دانلود ترجمه مقاله بخش بندی کارخانه ها براساس رفتار مصرف برق با داده های پروفایل بار

1. مقدمه 2. مروری بر مقالات 3. داده های شبکه هوشمند 4. روش تحقیق 5. نتایج تجربی 6. نتیجه گیری

چکیده – در سالهای اخیر، پیشرفت های جدید در عرصه فنآوری و علوم داده ها، گردآوری اطلاعات تفصیلی و خوش ساخت در مورد رفتارهای مصرف برق شرکت های صنعتی را ممکن ساخته است. این نوع اطلاعات می توانند کاربردهای متعددی در صنعت توزیع برق پیدا کنند. شرکت های برق اغلب از داده های قراردادها استفاده می کنند تا به هر مشتری صنعتی یک عنوان یا برچسب کلاس طبق این نوع تعریف شده در بخش بندی صنعت از پیش تعیین شده، تخصیص دهند. چنین نوع بخش بندی نمودار ثابت، قادر به برآورده کردن نیازهای شرکت های مدرن برای تعیین انعطاف پذیری و پویایی مدهای تولید نیست. در این مقاله، با پیشنهاد یک روش جدید برای بخش بندی انواع مختلف شرکت ها براساس الگوهای مصرف برق ارائه شده در داده های پروفایل بار، به این مسئله می پردازیم. از مشخصات مبتنی بر تکامل داده های کنتور هوشمند مربوط به چندین نوع کارخانه استفاده می شود تا ویژگی های غیرمرتبط حذف شوند. از ترسیم داده ها برای برآورد تعداد خوشه ها استفاده می کنیم و از الگوریتم مشهور k-means برروی داده های فیلتر شده برای تولید بخش بندی استفاده می کنیم. نتایج تجربی در مورد داده های پروفایل بار واقعی گردآوری شده با سنجشگرهای هوشمند از صنایع تولیدی در استان گوانگدونگ چین نشان داده اند که این رویکرد خوشه بندی جدید، بخش بندی معنادار کارخانه ها که بازگو کننده عملیات های تولید است را حاصل کرده است.

In recent years, the new achievements in the field of technology and data science allowed to gather detailed and well-structured information about electricity consumption behaviors of industrial enterprises. Such type of information can find numerous applications in the power distribution industry. The utilities often use the data from contracts to assign each industrial customer a class label according to this type defined in predetermined industry segmentation. Such type of fixed-chart segmentation is not able to satisfy the needs of modern enterprises for the flexible and dynamic determination of production modes. In this paper, we address this problem by proposing a new method for the segmentation of various types of factories based on their electricity consumption patterns represented in load profile data. It exploits the evolution-based characteristics of smart meter data of multiple types of factories to remove irrelevant features. We use data visualization to estimate the number of clusters and apply the well-known k-means algorithm on filtered data to generate segmentation. Experimental results on real load profile data collected with smart meters from manufacturing industries in Guangdong province of China have shown that the new clustering approach produced the meaningful segmentation of factories that reflect production operations.

بخشی از ترجمه مقاله (صفحه 25 فایل ورد ترجمه)