luan an tien si, ki thuat,chuyen nganh mang, va he thong dien, ung dung, mang noron, va logic mo, vao nhan dang danh, gia he thong, nang luong, tran hong linh
Chuyên ngành mạng và hệ thống điện
Mã số : 2.06.07
ỨNG DỤNG MẠNG NƠRON VÀ LOGIC MỜ VÀO NHẬN DẠNG ĐÁNH GIÁ HỆ THỐNG NĂNG LƯỢNG
Người hướng dẫn khoa học:1 - GS.TSKH NGUYỄN THÚC LOAN, 2 - PGS.TS NGUYỄN BỘI KHUÊ
LỜI NÓI ĐẦU
• ĐỊNH HƯỚNG ĐỀ TÀI:
Trong vòng hai thập niên trở lại đây rất nhiều công trình nghiên cứu d ứng dụng mạng nơron và logic mờ d? Gi? I cc bi tốn trong hệ thống điện, những công trình này d được công bố trong nhi? U tạp chí khoa học trn thế giới. Mạng nơron và logic mờ là hai phương pháp tính hiện đại thích hợp cho việc lập trình trên máy tính do tính đơn giản của chương trình, cc phương pháp tính này ch? Ng t? Du? C tính uu vi? T khi giải quyết các bài toán phức tạp của hệ thống điện. Qua các công trình nghiên cứu cho thấy hầu hết các vấn đề trong hệ thống điện đều có thể ứng dụng mạng nơron hoặc logic mờ, hoặc kết hợp với các phương pháp tính toán khác để tăng hiệu quả tính toán và xử lý. Mặt khác mạng nơron và logic mờ rất thích hợp để giải các bài toán có tính chất phi tuyến. Vì những đặc điểm trên, mạng nơron và logic mờ là những phương pháp tính mang tính thời sự trong việc giải các bài toán trong hệ thống điện.
Một đặc điểm của mạng nơron và logic mờ là khả năng thay đổi linh hoạt nhiều cấu trúc khác nhau nên dễ dàng áp dụng vào các bài toán cụ thể. Bản thân các thuật toán mạng nơron và logic mờ mang tính cấu trúc nên việc lập trình tính toán đơn giản. Mạng nơron và logic mờ rất dễ dàng điều chỉnh thay đổi cấu trúc và cấu trúc có thể thay đổi ngay trong lúc chạy chương trình. Việc tổng hợp các nghiên cứu về mạng nơron và logic mờ ứng dụng trong hệ thống điện sẽ cho một bức tranh tổng quát về các xu hướng nghiên cứu ứng dụng trong các lĩnh vực của hệ thống điện hiện đại.
• MỤC ĐÍCH CỦA ĐỀ TÀI:
Đề tài thực hiện nhằm những mục đích sau:
1. Đưa ra cái nhìn tổng quan về những ứng dụng của mạng nơron và logic mờ trong hệ thống điện. Trong luận án này trình bày tổng quan về những nghiên cứu áp dụng mạng nơron và logic mờ của các nhà khoa học trên thế giới trong lĩnh vực hệ thống điện, các cấu trúc mạng nơron và logic mờ áp dụng vào các bài toán.
2. Đưa ra những đề xuất mới về mô hình mạng nơron và cấu trúc hệ logic mờ theo hướng cải tiến cấu trúc của mạng nơron và hệ logic mờ.
3. Dùng bài toán dự báo phụ tải ngắn hạn trong hệ thống điện để chứng minh cho những đề xuất nói trên.
CHƯƠNG 1: TỔNG QUAN VỀ NHỮNG ỨNG DỤNG CỦA MẠNG NƠRON VÀ LOGIC MỜ TRONG HỆ THỐNG NĂNG LƯỢNG.
Phần lớn các bài toán trong hệ thống điện đều là các bài toán có khối lượng tính toán lớn nên nhất thiết phải sử dụng máy tính và các chương trình tính toán, đồng thời do các tính chất đặc thù của hệ thống điện là hoạt động liên tục tức thời nên cần phải áp dụng các kỹ thuật cao trong điều khiển. Một đặc điểm nữa của hệ thống điện đang hoạt động là có một khối lượng lớn các thông tin về hoạt động của hệ thống luôn được thu thập và cập nhật nên việc xử lý số liệu cũng là một vấn đề quan trọng để giúp giải chính xác các bài toán.
