در این آموزش که یک جزوه 21 صفحه pdf است یکی از مسائل مهم واساسی در محاسبه واجرای تاسیسات الکتریکی ساختمانها برای مهندسان و مجرییان برق یعنی براورد بار ودیماند الکتریکی گذاشته شده در ضمن برای عزیزان مهندسی که قصد شرکت در آزمون نظام مهندسی را دارند خیلی مفید است چون سوالاتی مربوط به همین موضوع حتما داده میشود امیدوارم که دانلود کنید و مفید فایده قرار گیرد
قالب فایل: پی دی اف (PDF)
در این مقاله در مورد روشهای زمانبندی کارها (Task Scheduling) در محیط های ابری به منظور ایجاد توازن بار (Load Balancing) صحبت شده است. نویسنده ابتدا مفاهمیم مربوطه را توضیح داده و سپس الگوریتم های موجود برای این کار را دسته بندی و جداگانه بررسی و مقایسه کرده است. توازن کار میتواند به منظور دستیابی به کارایی بیشتر در سیستم های رایانش ابری استفاده شود.
پس از خرید از درگاه امن بانکی لینک دانلود در اختیار شما قرار میگیرد و همچنین به آدرس ایمیل شما فرستاده میشود.
تماس با ما برای راهنمایی، درخواست مقالات و پایان نامه ها و یا ترجمه با آدرس ایمیل:
ArticleEbookFinder@gmail.com
شماره تماس ما در نرم افزار واتس آپ:
+98 921 764 6825
شماره تماس ما در نرم افزار تلگرام:
+98 921 764 6825
توجه: اگر کارت بانکی شما رمز دوم ندارد، در خرید الکترونیکی به مشکل برخورد کردید و یا به هر دلیلی تمایل به پرداخت الکترونیکی ندارید با ما تماس بگیرید تا راههای دیگری برای پرداخت به شما پیشنهاد کنیم.
مقدمه کلی و تاریخچه
پیش بینی بار یک فرایند مرکزی و جامع در برنامه ریزی و بهره برداری صنعت برق بوده است. روشهای برخورد زیادی در دو دهه اخیر برای به کارگیری این مسئله تحقیق و بررسی شده اند.این روشها اغلب ماهیتا با هم تفاوت داشته و به نظریات مختلف مهندسی و تحلیل های اقتصادی پاسخ می دهند.
یکی از مراحل مهم در طراحی سیستمهای توزیع انرژی الکتریکی پیش بینی بار و سیر تغییرات آن از زمان حال تا پایان سال مورد نیاز برای طراحی می باشد.پیش بینی بار صحیح علاوه بر صرفه جویی در هزینه های سرمایه گذاری، امکان برنامه ریزی زمانی مناسب جهت اجرای پروژه را نیز فراهم می نماید.(طراحی دینامیک). در کشورهای پیشرفته و در حال توسعه، برنامه های اقتصادی میان مدت و بلند مدتی به منظور رسیدن به اهداف اقتصادی و اجتماعی ان کشورها طرح ریزی می شود.یکی از شاخه های برنامه های اقتصادی، پیش بینی مصرف انرژی و شاخه فرعی ان ، پیش بینی مصرف انرژی الکتریکی است.
با پیش بینی مصرف انرژی الکتریکی می توان اطلاعات کافی برای طراحی و توسعه شبکه های توزیع تهیه کرد. این پیش بینی به منظور تحلیل نیازهای اینده و برنامه ریزی در باره محل ،ظرفیت و وابستگی فیدرها، پست های اصلی و پست های فرعی ، مورد نیاز است.
