کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4943311 1437620 2017 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Electricity clustering framework for automatic classification of customer loads
ترجمه فارسی عنوان
چارچوب خوشه بندی الکتریکی برای طبقه بندی خودکار بارهای مشتری
کلمات کلیدی
مصرف برق، تقاضای ساعتی، پروفیل بار خوشه بندی زمان سری، خوشه بندی ویژگی های انتخاب، روش های طبقه بندی درخت،
ترجمه چکیده
خوشه بندی در بازار انرژی موضوعی با اهمیت بالا در سیستم های متخصص و هوشمند است. تاثیر اصلی این مقاله، پیشنهاد یک چارچوب خوشه بندی جدید برای طبقه بندی خودکار بارهای مصرف کنندگان برق است. انتخاب اتوماتیک از الگوریتم طبقه بندی خوشه ای نیز برجسته شده است. در نهایت، مشتریان جدید را می توان به مجموعه ای از مجموعه های از پیش تعیین شده در خوشه در مرحله طبقه بندی اختصاص داده است. زمان محاسبه چارچوب پیشنهادی کمتر از تکنیک های طبقه بندی قبلی است که امکان پردازش یک نمونه کامل شرکت برق را در یک لحظه از یک رایانه شخصی فراهم می کند. دقت بالا نتایج طبقه بندی پیش بینی شده عملکرد روش خوشه بندی را تایید می کند. این مرحله طبقه بندی کمک قابل توجهی در تفسیر نتایج دارد و سادگی فاز خوشه بندی برای نشان دادن کیفیت چارچوب استخراج کامل کافی است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Clustering in energy markets is a top topic with high significance on expert and intelligent systems. The main impact of is paper is the proposal of a new clustering framework for the automatic classification of electricity customers' loads. An automatic selection of the clustering classification algorithm is also highlighted. Finally, new customers can be assigned to a predefined set of clusters in the classification phase. The computation time of the proposed framework is less than that of previous classification techniques, which enables the processing of a complete electric company sample in a matter of minutes on a personal computer. The high accuracy of the predicted classification results verifies the performance of the clustering technique. This classification phase is of significant assistance in interpreting the results, and the simplicity of the clustering phase is sufficient to demonstrate the quality of the complete mining framework.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 86, 15 November 2017, Pages 54-63
نویسندگان
, , , , ,