Các phần tử trong trong hệ thống điện đều có tính phi tuyến làm cho các bài toán phức tạp thêm gây khó khăn khi thực hiện giải các bài toán. Các thông số hệ thống và thông số chế độ gắn kết với nhau khi có yêu cầu độ chính xác của bài toán tăng lên thì tính phức tạp của bài toán cũng tăng lên, Để làm giảm tính phức tạp của bài toán có một số những giả thiết được đưa vào nhưng cũng có thể dẫn đến những kết quả không chính xác như mong muốn. Vì vậy bài toán trong hệ thống điện thường là các bài toán lớn và phải giải trên các hệ thống máy tính có công suất lớn.
Trong hệ thống điện điện đang hoạt động có rất nhiều yếu tố ngẫu nhiên, bất ngờ xảy ra. Đây cũng là một tính chất đặc thù của hệ thống điện. Có rất nhiều nguyên nhân gây ra những sự kiện ngẫu nhiên bất ngờ. Những sự kiện ngẫu nhiên này thường làm giảm tính chính xác của các lời giải và trong các bài toán của hệ thống điện có thể coi đây là ảnh hưởng của nhiễu bên ngoài.
Một số lượng lớn các bài toán trong hệ thống điện là các bài toán mang tính chất dự báo và phải áp dụng các tính toán hoặc các phương pháp có tính chất thống kê. Hầu hết các bài toán này đều ít nhiều liên quan đến các quá trình vận hành phát triển của hệ thống điện hoặc các phần tử trong hệ thống.
Rất nhiều bài toán trong hệ thống điện là bài toán đa mục tiêu nhất là các bài toán có các yếu tố kinh tế. Việc giải bài toán đa mục tiêu thường phức tạp và có thể cần phải kết hợp nhiều phương pháp tính toán khác nhau để giải một bài toán có nhiều hàm mục tiêu, hiện nay có nhiều phương pháp tính toán mới được áp dụng. Các bài toán có liên quan đến kinh tế trong hệ thống điện thường được xem xét là bài toán tối ưu đa mục tiêu.
Tính chất quan trọng đặc thù của hệ thống điện là tức thời, những sự kiện xảy ra trong hệ thống điện rất nhanh chóng vì vậy cần phải tính toán xử lý thật nhanh v một số bài toán cần phải giải trong thời gian thực nhất là các bài toán điều khiển.
Mỗi hệ thống điện đều có tính đặc thù riêng biệt, vì vậy các tính toán của mỗi hệ thống khác nhau cũng khác nhau và phải được điều chỉnh phù hợp theo những tính chất của từng hệ thống điện. Mỗi bài toán tính cho mỗi hệ thống điện được lập ra theo hướng sử dụng tối ưu nhất cho hệ thống điện đó. Những đặc điểm riêng phụ thuộc vào vùng khí hậu, phụ thuộc vào thời tiết, một số những đặc điểm khác phụ thuộc vào các tính chất hoạt động xã hội.
1.2. Sơ lược về mạng nơron
Mô hình mạng nơron được Mcculoch và Pitts đưa ra lần đầu tiên vào năm 1943 [2], từ đó đến nay các thuật toán mạng nơron đã được nghiên cứu, phát triển và được ứng dụng vào nhiều lĩnh vực khác nhau. Hơn một thập kỷ qua, những nghiên cứu về mạng nơron.
Ưu điểm của mạng nơron chính là sự đơn giản trong cấu trúc liên hệ giữa các biến đầu vào và kết quả đầu ra, mối quan hệ giữa ma trận đầu vào và ma trận kết quả đầu ra không phải là các hằng số và các hệ phương trình cố định mà là những mối liên hệ có cấu trúc và phi tuyến. Đối với mạng nơron các mối liên hệ vào ra được xác định và điều chỉnh liên tục qua quá trình học của mạng.
Mạng nơ ron và logic mờ được áp dụng tính toán cho nhiều bài toán khác nhau trong hệ thống điện, từ các bài toán dự báo phụ tải ngắn hạn, trung hạn dài hạn đến các bài toán có thể giải bằng các phương pháp khác như phân bố công suất, xác định điện áp…Hiện nay những bài toán liên quan đến các quá trình tác động nhanh như bảo vệ role, phát hiện sự cố, điều khiển tự động đã áp dụng các thuật toán có cấu trúc của mạng nơron và logic mờ.
