查詢結果分析
來源資料
相關文獻
- 以類神經網路作負載型態分類
- 物流中心車輛配送路線之決定
- 混合類神經網路應用於影像車號辨識
- Neural Network Procedures for Taguchi's Dynamic Problems
- A Fast and Efficient Competitive Learning Design Algorithm Based on Weight Vector Training in Transform Domain
- 專家系統振動訊號圖型判別之研究
- 反傳遞模糊類神經網路於流量推估之應用
- 類神經網路(Neural Networks)的種類及其在影像處理上的應用
- C++Fuzzy類神經網路物件導向發展系統之建立
- 臺灣汽保費率之估計--對數線性費率模式與類神經網路之比較
頁籤選單縮合
題名 | 以類神經網路作負載型態分類=The Classification of Hourly Load Patterns Using an Artificial Neural Network |
---|---|
作者 | 梁瑞勳; 黃明欽; | 書刊名 | 科技學刊 |
卷期 | 7:3 1998.07[民87.07] |
頁次 | 頁243-258 |
分類號 | 312.2 |
關鍵詞 | 負載型態分類; 神經網路; 自組織映射網路; Load data classification; Neural networks; Self-organizing feature maps; |
語文 | 中文(Chinese) |
中文摘要 | 在本論文中,提出以類神經網路作負載型態分類。在文中是應用自組織映射網路, 依據每日的負載型態將一個月31天或一季92天的負載資料區分為數個群落,每一個群落中 包含有相似負載型態的日子,也即在同一群落中的日子其負載型態是類似的,如此的一個群 落即可看成是同一日類型。自組織映射網路能將資料分成數個群,並且顯示群之間的相近性。 為了驗證所提方法的有效性,將使用台灣電力公司資料庫中的負載資料去作台灣電力系統的 日負載類型鑑別。 |
英文摘要 | An approach using artificial neural networks is proposed for the classification of hourly load patterns. In this paper, self-organizing feature maps (SOFM) is employed to classify the 31 days in the month or the 92 days in the season into several groups according to the hourly load patterns of each day, with each group consisting of those days with similar load patterns. Each such group is referred to as a day type. The SOFM network can help organize data into groups and show which groups are close. To demonstrate the effectiveness of the proposed approach, day type identification is performed on the Taiwan power system using the hourly load data in the database of the Taiwan Power Company. |
本系統之摘要資訊系依該期刊論文摘要之資訊為主。