| مشخصات مقاله | |
| ترجمه عنوان مقاله | دو روش برای ترکیب داده های مصرف انرژی مسکونی مقیاس پذیر |
| عنوان انگلیسی مقاله | Two approaches for synthesizing scalable residential energy consumption data |
| انتشار | مقاله سال ۲۰۱۹ |
| تعداد صفحات مقاله انگلیسی | ۳۱ صفحه |
| هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
| پایگاه داده | نشریه الزویر |
| نوع نگارش مقاله |
مقاله پژوهشی (Research article) |
| مقاله بیس | این مقاله بیس نمیباشد |
| نمایه (index) | scopus – master journals – JCR |
| نوع مقاله | ISI |
| فرمت مقاله انگلیسی | |
| ایمپکت فاکتور(IF) |
۵٫۳۴۱ در سال ۲۰۱۷ |
| شاخص H_index | ۸۵ در سال ۲۰۱۹ |
| شاخص SJR | ۰٫۸۴۴ در سال ۲۰۱۷ |
| شناسه ISSN | ۰۱۶۷-۷۳۹X |
| شاخص Quartile (چارک) | Q1 در سال ۲۰۱۷ |
| رشته های مرتبط | مهندسی کامپیوتر – مهندسی برق – مهندسی انرژی |
| گرایش های مرتبط | الگوریتم و محاسبات – برق قدرت – سیستم های انرژی |
| نوع ارائه مقاله |
ژورنال |
| مجله / کنفرانس | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
| دانشگاه | Technical University of Denmark, Denmark |
| کلمات کلیدی | مصرف انرژی، سری های زمانی، ترکیب کردن، شبیه سازی، تولید داده ها |
| کلمات کلیدی انگلیسی | Energy Consumption, Time series, Synthesize, Simulation, Data generation |
| شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2019.01.045 |
| کد محصول | E11994 |
| وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
| دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
| سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
| فهرست مطالب مقاله: |
| Outline Highlights Abstract Keywords ۱٫ Introduction ۲٫ Related work ۳٫ Methods ۴٫ Parallel data generation ۵٫ Evaluation ۶٫ Conclusions and future work Acknowledgments References |
| بخشی از متن مقاله: |
| Abstract Many fields require scalable and detailed energy consumption data for different study purposes. However, due to privacy issues, it is often difficult to obtain sufficiently large datasets. This paper proposes two different methods for synthesizing fine-grained energy consumption data for residential households, namely a regression-based method and a probability-based method. They each use a supervised machine learning method, which trains models with a relatively small real-world dataset and then generates large-scale time series based on the models. This paper describes the two methods in details, including data generation process, optimization techniques, and parallel data generation. This paper evaluates the performance of the two methods, which compare the resulting consumption profiles with real-world data, including patterns, statistics, and parallel data generation in the cluster. The results demonstrate the effectiveness of the proposed methods and their efficiency in generating large-scale datasets. |