مقاله انگلیسی رایگان در مورد دو روش برای ترکیب داده های مصرف انرژی مسکونی مقیاس پذیر – الزویر ۲۰۱۹

elsevier

 

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  PDF
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.

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *