مقاله بهبود برازش سري زماني با بکارگيري خوشه بندي سلسله مراتبي براي پيش بيني پيک مصرف انرژي الکتريکي ماهانه

توضیحات پروژه

  مقاله بهبود برازش سري زماني با بکارگيري خوشه بندي سلسله مراتبي براي پيش بيني پيک مصرف انرژي الکتريکي 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 سري زماني با بکارگيري خوشه بندي سلسله مراتبي براي پيش بيني پيک مصرف انرژي الکتريکي ماهانه  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

این پروژه توسط مرکز مرکز پروژه و مقالات آماده و تنظیم شده است

توجه : در صورت  مشاهده  بهم ريختگي احتمالي در متون زير ،دليل ان کپي کردن اين مطالب از داخل فایل ورد مي باشد و در فايل اصلي مقاله بهبود برازش سري زماني با بکارگيري خوشه بندي سلسله مراتبي براي پيش بيني پيک مصرف انرژي الکتريکي ماهانه،به هيچ وجه بهم ريختگي وجود ندارد

بخشی از متن مقاله بهبود برازش سري زماني با بکارگيري خوشه بندي سلسله مراتبي براي پيش بيني پيک مصرف انرژي الکتريکي 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 پروژه اینجا کلیک کنید