چطور این مقاله مهندسی برق را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008593 رایگان است. ترجمه چکیده این مقاله مهندسی برق در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
pdf+word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
پیشبینی بار برای طراحی و عملکرد سیستمهای قدرت با استفاده از شبکه عصبی مصنوعی (مطالعه موردی دربارهی انرژی برق-آبی لارونا در نیروگاه برق استخراج فلز نیکل)
عنوان انگليسي
Load forecasting for power system planning and operation using artificial neural network (a case study on Larona Hydro Power in the nickel smelting plant)
نویسنده/ناشر/نام مجله
AIP Conference Proceedings
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی برق شامل 9 صفحه انگلیسی به صورت پی دی اف و 12 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
هدف از این تحقیق، تحلیل عملکرد بارهای قدرت نیروگاه است تا عملکرد نیروگاه برق-آبی را در زمینه‌های عملیاتی و طراحی بهبود بخشد. مقدار برق مصرفی در زمان مشخص، کاملاً قابل اندازه‌گیری نمی‌باشد. این امر موجب کمبود تغذیه برق در طرف مصرفکننده می‌شود بشرط اینکه برق تولید شده کمتر از انرژی الکتریکی مورد نظر باشد. همچنین، افزایش برق مورد نیاز سبب مشکلاتی از جمله کیفیت تحویل قدرت الکتریکی به مصرفکننده می‌شود. بمنظور حل این مشکلات، طراحی مناسب و قابل اطمینان سیستم قدرت الکتریکی براساس پیشبینی بار الکتریکی در آینده، ضروری می‌باشد. در این مطالعه، پیشبینی بار برای طراحی و عملکرد ایستگاه برق-آبی لارونا در ایستگاه استخراج آهن Sorowako، از طریق شبکه عصبی مصنوعی (ANN) ارائه شده است. ANN توسطMATLAB پیاده‌سازی شده است. ساختار ANN بر اساس MLP (پرسپترون چندلایه‌ای) است. پیشبینی بار توسط شبیه‌سازی انجام شده و شبکه عصبی با داده‌های بدست آمده، آموزش داده می‌شود. بعد از اعتبارسنجی نرخ خطای شبکه عصبی، تابع شبکه بمنظور تخمین پیشبینی کوتاه مدت با تعیین پارامترهای تخمین‌گر، استفاده می‌شود. این پارامترها عبارتند از: تعداد ورودی یادگیری، تابع فعال‌ساز و نرخ یادگیری است. خطا به‌عنوان MAPE (میانگین قدرمطلق درصد خطا) محاسبه می‌شود و معیارهای انتخاب مدل براساس بهترین مقادیر RMSE و کوچکترین مقدار MAPE است. در این مقاله، مقدار خطا حدود %957/0 بود.
1-مقدمه
بیشترین چیزی که در دنیای امروز مصرف می‌شود، انرژی است. با افزایش تقاضا و مصرف انرژی در PT. Vale Indonesia Tbk، اجبار به قطعی سیستم قدرت در حال افزایش می‌باشد. بمنظور فراهم کردن انرژی برق با روشی مطمئن و اقتصادی به کارخانه‌های فرآوری و سایر سیستمهای پشتیبانی، PT. Vale Indonesia Tbk دچار چالش‌های تکنیکی و اقتصادی در عملکرد سیستم برق‌رسانی شدهاست....
پیشبینی بار عملکرد سیستمهای قدرت شبکه عصبی مصنوعی
:کلمات کلیدی
Abstract
The research describes in this paper aims to help improve the performance of a Hydro Power plant operation and planning by analyzing the performance of its power loads. The amount of electrical energy used at certain times cannot be calculated exactly. This can lead to a lack of electricity supply on the consumer side if the generated power is less than the need electrical energy required. Increased electricity needs can also be cause problems to the quality of electric power that is delivered respectively. To overcome things, it is necessary to have a proper electric power system operation plan reliable through forecasting the electrical load in the future. In this study, carried out load forecasting for power system planning and operation of Larona Hydro Power Plant, in smelter plant Sorowako propose an Artificial Neural Network (ANN) method. The ANN was implemented using tools of MATLAB. The structure of the ANN is MLP (Multi-layer Perceptron). The load forecasting conducted in simulation, proceed the data by constructing and train the neural network with this data. After the validation of neural network error rate, the network function used to estimate a short-term prediction with determination predictor parameters namely number of learning input, activation function, and learning rate. Error was calculated as MAPE (Mean Absolute Percentage Error), the model selection criteria are based on the best RMSE values with the smallest MAPE value, and with error of about 0.957% this paper was successfully carried out.
Keywords:
Artificial Neural Network
سایر منابع مهندسی برق در زمینه سیستم قدرت