کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
385459 660866 2015 15 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Fault detection analysis using data mining techniques for a cluster of smart office buildings
ترجمه فارسی عنوان
تجزیه و تحلیل تشخیص گسل با استفاده از تکنیک های داده کاوی برای خوشه ای از ساختمان های دفتر هوشمند
کلمات کلیدی
ترجمه چکیده
نیازهای فزاینده ای برای ابزارهای تشخیص گسل خودکار در ساختمان ها وجود دارد. درخواست کل انرژی در ساختمان ها می تواند به طور قابل توجهی با تشخیص مصرف غیرطبیعی به طور قابل توجهی کاهش یابد. مدل های متعددی برای مقابله با این مشکل مورد استفاده قرار می گیرند، اما آنها بسیار پیچیده هستند و عمدتا در سطح اجزای قابل اجرا هستند و یا نمی توانند برای ساختمان ها و تجهیزات مختلف مورد استفاده قرار گیرند. در این تحقیق یک رویکرد ساده برای به طور خودکار تشخیص ناهنجاری ها در ساختن مصرف انرژی بر اساس داده های واقعی ثبت شده از قدرت الکتریکی فعال برای نورپردازی و کل انرژی الکتریکی فعال خوشه ای از هشت ساختمان ارائه شده است. روش پیشنهادی با استفاده از تکنیک های تشخیص الگو و شبکه های مصنوعی عصبی مصنوعی همراه با روش های تشخیص غلط برای شناسایی خطا استفاده می شود. نتایج نشان می دهد که استفاده از این روش تجزیه و تحلیل داده ها در تشخیص خودکار خطا با کاهش تعداد ناهنجاری های کاذب نشان می دهد. این روش به شناسایی الگوهای گسل ها در یک خوشه اتصال می انجامد. به این ترتیب، با استفاده از معلومات مسافران از مصرف انرژی خود و آموزش آنها برای پیشگیری از مصرف انرژی خود، می توان انرژی مصرفی را نیز افزایش داد. در نهایت، در زمینه ساختمان های هوشمند، ناهنجاری های تشخیص مشترک در خوشه های ساختمان نشان می دهد که مدیریت یک منطقه هوشمند را می توان با تمام رویکرد خوشه ساختمان مدیریت کرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تجزیه و تحلیل تشخیص گسل با استفاده از تکنیک های داده کاوی برای خوشه ای از ساختمان های دفتر هوشمند
چکیده انگلیسی
There is an increasing need for automated fault detection tools in buildings. The total energy request in buildings can be significantly reduced by detecting abnormal consumption effectively. Numerous models are used to tackle this problem but either they are very complex and mostly applicable to components level, or they cannot be adopted for different buildings and equipment. In this study a simplified approach to automatically detect anomalies in building energy consumption based on actual recorded data of active electrical power for lighting and total active electrical power of a cluster of eight buildings is presented. The proposed methodology uses statistical pattern recognition techniques and artificial neural ensembling networks coupled with outliers detection methods for fault detection. The results show the usefulness of this data analysis approach in automatic fault detection by reducing the number of false anomalies. The method allows to identify patterns of faults occurring in a cluster of bindings; in this way the energy consumption can be further optimized also through the building management staff by informing occupants of their energy usage and educating them to be proactive in their energy consumption. Finally, in the context of smart buildings, the common detected outliers in the cluster of buildings demonstrate that the management of a smart district can be operated with the whole buildings cluster approach.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 9, 1 June 2015, Pages 4324-4338
نویسندگان
, , ,