پیش بینی مصرف انرژی الکتریکی با اعمال ضریب بار به پیش بینی بار پیک تبدیل می شود. تا جهت طراحی اجزاء مختلف سیستمهای تولید ، انتقال و توزیع انرژی الکتریکی استفاده می شود
گروه کاری پیش بینی بار IEEE در دو فاز فهرست مستندی در مورد پیش بینی بار منتشر کرده است.فهرست اول(فاز ۱)فلسفه های کلی پیش بینی بار را پوشش داده است،و فهرست دوم(فاز۲) روی موضوعات اقتصادی پیش بینی بار تمرکز دارد.آخرین بررسی بوسیلهGross وGaliana در۱۹۸۷ گزارش می شود که در این گزارش نویسندگان روشهای مختلف پیش بینی بار کوتاه مدت را بررسی کرده اند. که بعضی از روشها پیشنهادی بوده و بعضی نیز هم اکنون مورد استفاده می باشند. انتشارات دیگری نیز وجود دارند که مسئله پیش بینی بار را بررسی نموده اند. یکی از اینها کار آقای Bunn است که روندهای پیش بینی بار کوتاه مدت را در صنعت تولید برق مورد ارزیابی قرار داده است.در یک کار دیگرآقایBunnوFarmer به بررسی و بحث در روشهایی از پیش بینی پرداخته اند که در صنعت برق به کار برده می شوند.کار دیگری توسط آقایFields انجام شده که مدلهای تحقیقاتی پیش بینی کمی را در بر گرفته است در پیش بینی بار تکنیکهای مختلفی برای مسئله پیش بینی روزانه بار به کار گرفته شده است.تقریبا کلیه این تکنیک ها از روشهای آماری استفاده کرده اند،اما امروزه روشهای پیشرفته تری وجود دارند
که با استفاده از سیستم های خبره(مبتنی بر دانش)مسئله پیش بینی بار را انجام می دهند.
۱-۲ اهداف پروژه
بررسی اهمیت پیش بینی بار سیستم های توزیع انرژی
مزایا و نتایج حاصل از پیش بینی صحیح بار در سیستم های توزیع انرژی
معرفی و مقایسه روشهای مختلف پیش بینی بار سیستم های توزیع انرژی
ارائه روش های نوین و کارا در پیش بینی بار سیستم های توزیع انرژی
پیشنهاد یک روش جدید در پیش بینی بار سیستم های توزیع انرژی مبتنی بر منطق فازی و شبکه های عصبی
فصل اول : مقدمه ای بر پیش بینی بار در سیستم های توزیع انرژی الکتریکی
۱-۱ مقدمه کلی و تاریخچه
۲-۱ اهداف پروژه
۳-۱ تقسیم بندی زمانی پیش بینی بار
۴-۱مرور روشهای پیش بینی بار سیستم های توزیع انرژی
۱-۴-۱ پیش بینی بار با روش رگرسیون خطی
۲-۴-۱ پیش بینی بار با سریهای زمانی تصادفی
۱-۲-۴-۱ روش خود برگشتی
۲-۲-۴-۱ روش حرکت متوسط
۳-۲-۴-۱ روش خود برگشتی حرکت متوسط
۴-۲-۴-۱ روش خود برگشتی تجمع یافته با حرکت متوسط
۱۳-۴- روش یکنواخت سازی نمایی عمومی
۴-۴-۱ پیش بینی بار با کاربری ارضی
۵-۴-۱ پیش بینی بار با شبکه های عصبی
۶-۴-۱ پیش بینی بار با منطق فازی
فصل دوم: پیش بینی بار در سیستم های توزیع با روش رگرسیون
۱-۲ مقدمه
۲-۲ تقسیم بندی کلی روشهای کلاسیک پیش بینی بار و بررسی روش رگرسیون
۳-۲ اصلاح روش پیش بینی بار رگرسیونی
۱-۳-۲اصلاح اول: حل مشکل انتقال بار
۲-۳-۲اصلاح دوم:حل مشکل استنتاج سطح خالی
۳-۳-۲ اصلاح سوم: حل مشکل گروه بندی
۴-۲ اطلاعات مورد نیاز
۵-۲اعمال روش بهبود یافته
۶-۲ آزمایش و نتیجه گیری
فصل سوم: پیش بینی بار به روش کاربری ارضی
۱-۳ مقدمه
