دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.] نویسندگان: Lei Yang, Miao He, Junshan Zhang, Vijay Vittal (auth.) سری: SpringerBriefs in Electrical and Computer Engineering ISBN (شابک) : 9783319123189, 9783319123196 ناشر: Springer International Publishing سال نشر: 2014 تعداد صفحات: 80 [86] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 Mb
در صورت تبدیل فایل کتاب Spatio-Temporal Data Analytics for Wind Energy Integration به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب تجزیه و تحلیل داده های فضایی-زمانی برای یکپارچه سازی انرژی باد نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این SpringerBrief تجزیه و تحلیل دادههای مکانی-زمانی را برای ادغام انرژی باد با استفاده از روشهای مدلسازی تصادفی و بهینهسازی ارائه میکند. این روش به بررسی تکنیکهایی برای ادغام کارآمد تولید انرژی تجدیدپذیر در شبکههای برق فله میپردازد. چالش های عملیاتی باد و تنوع آن به دقت مورد بررسی قرار می گیرد. یک رویکرد تحلیل مکانی-زمانی نویسندگان را قادر میسازد تا پیشبینیهای کوتاهمدت مبتنی بر زنجیره مارکوف از تولید برق مزرعه بادی را توسعه دهند. برای مقابله با دینامیک رمپ باد، یک مدل مارکوف بهبود یافته با ماشین بردار پشتیبانی معرفی شده است. بهینهسازی تصادفی توزیع اقتصادی (ED) و مدیریت بار وقفهای نیز مورد بررسی قرار میگیرد. تجزیه و تحلیل داده های مکانی-زمانی برای یکپارچه سازی انرژی بادی برای محققان و متخصصانی که در راستای یکپارچه سازی انرژی های تجدیدپذیر کار می کنند ارزشمند است. دانشآموزان سطح پیشرفته که در رشتههای مهندسی برق، کامپیوتر و انرژی تحصیل میکنند نیز باید محتوا را مفید بدانند.
This SpringerBrief presents spatio-temporal data analytics for wind energy integration using stochastic modeling and optimization methods. It explores techniques for efficiently integrating renewable energy generation into bulk power grids. The operational challenges of wind, and its variability are carefully examined. A spatio-temporal analysis approach enables the authors to develop Markov-chain-based short-term forecasts of wind farm power generation. To deal with the wind ramp dynamics, a support vector machine enhanced Markov model is introduced. The stochastic optimization of economic dispatch (ED) and interruptible load management are investigated as well. Spatio-Temporal Data Analytics for Wind Energy Integration is valuable for researchers and professionals working towards renewable energy integration. Advanced-level students studying electrical, computer and energy engineering should also find the content useful.