-------------------------------------------------------------
MỤC LỤC
LỜI CẢM ƠN
LỜI CAM ĐOAN
MỤC LỤC
LỜI NÓI ĐẦU
SƠ LƯỢC VỀ NỘI DUNG LUẬN ÁN
CHƯƠNG 1: TỔNG QUAN VỀ NHỮNG ỨNG DỤNG CỦA MẠNG NƠRON VÀ LOGIC MỜ TRONG HỆ THỐNG NĂNG LƯỢNG
1.1. Mở đầu
1.2. Sơ lược về mạng nơron
1.3. Sơ lược về kỹ thuật logic mờ
1.4. Những ứng dụng của mạng nơron và logic mờ trong hệ thốngđiện
1.5. Thống kê những ứng dụng mạng nơ ron và logic trong trong hệthống điện
1.5.1. Dự báo phụ tải
1.5.2. Cảnh báo, chẩn đoán sự cố
1.5.3. Bảo vệ role
1.5.4. Ðiều khiển
1.5.5. Điều khiển ổn định
1.5.6. Ổn định quá độ
1.5.7. Nhận dạng và biểu diễn
1.5.8. Mô phỏng
1.5.9. Phân bố công suất
1.5.10. Tối ưu
1.5.11. An toàn động
1.5.12. Sẵn sàng phục vụ
1.6. Các kỹ thuật mạng nơron được áp dụng vào hệ thống điện
CHƯƠNG 2: MÔ HÌNH MẠNG NƠ RON SONG TUYẾN VÀ GIẢI THUẬT HUẤN LUYỆN MẠNG NƠ RON
2.1. Mở đầu
2.2. Khảo sát mạng nơron với mô hình song tuyến
2.3. Khảo sát gia số huấn luyện mạng nơron và một giải thuật mớicho việc huấn luyện mạng
2.3.1. Tóm lược về hướng nghiên cứu gia số huấn luyện mạngnơron:
2.3.2. Khảo sát việc chọn hệ số học ban đầu
2.3.3. Giải quyết vấn đề
2.3.4. Các kết quả nghiên cứu về hệ số huấn luyện mạng nơron
2.3.4.1. Khảo sát các giá trị khác nhau trên mạng Widrow
2.3.4.2. Khảo sát các giá trị khác nhau trên mạng noron áp dụng thuật toán học cải tiến
2.3.4.3. So sánh quá trình học theo các thuật toán khác nhau
2.3.4.4. Khảo sát đặt tính của hệ số học:
2.4. Kết luận
CHƯƠNG 3: HỆ MỜ THÍCH NGHI TRONG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
3.1. Mở đầu
3.2. Xây dựng giải thuật huấn luyện hệ mờ thích nghi
3.2.1. Xy dựng phương pháp xác định trọng số wk
3.2.2. Kỹ thuật huấn luyện hàm liên thuộc trong hệ logic mờ
3.3. Giải thích tổng quát khi ứng dụng vào bài toán dự báo phụ tải
3.4. Kết luận
CHƯƠNG 4: MẠNG NƠ RON VỚI CẤU TRÚC HỌC THÍCH NGHI TRONG BÀI TOÁN DỰ BÁO PHỤ TẢI ĐIỆN
4.1. Mở đầu
4.2. Khảo sát sự tham gia của thành phần nhiệt độ môi trường vào bàitoán dự báo phụ tải áp dụng mạng nơron adaline
4.3. Mạng nơron mờ với cấu trúc học thích nghi mờ
4.4. Phân tích đồ thị phụ tải hệ thống điện miền nam:
4.5. Xây dựng tập dữ liệu đầu vào:
4.6. Các kết quả nghiên cứu và nhận xét
CHƯƠNG 5: MẠNG NƠ RON TOÀN PHƯƠNG SONG TUYẾN VÀ ỨNG DỤNG TRONG BÀI TOÁN DỰ BÁO PHỤ TẢI
5.1. Mở đầu
5.2. Mơ hình tồn phuong song tuyến mô tả hệ thống
5.3. Nhận dạng hệ thống dụng noron
5.4. Ứng dụng mạng noron song tuyến trong bài toán dự báo phụ tải
5.4.1. Dự báo trong 45 ngày
5.4.2. Dự báo trọng 35 ngày tiếp theo
5.5. Xây dựng cấu trục mạng cụ thể và kết quả khảo sát
5.6. Nhận xét và đánh giá
CHƯƠNG 6. DỰ BÁO PHỤ TẢI NGẮN HẠN CHO HỆ THỐNG ĐIỆN THÀNH PHỐ HỒ CHÍ MINH
6.1. Mở đầu
6.2. Phn tích bài toán dự báo phụ tải
6.3. Nhận xét và đánh giá các yếu tố ảnh hưởng trong bài toán dự báo phụ tải
6.3.1. Khảo sát ảnh hưởng của yếu tố thứ tự ngày đến bài toán dự báo phụ tải
6.3.2. Khảo sát ảnh hưởng của yếu tố thời tiết đến bài toán dự báo phụ tải
6.3.3. Xây dựng tập dữ liệu huấn luyện mạng nơ ron dự báo phụ tải
CHƯƠNG 7. KẾT LUẬN
DANH MỤC CÁC CÔNG TRÌNH CÔNG BỐ CỦA TÁC GIẢ
TÀI LIỆU THAM KHẢO
--------------------------------------------------------------
TÀI LIỆU THAM KHẢO
[1].Chin-Teng Lin; C.S.George Lee “Neural Fuzzy Systems: A Neuro-Fuzzy Synergism to Intelligent Systems “Prentice Hall, Inc – 1996.