۲-۳ معرفی روش کاربری ارضی
۳-۳ مراحل روش کاربری ارضی
۱-۳-۳ تقسیم بندی شهر به سلولهای مساوی
۲-۳-۳ گروه بندی مشترکین
۱-۲-۳-۳ مناطق مسکونی
۲-۲-۳-۳ صنایع سنگین و مصرف کنندگان بزرگ
۳-۲-۳-۳ صنایع کوچک و خدماتی
۴-۲-۳-۳ اماکن تجاری
۵-۲-۳-۳ روشنایی اماکن عمومی
۶-۲-۳-۳ اماکن خاص
۴-۳ ناحیه بندی شهر
۵-۳ اعمال روش
۱-۵-۳ پیش بینی بار مناطق مسکونی
۲-۵-۳ پیش بینی بار مناطق تجاری
۳-۵-۳ پیش بینی بار روشنایی معابر
۴-۵-۳ پیش بینی بار اصلی و خدماتی
۵-۵-۳ پیش بینی بار اماکن خاص
نتیجه فصل
فصل چهارم: پیش بینی بار سیستم های توزیع با شبکه های عصبی و منطق فازی
۱-۴ مقدمه
۲-۴ شبک ههای عصبی
۳-۴ شبکه عصبی کوهونن
۴-۴ تکمیل الگو درشبکه عصبی کوهونن
۵-۴ شبکه عصبی پرسپترن
۶-۴ مدل پیش بینی بار
۷-۴ ساختار شبکه عصبی پرسپترن درمدل پیش بینی بار سیستم های توزیع
۸-۴ ساختارشبکه عصبی کوهونن درمدل پیش بینی بار سیستم های توزیع
۹-۴ پیش بینی بار سیستم های توزیع انرژی با منطق فازی
۱۰-۴ بررسی اجمالی منطق فازی
۱۰-۴ سیستم های فازی
۱۱-۴ انواع سیستم های فازی
۱۲-۴ مجموعه های فازی
۱۳-۴ متغیرهای زبانی و قواعد اگر _ آنگاه فازی
۱۴-۴ استدلال تقریبی تشبیهی برای پیش بینی با
۱۵-۴ ساختار شبکه عصبی فازی تشبیهی
۱۶-۴ تنظیم اولیه پایگاه داده ها
۱۷-۴ آموزش شبکه عصبی فازی تشبیهی
۱۸-۴ بکارگیری شبکه عصبی فازی تشبیهی در پیش بینی بار سیستم توزیع
۱۹-۴ تنظیم اولیه و آموزش شبکه عصبی فازی تشبیهی
فصل پنجم : پیش بینی بار با استفاده از فیلتر کالمن
۱-۵ مقدمه
۲-۵ پیش بینی بار
۳-۵ پیش بینی بار در شبکه برق های منطقهای و سیستم های توزیع
۴-۵ تعیین مدل ریاضی جهت پیش بینی بار در یک شبکه نمونه
۵-۵ استفاده از فیلتر کالمن جهت تخمین بهینه حداکثر بار مصرفی
• پایان نامه کارشناسی ارشد مهندسی عمران گرایش سازه با عنوان: بهینه سازی سازه های فضاکار تحت اثر بار دینامیکی با شرایط غیر خطی به کمک شبکه عصبی
• دانشگاه سیستان و بلوچستان
• استاد راهنما: دکتر محمدرضا قاسمی – دکتر عیسی سلاجقه
• پژوهشگر: علیرضا عباس زاده
• سال انتشار: بهار 1383
• فرمت فایل: PDF و شامل 190 صفحه
چکیــــده:
طرح بهینه سازه‌ها عبارت است از تعیین متغییرهای طراحی با روشی معین به طوری که وزن سازه حداقل شود و همزمان قیود طراحی برقرار باشند. در طراحی بهینه سازه‌ها، تحلیل سازه در دفعات متوالی امری لازم است. بنابراین استفاده از روشهای بهینه سازی متداول و روشهای تحلیلی سر راست پیچیده بوده و در دفعات مکرر موجب افزایش قابل ملاحظه‌ای در حجم عملیات و زمان می‌گردد. هدف اساسی این پایان نامه، کاهش کلی حجم عملیات لازم جهت طراحی بهینه سازه‌های فضاکار با استفاده از نوعی شبکه عصبی موسوم به شبکه عصبی با ناظر اتوماتان می‌باشد. تلاش شده است تا شبکه‌های عصبی مناسبی را برای تحلیل هر سازه مورد نظر آموزش داده شود و در بهینه سازی، جانشین تحلیل واقعی سازه شود. برتری شبکه‌های عصبی بر روشهای دیگر، سرعت بسیار زیاد آن‌ها در پاسخ دادن به داده‌هاست.
