کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5481741 1522111 2017 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Household monthly electricity consumption pattern mining: A fuzzy clustering-based model and a case study
ترجمه فارسی عنوان
بررسی الگوی مصرف برق ماهانه خانوار: مدل مبتنی بر خوشه‌بندی فازی و موردکاوی
کلمات کلیدی
الگوی مصرف برق، خانوارها، خوشه‌بندی فازی، شبکه هوشمند
فهرست مطالب مقاله
چکیده

کلمات کلیدی

1.مقدمه

2.روش تحقیق

1.2. خوشه‌بندی

2.2.خوشه‌بندی FCM

3.طرح مدل

1.3. انتخاب فازی‌کننده

2.3. اعتبارسنجی خوشه

شکل 1. خوشه‌بندی فازی برطبق کاوش الگوی مصرف برق.

جدول 1.چند پیشنهاد برای انتخاب فازی‌کننده FCM.

3.3. بهینه‌سازی قابلیت جستجو

4.نتایج

1.4. داده‌ها 

شکل 2. فلوچارت الگوریتم خوشه‌بندی FCM بهینه‌سازی شده GA و SA.

2.4. بحث درباره نتایج 

شکل 3. محل ایالت جیانگسو در چین.

شکل 4. پروفایل‌های مصرف برق ماهانه 938 خانوار در جیانگسو، چین.

شکل 5. نتایج گروه‌بندی مصرف برق ماهانه خانوارها (c=4).

شکل 6. پراکندگی خانوارها در هر گروه (c=4).

شکل 7. شاخص‌های آماری هر گروه (c=4).

3.4. اعتبارسنجی نتایج

شکل 8. نتایج گروه‌بندی مصرف برق ماهانه خانوارها (c = 6).

شکل 9. پراکندگی خانوارها در هر گروه (c = 6).

جدول 2. مقادیر CVI برای داده‌های مصرف برق.

5.نتیجه‌گیری 

شکل 10. شاخص‌های آماری هر گروه (c = 6) 

شکل 11. تغییر مقادیر PBMF بر داده‌های مصرف برق.

 
ترجمه چکیده
بررسی الگوی مصرف برق ماهانه خانوارها برای کشف الگوهای مختلف مصرف انرژی خانوارها طی یک ماه با استفاده از داده‌های مصرف برق روزانه‌شان انجام شد. در این پژوهش، مدل خوشه‌بندی فازی بهبودیافته برای الگوی مصرف برق ماهانه خانوارها ایجاد کردیم. اول، پیشینه خوشه‌بندی میانگین c فازی و خوشه‌بندی معرفی شد. در ادامه، مدل فرایند کاوش الگوی مصرف برق خانوارها و مدل خوشه‌بندی میانگین c فازی بهبودیافته فراهم شدند. سه وجه اصلی مدل خوشه‌بندی میانگین c فازی بهبودیافته، یعنی انتخاب فازی شده، اعتبارسنجی خوشه و بهینه‌سازی قابلیت جستجو بررسی می‌شوند. در نهایت، داده‌های مصرف برق روزانه 1200 خانوار در ایالت جینانگسو، چین، طی یک ماه از اول دسامبر 2014 تا 31 دسامبر 2014 در این آزمایش استفاده شدند. با داشتن مدل پیشنهادی، 938 خانوار اعتبارسنجی شده با موفقیت به چهار و شش گروه به ترتیب تقسیم شدند، و مشخصات هر گروه استخراج شد. الگوهای مصرف برق متفاوت خانوارهای متفاوت توسط نتایج و اثربخشی مدل برطبق خوشه‌بندی نشان داده شد. بخش‌بندی مشتری مبتنی بر کاوش الگوی مصرف برق در صنعت برق اهمیت زیادی برای پشتیبانی از توسعه استراتژی‌های بازاریابی هدف‌مند و شخصی و بهبود کارآمدی انرژی دارد. © 2016 شرکت مسئولیت محدود الزویر. تمام حقوق محفوظ است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
Household monthly electricity consumption pattern mining is to discover different energy use patterns of households in a month from their daily electricity consumption data. In this study, we develop an improved fuzzy clustering model for the monthly electricity consumption pattern mining of households. First, the background of clustering and fuzzy c-means clustering is introduced. Then a process model of household electricity consumption pattern mining and an improved fuzzy c-means clustering model are provided. Three key aspects of the improved fuzzy c-means clustering model, namely fuzzifier selection, cluster validation and searching capability optimization, are discussed. Finally, the daily electricity consumption data of 1200 households in Jiangsu Province, China, during a month from December 1, 2014 to December 31, 2014 are used in the experiment. With the proposed model, 938 valid households are successfully divided into four and six groups respectively, and the characteristics of each group are extracted. The results revealed the different electricity consumption patterns of different households and demonstrated the effectiveness of the clustering-based model. The customer segmentation based on consumption pattern mining in electric power industry is of great significance to support the development of personalized and targeted marketing strategies and the improvement of energy efficiency.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Cleaner Production - Volume 141, 10 January 2017, Pages 900-908
نویسندگان
, , ,