کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6732184 | 504033 | 2015 | 10 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A data-mining-based methodology to support MV electricity customers’ characterization
ترجمه فارسی عنوان
یک روش مبتنی بر داده کاوی برای پشتیبانی از تعیین خصوصیات مشتریان برق ولتاژ متوسط
همین الان دانلود کنید
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
بارگذاری پروفایل - داده کاوی - خوشه - تقسیم بندی - اعتبار خوشه
فهرست مطالب مقاله
چکیده
کلید واژه
1. معرفی
2. روشهای دادهکاوی
2.1. الگوریتمهای خوشهبندی داده
2.2 شاخص های اعتبار خوشه بندی
3. روششناسی برای تعیین خصوصیات و دستهبندی مشتریان برق
3.1. داده و انتخاب ویژگی
3.2. پیش پردازش داده
3.3تعیین پروفایلهای بار نوعی
شکل 1. روشی برای تعیین خصوصیات و دستهبندی مشتریان برق
3.4. قوانین یادگیری برای دستهبندی مشتریان جدید
جدول 1. شاخصهای نرمال شده برای تعیین خصوصیات رفتار مشتری برق
شکل 2. معماری مدل دستهبندی
4. مطالعهی موردی
4.1. پیش پردازش داده
4.2. پروفایلسازی بار
4.2.1. پروفایل بار نوعی
شکل 3. نتایج الگوریتم K-Means برای تعداد K=3 خوشه
شکل 4. نتایج الگوریتم K-Means برای K=4 خوشه.
شکل 5. نتایج الگوریتم K-Means برای K=6 خوشه.
جدول 2. نتایج تقسیم بندی انتخاب شده توسط شاخصهای اعتبار
شکل 6. نمودارهای بار معرف خوشه با استفاده از شاخصهای شکل نرمال شده- روزهای کاری
شکل 7. نمودارهای بار معرف خوشه با استفاده از شاخصهای شکل نرمال شده- شنبهها
شکل 8. نمودارهای بار معرف خوشه با استفاده از شاخصهای شکل نرمال شده- یکشنبهها و روزهای تعطیل
4.2.2. تعیین خصوصیات پروفایل
جدول 3. نتایج شاخصهای دستهبندی برای خوشههای بدست آمده- روزهای کاری
شکل 9. شاخصهای شکل نرمال شده برای یک مصرف کنندهی خوشه
4.3. تعریف قوانین برای دستهبندی مشتریان
جدول 4. مجموعه قوانین مدل دستهبندی-روزهای کاری
4.3.1. دستهبندی یک مشتری MV واقعی
شکل 10. پروفایل بار نوعی یک مشتری واقعی MV- روزهای کاری
جدول 5. مجموعه قوانین برای دستهبندی یک مشتری MV واقعی
5. نکات نتیجه گیریشده
کلید واژه
1. معرفی
2. روشهای دادهکاوی
2.1. الگوریتمهای خوشهبندی داده
2.2 شاخص های اعتبار خوشه بندی
3. روششناسی برای تعیین خصوصیات و دستهبندی مشتریان برق
3.1. داده و انتخاب ویژگی
3.2. پیش پردازش داده
3.3تعیین پروفایلهای بار نوعی
شکل 1. روشی برای تعیین خصوصیات و دستهبندی مشتریان برق
3.4. قوانین یادگیری برای دستهبندی مشتریان جدید
جدول 1. شاخصهای نرمال شده برای تعیین خصوصیات رفتار مشتری برق
شکل 2. معماری مدل دستهبندی
4. مطالعهی موردی
4.1. پیش پردازش داده
4.2. پروفایلسازی بار
4.2.1. پروفایل بار نوعی
شکل 3. نتایج الگوریتم K-Means برای تعداد K=3 خوشه
شکل 4. نتایج الگوریتم K-Means برای K=4 خوشه.
شکل 5. نتایج الگوریتم K-Means برای K=6 خوشه.
جدول 2. نتایج تقسیم بندی انتخاب شده توسط شاخصهای اعتبار
شکل 6. نمودارهای بار معرف خوشه با استفاده از شاخصهای شکل نرمال شده- روزهای کاری
شکل 7. نمودارهای بار معرف خوشه با استفاده از شاخصهای شکل نرمال شده- شنبهها
شکل 8. نمودارهای بار معرف خوشه با استفاده از شاخصهای شکل نرمال شده- یکشنبهها و روزهای تعطیل
4.2.2. تعیین خصوصیات پروفایل
جدول 3. نتایج شاخصهای دستهبندی برای خوشههای بدست آمده- روزهای کاری
شکل 9. شاخصهای شکل نرمال شده برای یک مصرف کنندهی خوشه
4.3. تعریف قوانین برای دستهبندی مشتریان
جدول 4. مجموعه قوانین مدل دستهبندی-روزهای کاری
4.3.1. دستهبندی یک مشتری MV واقعی
شکل 10. پروفایل بار نوعی یک مشتری واقعی MV- روزهای کاری
جدول 5. مجموعه قوانین برای دستهبندی یک مشتری MV واقعی
5. نکات نتیجه گیریشده
ترجمه چکیده
این مقاله یک چارچوب برای تعیین خصوصیات مشتری برق ولتاژ متوسط ارائه میدهد که با پشتیبانی کشف دانش در پایگاه داده (KDD) صورت میگیرد. ایدهی اصلی شناسایی پروفایلهای بار نوعی (TLP) مشتریان ولتاژ متوسط (MV) و ایجاد یک مجموعهی قوانین برای دستهبندی خودکار مشتریان جدید است. برای دستیابی به اهداف یک روش شامل چندین مرحله ارائه شده است: پیشپردازش داده ؛ به کار بردن چندین الگوریتم خوشهبندی برای بخش پروفایلهای بار روزانه؛ انتخاب بهترین روش تقسیمبندی مشتریان بر اساس ارزیابی چندین شاخص اعتبار خوشهبندی؛ و در نهایت، یک مدل طبقهبندی بر اساس خوشههای بدست آمده ایجاد میشود. برای اعتبار سنجی چارچوب پیشنهادی، یک مطالعهی موردی شامل یک پایگاه دادهی واقعی از مشتریان MV صورت گرفته است.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی انرژی
انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
This paper presents an electricity medium voltage (MV) customer characterization framework supported by knowledge discovery in database (KDD). The main idea is to identify typical load profiles (TLP) of MV consumers and to develop a rule set for the automatic classification of new consumers. To achieve our goal a methodology is proposed consisting of several steps: data pre-processing; application of several clustering algorithms to segment the daily load profiles; selection of the best partition, corresponding to the best consumers’ segmentation, based on the assessments of several clustering validity indices; and finally, a classification model is built based on the resulting clusters. To validate the proposed framework, a case study which includes a real database of MV consumers is performed.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy and Buildings - Volume 91, 15 March 2015, Pages 16–25
Journal: Energy and Buildings - Volume 91, 15 March 2015, Pages 16–25
نویسندگان
Sérgio Ramos, João M. Duarte, F. Jorge Duarte, Zita Vale,