شبکه عصبی مصنوعی، یک ساختار ریاضی است که بین مجموعه‌ای از اعداد ورودی و مجموعه‌ای از اعداد خروجی، یک نگاشت برقرار می‌کند، به گونه‌ای که بتوانیم از مجموعه m عضوی ورودی، به مجموعه n عضوی خروجی برسیم. اساس کار بر این است که ما در ابتدا از تعدادی داده و مواد خام موجود استفاده کرده و شبکه را با آن‌ها آموزش می‌دهیم. داده‌های ما، یک دسته زوج شامل مجموعه ورودی و خروجی است که معمولاً از محاسبه یا از طریق تجربه و آزمایش بدست می‌آید. آموزش شبکه، یعنی دستیابی به شبکه و مشخصات آن، به نحوی که بتواند نگاشت مزبور را بین هر یک از داده‌های ورودی و داده خروجی مربوطه آن برقرار کند. این شبکه، پس از آموزش دیدن، میتواند به صورت ابزاری عمل کند که میتواند یک نگاشت را از هر ورودی جدید معرفی شده به شبکه برقرار کرده و از این طریق به خروجی نظیر آن، که همان جواب مسئله ما است، برسد. به عبارت دیگر، در اینجا نه با یک مدل ریاضی تحلیلی، بلکه با یک مدل ریاضی عددی مبتنی بر تجربیات قبلی سروکار داریم.
ترکیب مفاهیم شبکه‌های عصبی با تئوری اتوماتان، شبکه عصبی با نرخ یادگیری متغیر را شکل می‌دهد. در شبکه انتشار برگشتی معمولی به علت سرعت پایین آن آموزش دادن شبکه مشکل و احتیاج به زمان بیشتری دارد. با توجه به اینکه نرخ یادگیری در فرآیند آموزش نقش بسیار مهمی را بازی می‌کند، لذا انتخاب درست این مساله بسیار مهم است. به دلیل حساسیت نرخ یادگیری در این تحقیق از روشی جدید به نام نرخ یادگیری تطبیقی استفاده شده است. با توجه به اینکه بزرگ بودن نرخ یادگیری سبب ناپایداری شبکه و کوچک بودن آن سبب تنبلی شبکه میشود پس تعیین نرخ یادگیری بهینه از اهمیت زیادی برخوردار است و در این تحقیق برای مثال‌های مختلف روند تغییرات نرخ یادگیری بررسی شده است.
در این تحقیق همچنین برای جبران نقیصه ناپایداری شبکه‌ها از الگوریتم یادگیر اتوماتان به عنوان ناظر شبکه عصبی استفاده شده و به اهمیت و نقش آن در تربیت شبکه‌ها پرداخته شده است.
______________________________
** توجه: خواهشمندیم در صورت هرگونه مشکل در روند خرید و دریافت فایل از طریق بخش پشتیبانی در سایت مشکل خود را گزارش دهید. **
** توجه: در صورت مشکل در باز شدن فایل PDF ، نام فایل را به انگلیسی Rename کنید. **
** درخواست پایان نامه:
با ارسال عنوان پایان نامه درخواستی خود به ایمیل civil.sellfile.ir@gmail.com پس از قرار گرفتن پایان نامه در سایت به راحتی اقدام به خرید و دریافت پایان نامه مورد نظر خود نمایید. **
مقاله با عنوان: تاثیر پارامترهای دما و سختی جانبی بر روی بار کمانشی خطوط راه آهن