simulation. IEEE Trans Energy ...
  • نمایش کامل مراجع