[2]. Simon Haykin “Neural networks a comprehensive foundation – Prentice Hall “1994.
[3]. Marc de Courville; Pierre Duhamel “ Adaptive Filtering in Subbands Using a Weighted Criterion “ IEEE Transactions on Signal Processing.Vol.46 .No.9 .September 1998.
[4].C.L.Lu; H.T.Wu; S.Vemuri “Neural network based short-term load forecasting” IEEE Transactions on Power Systems.Vol.8.No.1.February 1993, pp 336.
[5].T.M.Peng; N.F.Hubele; G.G. Karady “ An Adaptive Neural network approach to one-week ahead load forecasting “ IEEE Transactions on Power Systems .Vol.8.No.3.August 1993, pp 1195.
[6].Alireza Khotanzad; Reza Afkhami-Rohani; Tsun-Liang Lu; Alireza Abaye; Malcolm Davis; Dominic J.Maratukulam “ANNSTLF – A Neural Network Based Electric Load Foecasting System” IEEE Transactions on Power Systems.Vol.8.No.4.February 1997.
[7].Zbigniew Zembaty; Avigdor Rutenberg “On the sensitivity of bridge seismic response with locate soil amplification” Earthquake Engng. Struct. Dyn. 27.1095-1099 (1998).
[8].Trần Hoàng Lĩnh; Phan Toàn; Trương Sa Sanh; Lê Khánh Hưng; Võ Thành Năng “ Sử dụng mạng nơron để đánh giá các thông số của mô hình điện áp” Tạp chí Phát triển Khoa học & Công nghệ tập 2 . số 9 .1999 . 163
[9].Nguyễn Bê; Trần Như Hồng; Nguyễn Văn Mai; Nguyễn Vỹ “ Về một phương pháp mô phỏng cấu trúc hệ thống động sử dụng mô hình nhạy cảm “ Tạp chí Phát triển Khoa học & Công nghệ tập 3 . số 2 .2000.
[10].M.Bostanci; J.Koplowitz; C.W.Taylor “Identification of Power System Dinamics Using Artificial Neural Networks” IEEE Transactions on Power Systems.Vol.12.No.4. November 1997, Pages: 1468 – 1473.
[11].Shoichiro Nakamura “Numerical Analysis and Graphic Visualization with MATLAB®” Prentice Hall, Inc-1996
[12].A.Piras; A.Germond; B.Buchenel; K.Imhof; Y.Jaccard “Heterogeneous Artificial Neural for Short Term Electrical Load Forecasting” IEEE Transactions on Power Systems.Vol.11.No.1. February 1996.
[13].Phạm Hữu Đức Dục “Áp dụng Luật Học RTRL vào Mạng BAM Bậc Cao Nhận dạng Đối Tượng” Tạp chí khoa học & công nghệ các trường đại học kỹ thuật-Số 22/99.
[14].Shijie Cheng; Rujing Zhou; Lin Guan “An On-line Self-learning Power System Stabilizer Using a Neural Network Method” IEEE Transactions on Power Systems.Vol.12.No.2. May 1997.
