دسته‌ها
برق - ترجمه مقاله مقالات ترجمه شده

دانلود ترجمه مقاله دسته بندی نرخ و بها آینده بازار توان (برق)

مقاله دسته بندی نرخ و بها آینده بازار توان (برق)

http://20elm.ir/wp-content/uploads/2016/10/%D8%AA%D8%B1%D8%AC%D9%85%D9%87-%D9%85%D9%82%D8%A7%D9%84%D8%A7%D8%AA-%D8%A8%D8%B1%D9%82-158x158.png

بخشی از مقاله ترجمه شده در زیر :

چکیده-پیش بینی کوتاه مدت قیمت ها در بازار برق در سال های اخیردر تمرکز مطالعات متعدد بوده است. اگر چه روش های مختلف مورد بررسی قرار داده شده اند، دستیابی کمی از خطاهای پیش بینی نشده همیشه امکان پذیر است. با این حال، برخی از برنامه های کاربردی، مانند مدیریت سمت تقاضا، نیاز به مقادیر دقیق برای قیمت های آینده ندارند، بلکه از آستانه قیمت مشخص به عنوان پایه ای برای ساخت تصمیمات برنامه ریزی کوتاه مدت استفاده می کند. در این مقاله، طبقه بندی قیمت های بازار برق در آینده با توجه به آستانه قیمت از پیش تعیین شده معرفی شده است. دو مدل جایگزین بر اساس بردارهای پشتیبانی ماشین با مفهوم چند طبقه، به صورت طبقه بندی روز آتیقیمت ارائه شده است. نتایج عددی برای طبقه بندی قیمت ها در بازار آلبرتا و انتاریو ارائه شده است.
I. مقدمه
قیمت برق یک عامل کلیدی در تعیین برنامه عملیاتی کوتاه مدت و استراتژیهای مناقصه در بازار رقابتی برق [1] می باشد. در نتیجه، روش های متعدد داده ی رانده شده، برای مدل سازی و پیش بینی کوتاه مدت قیمت ها در بازار برق ارائه شده است. [16] -[2] خطاهای پیش بینی قیمت گزارش شده به طور کلی از حدود 5٪تا 36٪متغیرومتفاوتاستکه بر اساس روش مورد استفاده و تجزیه و تحلیل بازار می باشد. این طیف وسیعی از خطا، با این حال، در مقایسه با پیش بینی کوتاه مدت بار الکتریکی که در آن اشتباهات معمولا از 1٪تا 3٪متغیر می باشند،نسبتا بالا خواهد بود [17].

عنوان انگلیسی مقاله: Classification of Future Electricity Market Prices
عنوان فارسی مقاله: طبقه بندی قیمت آینده بازار برق
دسته: مهندسی برق
فرمت فایل ترجمه شده: WORD (قابل ویرایش)
تعداد صفحات فایل ترجمه شده: 26
جهت دانلود رایگان نسخه انگلیسی این مقاله اینجا کلیک نمایید
ترجمه ی سلیس و روان مقاله آماده ی خرید می باشد.

جهت دانلود محصول اینجا کلیک نمایید

بخشی از مقاله انگلیسی :

In SVM-based models, the fundamental idea is to determine separating hyperplanes to distinguish different data classes in a way that the hyperplanes have the maximum possible distance from either of the data sets. SVM theory is explained in detail in [32]. A brief review of SVM modeling technique is also pre- sented in the Appendix. SVMs can achieve accurate classifica- tion results using a small set of training instances compared to other classification techniques [32]. This feature is particularly important in electricity market price classification since regime changes have been observed over relatively short time periods [18]. Moreover, SVMs are relatively robust against outlier data in the training set due to the way they find the alignment of the hyperplanes [32]. This is important as outlier prices have been repeatedly observed in electricity market price patterns [15]. Support vector machines have previously been applied to several applications with competitive classification accuracy at reasonably low computational time [33]. Therefore, SVMs are employed as the core classifier in the present work.

مقاله دسته بندی نرخ و بها آینده بازار توان (برق)

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

2 × چهار =