مقاله انگلیسی رایگان در مورد پیش بینی الگوی بار میان مدت با شبکه عصبی – IEEE 2019

IEEE

 

مشخصات مقاله
ترجمه عنوان مقاله پیش بینی الگوی بار میان مدت با شبکه عصبی مصنوعی بازگشتی
عنوان انگلیسی مقاله Mid-term Load Pattern Forecasting With Recurrent Artificial Neural Network
انتشار مقاله سال ۲۰۱۹
تعداد صفحات مقاله انگلیسی ۹ صفحه
هزینه دانلود مقاله انگلیسی رایگان میباشد.
پایگاه داده نشریه IEEE
نوع نگارش مقاله
مقاله پژوهشی (Research Article)
مقاله بیس این مقاله بیس نمیباشد
نمایه (index) Scopus – Master Journals List – JCR
نوع مقاله ISI
فرمت مقاله انگلیسی  PDF
ایمپکت فاکتور(IF)
۴٫۶۴۱ در سال ۲۰۱۸
شاخص H_index ۵۶ در سال ۲۰۱۹
شاخص SJR ۰٫۶۰۹ در سال ۲۰۱۸
شناسه ISSN ۲۱۶۹-۳۵۳۶
شاخص Quartile (چارک) Q2 در سال ۲۰۱۸
مدل مفهومی ندارد
پرسشنامه ندارد
متغیر ندارد
رفرنس دارد
رشته های مرتبط مهندسی کامپیوتر، مهندسی فناوری اطلاعات
گرایش های مرتبط هوش مصنوعی، شبکه های کامپیوتری
نوع ارائه مقاله
ژورنال
مجله / کنفرانس دسترسی – IEEE Access
دانشگاه  IT Convergence Technology Research Center, Kongju National University, Cheonan 31080, South Korea
کلمات کلیدی سیستم هوشمند، پیش بینی بار میان مدت، پاسخ بار غیرخطی، شبکه عصبی مصنوعی بازگشتی
کلمات کلیدی انگلیسی  Intelligent system, mid-term load forecasting, nonlinear load response, recurrent artificial neural network
شناسه دیجیتال – doi
https://doi.org/10.1109/ACCESS.2019.2957072
کد محصول  E14071
وضعیت ترجمه مقاله  ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید.
دانلود رایگان مقاله دانلود رایگان مقاله انگلیسی
سفارش ترجمه این مقاله سفارش ترجمه این مقاله

 

فهرست مطالب مقاله:
ABSTRACT

I. INTRODUCTION

II. SELECTION OF INPUT DATA

III. CASE STUDIES

IV. CONCLUSION

REFERENCES

 

بخشی از متن مقاله:
ABSTRACT

The paper describes a mid-term daily peak load forecasting method using recurrent artificial neural network (RANN). Generally, the artificial neural network (ANN) algorithm is used to forecast shortterm load pattern and many ANN structures have been developed and commercialized so far. Otherwise, learning and estimation for long-term and mid-term load forecasting are hard tasks due to lack of training data and increase of accumulated errors in long period estimation. The paper proposes a mid-term load forecasting structure in order to overcome these problems by input data replacement for special days and a recurrent-type NN application. Also, the proposed RANN gives good performances on estimating sudden and nonlinear demand increase during heat waves. The results of case studies using load data of South Korea are presented to show performances and effectiveness of the proposed RANN.

INTRODUCTION

Accurate load forecasting becomes essential for an effective power system management and planning overhauls of the generators in a situation that the power consumption steeply increases and electric power reserve rate becomes insufficient. The load forecasting issues are to solve a complex nonlinear relationship related to previous load demand, social variation, and weather variation. Therefore, it still remains a challenging task to accurately forecast loads in order to supply high quality electric energy to customers in a secure and economic manner [1]. The purpose of load forecasting is generally divided into three categories: short-term, mid-term, and long-term load forecasting. Short-term load forecasting focuses on load variation from one hour to one week. Mid-term load forecasting interests in load estimation from one week to a month and long-term load forecasting can be extended to from one month to several years. The reason why the load forecasting is divided into several categories is that the estimation result from each method can be used in different operation objects. The short-term load forecasting is useful to control and schedule power generation for all generators in the system and also needed to estimate load flows and make decisions to prevent overloading on power facilities. The load forecasting for the mid-term and long-term is important to determine consequential power generation, the capacity of load consumption, and expansion of power facilities such as generators, transmission lines, and substations [2].

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.