[15].Scott C. Douglas “Adaptive Filters Employing Partial Updates” IEEE Transactions on Circuits and Systems-II: Analog and Digital Signal Processing.Vol.44.No.3. March 1997.
[16].Makoto Inagaki “On-line Parameter Identification of Bilinear Systems” IEEE Transactions on Automatic Control.Vol.AC-27.No.4.August 1982.
[17].Kim Wing C.Ku; Man Wai Mak; Wan Chi Siu “ Adding Learning to Cellular Genetic Algorithms for Training Recurrent Neural Networks” IEEE Transactions on Neural Network .Vol 10.No.2.March 1999. 164
[18].Paolo Campoluci; Aurelio Uncini; Francesco Piazza; Bhaskar D. Rao “On-line Learning Algorithms for Locally Recurrent Neural Networks” IEEE Transactions on Neural Network .Vol 10.No.2.March 1999.
[19].Jie Zhang; Julian Morris “Reccurent Neuro-Fuzzy Networks for Nonlinear Process Modeling” IEEE Transactions on Neural Network.Vol 10.No.2.March 1999.
[20].K.Liu; S.Subbarayan; R.R.Shoults; M.T.Manry; C.Kwan; F.L.Lewis; J.Naccarino “ Comparison of Very Short-Term Load Forcasting Techniques” IEEE Transactions on Power Systems.Vol 11. No.2. May
1996.
[21]. Lotfi A. Zadeh “The Role of Fuzzy logic in Modeling, Identification and Control”.Modeling, Identification and Control, Vol 15, No 3, 1994.
[22].Phạm Xuân Minh, Nguyễn Doãn Phước “ Lý Thuyết Điều Khiển Mờ”,Nhà xuất bản Khoa học và Kỹ thuật.1997
[23].Bart Kosko”Fuzzy Engineering” Prentice-Hall, Inc. 1997
[24].Chin-Teng Lin, C.S.George Lee” Neural Fuzzy Systems A Neural-Fuzzy Synergism to Intelligent Systems”, Prentice-Hall International, Inc. 1996
[25].Hiroyuki Mori, Hidenori Kobayashi “Optimal Fuzzy Inference for Short-Term Load Forecasting” IEEE Transactions on Power Systems, Vol 11, No.1, February 1996, pp 390.
[26].Vladimiro Miranda, Jorge Pereira, João Tomé Saraiva “Load Allocation in DMS with a Fuzzy State Estimator” IEEE Transactions on Power Systems, Vol 15, No.2, May 2000.page(s): 529 – 534.
[27].Hiroyuki Mori, Hidenori Kobayashi “A Fuzzy Neural Net for for Short-Term Load Forecasting”.Congress Intelligence in Porwer Systems.1996. 165
[28].H. C. Wu, C. S. Tsai, C. N. Lu“Load Forecast in A Competitive Retail Market”Transmission and Distribution Conference, 1999 IEEE.
[29].Hiroyuki Mori, Yasuyuki Sone, Daisuke Moridera,Toru Kondo “ A Parallel Tabu Search Based Fuzzy Inference Method for Short-Term Load Forecasting” IEEE Power Engineering Society, 2000 Winter Meeting. Pages: 1702 – 1707.
[30].Vladimiro Miranda, Cláudio Monteiro”Fuzzy inference in Spartial Load Forecasting” IEEE Power Engineering Society, 2000 Winter Meeting.Pages: 1063 – 1068
[31].Hiroyuki Mori” Fuzzy Neural Network Applications to Power Systems” IEEE Power Engineering Society, 2000 Winter Meeting.
[32].P.K.Dash,S.Mishra,S.Dash,A.C.Liew” Genetic Optimization of a Self Organizing Fuzzy – Neural Network for Load Forecasting”, IEEE Power Engineering Society,2000 Winter Meeting. Pages: 1011 – 1016.
[33].Shaohua Tan, Yi Yu “Adaptive Fuzzy Modeling of Nonlinear Dinamical Systems”.Automatica,Vol 32,No 4, 1996
[34].Raul Garduno, Ramirez, Kwang Y. Lee “Fuzzy Scheduling Control of a Power Plant” IEEE Power Engineering Society, 2000 Winter Meeting.
