دسته بندی | برق |
بازدید ها | 3 |
فرمت فایل | docx |
حجم فایل | 23 کیلو بایت |
تعداد صفحات فایل | 7 |
چکیده – پیش بینی بار همواره بخش مهمی از برنامه ریزی و عملیات کارآمد سیستم قدرت بوده است . در حال حاضر شرکت های برق متعددی برای پیش بینی قدرت بار براساس روش های معمولی عمل می کنند . با این حال ، چون رابطه بین بار، قدرت و عوامل موثر بر قدرت بار غیر خطی است ، تعیین کردن (شناسایی) غیر خطی بودن آن با استفاده از روش های مرسوم کار دشواری است .اکثر مقالات پیش بینی پیک بار روز بعد یا پیش بینی به صورت 24 ساعت جلوتر را بررسی می کنند . این روش ها مقدار تقاضای بار را با استفاده از دمای پیش بینی شده به عنوان اطلاعات پیش بینی ، پیش بینی می کنند . اما هنگامی که منحنی تغییرات دما در روز پیش بینی به سرعت تغییر کند ، قدرت بار تا حد زیادی تغییر می کند و خطای پیش بینی ممکن شروع به افزایش کند . در روش های مرسوم شبکه های عصبی از داده های تمام روز های مشابه استفاده می کند تا سیروقایع مشابه را بیاموزد . به هرحال ، یادگیری اطلاعات از همه روزهای مشابه بسیار پیچیده است و این روش یادگیری برای شبکه های عصبی مناسب نیست . بنا براین ، کاهش ساختار شبکه های عصبی و زمان یادگیری لازم است . برای غلبه بر این مشکلات ، پیشنهاد ما ، پیش بینی یک ساعت جلو تر بار با استفاده از اصلاح اطلاعات روز مشابه است . در روش پیش بینی پیشنهادی ما ، قدرت بار پیش بینی شده با اصلاح اطلاعات روز مشابه انتخاب شده ، به دست می آید.