مقاله بهبود برازش سری زمانی با بکارگیری خوشه بندی سلسله مراتبی برای پیش بینی پیک مصرف انرژی الکتریکی ماهانه

توضیحات

  مقاله بهبود برازش سری زمانی با بکارگیری خوشه بندی سلسله مراتبی برای پیش بینی پیک مصرف انرژی الکتریکی ماهانه دارای 14 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بهبود برازش سری زمانی با بکارگیری خوشه بندی سلسله مراتبی برای پیش بینی پیک مصرف انرژی الکتریکی ماهانه  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله بهبود برازش سری زمانی با بکارگیری خوشه بندی سلسله مراتبی برای پیش بینی پیک مصرف انرژی الکتریکی ماهانه،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بهبود برازش سری زمانی با بکارگیری خوشه بندی سلسله مراتبی برای پیش بینی پیک مصرف انرژی الکتریکی ماهانه :

تعداد صفحات:14

چکیده:

در سیستم قدرت الکتریکی، پیش بینی پیک بار به جهت بهینه سازی افتصادی، برنامه ریزی خط مشی، تخصیص بودجه و مدیریت سوخت نیروگاه ها نقش بسیار مهمی بازی می کند. دقت روش پیش بینی در توسعه یک استراتژی تامین قدرت و طرح توسعه بویژه برای کشورهای در حال توسعه بسیار مهم است. زیرا در این کشورها نرخ رشد تقاضا پویا و زیاد است. در این مقاله یک مدل رگرسیون سری زمان تلفیقی جهت پیش بینی پیک بار الکتریکی ماهانه ارائه می شود و بدین منظور داده های تقاضای پیک بار ماهانه 14 سال گذشته شبکه قدرت الکتریکی سراسری ایران مورد استفاده و تحلیل قرار می گیرد. مدل ارائه شده امکان پیش بینی انرژی الکرتیکی مصرفی یا پیک بار ماهانه را برای ماه آینده فراهم می کند. بطوریکه جهت بهبود برازش سری زمانی، از الگوریتم درخت خوشه ای سلسله مراتبی به منظور خوشه بندی پیک بار مصرفی ماهانه استفاده شده است و ماه های مشابه با یکدیگر در گروه های یکسان قرار داده شده اند. همچنین برای تعیین بهترین حالت خوشه بندی ضریب همبستگی کوفنتیک بکار گرفته شده است. جهت پیش بینی پیک بار ماهانه برای هر خوشه از روش رگرسیون سری زمانی استفاده شده است. آنالیز و مقایسه نتایج پیش بینی با مدل میانگین متحرک و روش رگرسیون سری زمانی بدون انجام خوشه بندی نشان می دهد که مدل ارائه شده دارای دقت مناسبی بوده و خشه بندی داده ها موجب بهبود پیش بینی شده است.

برای دریافت اینجا کلیک کنید