[35] Gianluigi Rech, Forecasting with artificial neral network models, No.49, January 2002
[36].Woon Seng Gan ‘Fuzzy step-size Adjustment for the LMS algorithm” Signal Processing 49 (1996)
[37].M.Daneshdoost, M.Lotfalian, G.Bumroonggit, J.P.Ngoy “Neural network with Fuzzy Set-Based Clasification for Short-Term Load Forecasting” IEEE Transactions on Power Systems, Vol 13, No.4, November 1996.pp 1386. 166
[38].Hong Tzer Yang, Chao Minh Huang “A New Short Term Load Forecasting Approach Using Self – Organizing ARMAX Models” IEEE Transactions on Power Systems, Vol 13, No.4, February 1998. pp 217
[39].J.Nazarko, W.Zalewski”The Fuzzy Regression Approach to Peak Load Estimation in Power Distribution Systems” IEEE Transactions on Power Systems, Vol 14, No.3, August 1999.pp 809
[40].A.P.Meliopoulos, A.D.Paralexopoulos, R.P.Webb, C.Blattner “Estimation of Soil Parameters from Driven Rod Measurements” IEEE Transactions on Power Apparatus and Systems, Vol PAS-103, No. 9, September 1984.
[41].Biao Huang, Sirish L.Shah, K.Ezra Kwok, Jim Zurcher “Perfomance Assessment of Multivariate Control Loops on a Paper-Machine Headbox”, the Canadian Journal of Chemical Engineering, Volume 75, February, 1997
[42].Jian Cui, david D.Falconer , Asrar U.H. Sheikh ,”Blind Adaptation of Antenna Arrays Using a Simple Algorithm Based on Small Frequency Offsets“, IEEE Transactions on Communications , Vol. 46, No.1, January 1998.
[43].P.K.Dash, H.P.Satpathy, A.C.Liew, S.Rahman,”A Real-time Short-term Load Forecasting System Using Functional link Network”, IEEE Transactions on Power Systems, Vol. 12, No.2, January 1997.
[44].Alireza Khotanzad, Malcolm H. Davis, Alireza Abaye, Dominic J.Maratukulam” An Artificial Neural Network Hourly Temperature Forecaster with Applications in Load Forecasting” IEEE Transactions on Power Systems, Vol. 11, No. 2, May 1996, pp 870 167
[45].A.G. Baklrtzis, V. Petridis, S. J. Klartzis, M. C. Alexladis, A.H.Maissis “A Neural Network Short Term Load Forecasting Model For The Greek Power System” IEEE Transactions on Power Systems, Vol. 11, No. 2, May 1996, pp 858.
[46].R. Lamedica, A. Prudenzi M. Sforna M. Caciotta, V.Orsdini Cencellli” A Neural Network Based Technique For Short-Term Forecasting Of Anomalous Load Perioids” IEEE Transactions on Power Systems, Vol. 11, No. 4, November 1996,pp 1749.
[47].Alireza Khotanzad, Reza Af'kharni-Rohani, Dominic Maratukulam” ANNSTLF-Artificial Neural Network Short-Term Load Forecaster-Generation Three”IEEE Transactions on Power Systems, Vol. 13, No. 4, November 1998, pp 1413
[48].Mohammed, D. Park, R. Merchant, T. Dinh, C. Tong, A. Azeem, J. Farah C. Drake “Practical Experiences with An Adaptive Neural Network Short-Term Load Forecasting System” IEEE Transactions on Power Systems, Vol. 10, No. 1, February 1995,pp 254.
[49].Alex D. Papalexopoulos, Shangyou Hao, Tie-Mao Peng “An Implementation Of A Neural Network Based Load Forecasting Model for The EMS” IEEE Transactions on Power Systems, Vol. 9, No. 4. November 1994,pp 1956.
[50].A.S. AlFuhaid, M. A. El-Sayed, M. S. Mahmoud “Cascaded Artificial Neural Networks for Short-Term Load Forecasting” IEEE Transactions on Power Systems, Vol. 12, No. 4, November 1997, pp 1524.
[51].T. W.S. Chow, C.T. Lơng “Neural Network based short-term Load Forecasting Using Weather Compensation” IEEE Transactions on Power Systems, Vol. 11, No. 4, November 1996,pp 1736 168
...............
keyword: download luan an tien si, ki thuat,chuyen nganh mang, va he thong dien, ung dung, mang noron, va logic mo, vao nhan dang danh, gia he thong, nang luong, tran hong linh
linkdownload: LUẬN ÁN TIẾN SĨ KĨ THUẬT
Nhận xét
Đăng nhận xét