Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Short-term Power Demand Forecasting using the Differential Polynomial Neural Network

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27740%2F15%3A86090324" target="_blank" >RIV/61989100:27740/15:86090324 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://www.tandfonline.com/eprint/QI5qIq6CaFEFGT4bkx2h/full" target="_blank" >http://www.tandfonline.com/eprint/QI5qIq6CaFEFGT4bkx2h/full</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1080/18756891.2015.1001952" target="_blank" >10.1080/18756891.2015.1001952</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Short-term Power Demand Forecasting using the Differential Polynomial Neural Network

  • Popis výsledku v původním jazyce

    Power demand forecasting is important for economically efficient operation and effective control of power systems and enables to plan the load of generating unit. The purpose of the short-term electricity demand forecasting is to forecast in advance thesystem load, represented by the sum of all consumers load at the same time. A precise load forecasting is required to avoid high generation cost and the spinning reserve capacity. Under-prediction of the demands leads to an insufficient reserve capacitypreparation and can threaten the system stability, on the other hand, over-prediction leads to an unnecessarily large reserve that leads to a high cost preparations. Differential polynomial neural network is a new neural network type, which forms and resolves an unknown general partial differential equation of an approximation of a searched function, described by data observations. It generates convergent sum series of relative polynomial derivative terms which can substitute for the ord

  • Název v anglickém jazyce

    Short-term Power Demand Forecasting using the Differential Polynomial Neural Network

  • Popis výsledku anglicky

    Power demand forecasting is important for economically efficient operation and effective control of power systems and enables to plan the load of generating unit. The purpose of the short-term electricity demand forecasting is to forecast in advance thesystem load, represented by the sum of all consumers load at the same time. A precise load forecasting is required to avoid high generation cost and the spinning reserve capacity. Under-prediction of the demands leads to an insufficient reserve capacitypreparation and can threaten the system stability, on the other hand, over-prediction leads to an unnecessarily large reserve that leads to a high cost preparations. Differential polynomial neural network is a new neural network type, which forms and resolves an unknown general partial differential equation of an approximation of a searched function, described by data observations. It generates convergent sum series of relative polynomial derivative terms which can substitute for the ord

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2015

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    International Journal of Computational Intelligence Systems

  • ISSN

    1875-6891

  • e-ISSN

  • Svazek periodika

    Vol. 8

  • Číslo periodika v rámci svazku

    No. 2 (2015)

  • Stát vydavatele periodika

    FR - Francouzská republika

  • Počet stran výsledku

    10

  • Strana od-do

    297-306

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus