| LEADER |
05866nam a2200385 4500 |
| 001 |
1536236 |
| 041 |
|
|
|a eng
|
| 100 |
|
|
|9 634079
|a القشموعية، هند بنت محمد بن حميد
|e مؤلف
|
| 245 |
|
|
|a Clustering of Customers Using Electricity Consumption Data for Smart Grid Applications
|
| 246 |
|
|
|a تصنيف العملاء على أساس سلوكيات استهلاك الكهرباء لتطبيقات الشبكة الذكية
|
| 260 |
|
|
|a مسقط
|c 2021
|
| 300 |
|
|
|a 1 - 73
|
| 336 |
|
|
|a رسائل جامعية
|
| 502 |
|
|
|b رسالة ماجستير
|c جامعة السلطان قابوس
|f كلية العلوم
|g عمان
|o 0686
|
| 520 |
|
|
|a في الآونة الأخيرة، سمحت الإنجازات التكنولوجية وعلوم البيانات الجديدة بالنمو السريع للبيانات واسعة النطاق. أحد الأمثلة النموذجية على ذلك هو بيانات تدفق الشبكة الذكية التي تنتجها عدادات الطاقة الذكية الصناعية. تعتبر قياسات تسلسل استهلاك الكهرباء المأخوذة في فترات زمنية محددة بمثابة بيانات الحمل التعريفية للصناعة، والتي تمثل ملف الحمل التعريفي للصناعة في فترة معينة. تستخدم مصفوفة البيانات لتمثيل مجموعة من ملفات الحمل التعريفية حيث يتم تمثيل تسلسل قياسات الصناعة في صف واحد ويمثل كل عمود مجموعة من القياسات التي تمت معالجتها خلال فترة زمنية معينة من جميع الصناعات. يحتوي هذا النوع من بيانات استهلاك الطاقة مع الصناعية على عدد كبير من المميزات غير ذات الصلة (العمود) نظرا لنوع مختلف من العوامل، على سبيل المثال فترات الاستراحة، الظروف الجوية وأوامر الإنتاج وما إلى ذلك. يعتبر إنتاج تصنيفات ذات معنى باستخدام هذه المصفوفة عدد كبير من الميزات غير ذات الصلة من المهام الصعبة. يتوفر عدد قليل فقط من خوارزميات اختيار المميزات لبيانات التدفق غير المراقبة. بالإضافة إلى ذلك، يختلف سلوك تدفقات البيانات الصناعية عن تدفق البيانات الأخرى، مثل السلاسل الزمنية للبورصة. في هذا العمل، نعالج هذه المشكلة لتحديد العمليات التجارية المفيدة جدا لتطبيقات الشبكة الذكية المختلفة. تم اقتراح تقنية جديدة لاختيار الميزات ولإزالة المميزات غير ذات الصلة من مصفوفة البيانات. يتم تحديد الكثافات المحلية في مناطق خاصة مختلفة (مميزات فردية) للبيانات. يتم حساب الكثافات المحلية، وتضاف أيضا كثافات المناطق الزمنية حيث تكون المناطق الزمنية هي مجموعة المميزات التالية. في هذه المرحلة، يلعب إيجاد قيمة حدية للكثافات المكتملة دورا مهما لتحسين دقة طريقة تصنيف المميزات. استخدمنا طريقة متقدمة لإيجاد القيمة الحدية وهي مبدأ الحد الأدنى لطول الوصف المتقدم. يتم تصنيف الكثافات المحلية إلى مجموعتين، واحدة لتمثيل الكثافة بقيم عالية، بينما يمثل الصفر الكثافة ذات القيمة الأقل. يتم تمثيل فئات الكثافة للصناعات في فترات زمنية مميزة باستخدام مصفوفة ثنائية. بعد ذلك، يتم حساب تشابه متجهات الكثافة بين كل فترتين زمنيتين متتاليتين من المصفوفة الثنائية باستخدام فرضية تشابه جديدة، وتتم إزالة السمات غير ذات الصلة المحددة لمتجهات الكثافة من بيانات الملف التعريفي للحمل. أخيرا، يتم حساب العدد الإجمالي للمجموعات باستخدام تصوير البيانات، وتجميع البيانات التي تمت تصفيتها باستخدام الخوارزمية التصنيفية لإنتاج التصنيفات الصناعية، حيث يمثل كل جزء نمطا واحدا لاستهلاك الكهرباء.
|
| 653 |
|
|
|a الذكاء الاصطناعي
|a الشبكات الذكية
|a العمليات التجارية
|a الطاقة الكهربائية
|
| 700 |
|
|
|9 634088
|a Al-Hamdani, Abdulla
|e Advisor
|
| 700 |
|
|
|9 568979
|a Touzene, Abderrezak
|e Advisor
|
| 700 |
|
|
|9 524252
|a Al-Yahyai, Sultan Salim
|e Advisor
|
| 700 |
|
|
|a Khan, Imran Ali
|e Advisor
|9 525381
|
| 856 |
|
|
|u 9809-008-007-0686-T.pdf
|y صفحة العنوان
|
| 856 |
|
|
|u 9809-008-007-0686-A.pdf
|y المستخلص
|
| 856 |
|
|
|u 9809-008-007-0686-C.pdf
|y قائمة المحتويات
|
| 856 |
|
|
|u 9809-008-007-0686-F.pdf
|y 24 صفحة الأولى
|
| 856 |
|
|
|u 9809-008-007-0686-1.pdf
|y 1 الفصل
|
| 856 |
|
|
|u 9809-008-007-0686-2.pdf
|y 2 الفصل
|
| 856 |
|
|
|u 9809-008-007-0686-3.pdf
|y 3 الفصل
|
| 856 |
|
|
|u 9809-008-007-0686-4.pdf
|y 4 الفصل
|
| 856 |
|
|
|u 9809-008-007-0686-5.pdf
|y 5 الفصل
|
| 856 |
|
|
|u 9809-008-007-0686-6.pdf
|y 6 الفصل
|
| 856 |
|
|
|u 9809-008-007-0686-R.pdf
|y المصادر والمراجع
|
| 856 |
|
|
|u 9809-008-007-0686-S.pdf
|y الملاحق
|
| 930 |
|
|
|d y
|
| 995 |
|
|
|a Dissertations
|
| 999 |
|
|
|c 1184977
|d 1184977
|
