Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Mapping the Territory for a Knowledge-Based System Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Methods of Training of Neural Networks for Short Term Load Forecasting in Smart Grids

verfasst von : Robert Lis, Artem Vanin, Anastasiia Kotelnikova

Erschienen in: Computational Collective Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Modern systems of voltage control in distribution grids need load forecast. The paper describes forecasting methods and concludes that using of artificial neural networks for this problem is preferable. It shows that for the complex real networks particle swarm method is faster and more accurate than traditional back propagation method.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Heuristic Optimization of a Sensor Network Lifetime Under Coverage Constraint
Nächstes Kapitel Scheduling Sensors Activity in Wireless Sensor Networks
Literatur
1.
Vanin, A., Aleshin, S., Nasirov, R., Novikov, D., Tulsky, V.: Investigation of voltage control at consumers connection points based on smart approach. MDPI Inf. 7(3), 42 (2016)
2.
Rutkovskaja, D.: Neural Networks, Genetic Algorithms and Fuzzy Systems. Gorjachaja linija - Telekom, Moscow (2006)
3.
Voronov, I.V.: Improving the efficiency of operation of the enterprises of power supply systems through the integrated use of smart grid and neural networks. Vestnik Kuzbasskogo gosudarstvennogo tehnicheskogo universiteta 2(90), 63–66 (2012)
4.
Lis, R.A.: Application of data mining techniques to identify critical voltage control areas in power system. In: Jędrzejowicz, P., Nguyen, N.T., Hoang, K. (eds.) ICCCI 2011. LNCS, vol. 6922, pp. 152–162. Springer, Heidelberg (2011). doi:10.​1007/​978-3-642-23935-9_​15. ISBN 978-3-642-23934-2CrossRef
5.
Badar, I.: Comparison of conventional and modern load forecasting techniques based on artificial intelligence and expert systems. Int. J. Comput. Sci. Issues 8(5), 504–513 (2011)
6.
Roy, A.: Training artificial neural network using particle swarm optimization algorithm. Int. J. Adv. Res. Comput. Sci. Softw. Eng. 3(3), 430–434 (2013)
7.
Haykin, S.: Neural Networks: A Comprehensive Course, 2nd edn. Viliams, Moscow (2008)MATH
8.
Buhari, M.: Short-term load forecasting using artificial neural network. In: Proceedings of the International Multi Conference of Engineers and Computer Scientists 2012, vol. 1, 14–16 March, Hong Kong (2012)
9.
Kennedy, J., Eberhart, R.: Particle swarm optimization. In: Proceedings of IEEE International Conference on Neural Networks (Perth, Australia). IEEE Service Center, Piscataway (1995)
10.
Khothanzad, A., Hwang, R.C., Abaye, A., Maratukulam, D.: An adaptive modular artificial neural network hourly load forecaster and its implementation at electric utilities. IEEE Trans. Power Syst. 10(3), 1716–1722 (1995)CrossRef
Metadaten
Titel
Methods of Training of Neural Networks for Short Term Load Forecasting in Smart Grids
verfasst von
Robert Lis
Artem Vanin
Anastasiia Kotelnikova
Copyright-Jahr
2017
Buch
Computational Collective Intelligence

Print ISBN: 978-3-319-67073-7

Electronic ISBN: 978-3-319-67074-4

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-67074-4_42