دانلود ترجمه مقاله داده کاوی بصری برای آشکار کردن الگوی عملیاتی غیرعادی در سیستم انرژی

1. مقدمه 2. روش تحقیق 3. ارزیابی 4. بحث و بررسی 5. نتیجه گیری

چکیده – الگوهای عملیاتی غیرعادی در سیستم های انرژی ساختمان را می توان با تحلیل داده های عملیاتی سابق آنها مشخص کرد. در عمل مقدار داده آنقدر بزرگ است که تحلیل دستی داده، دشوار است. داده کاوی بصری یک راه حل امیدبخش برای این مسئله است. این پژوهش یک چارچوب عام مبتنی بر داده کاوی بصری برای استخراج الگوهای غیرعادی عملیاتی در سیستم های انرژی ساختمان از داده های عملیاتی آنها پیشنهاد می کند. این چارچوب شامل سه مرحله است. ابتدا، یک رویکرد مبتنی بر ارزیابی تراکم کرنل برای پیش پردازش داده های خام بکار گرفته می شود. در نهایت یک رویکرد مبتنی بر کاوش نمودار فرعی دارای بیشترین تکرار برای روشن سازی الگوهای عملیاتی سیستم توسعه داده می شود. این چارچوب برای تحلیل داده های عملیاتی یک ساله یک واحد خنک کننده بکار گرفته می شود. این پژوهش ثابت می کند که این چارچوب می تواند به طور مناسبی نتایج داده کاوی را تفسیر کند و می تواند تحلیل این نتایج را راحت تر کند. مقدمه: بخش ساختمان مسئول تقریباً یک سوم مصرف انرژی کل جهان است [1]. به این ترتیب بهتر کردن بازدهی انرژی سیستم های انرژی ساختمان، ضروری است [2]. برای نمونه کاتیپامولا و برامبلی ارزیابی کردند که تقریباً 30-15% انرژی مصرف شده در ساختمان های تجاری بخاطر تجهیزات بد کنترل شده، با تعمیر و نگهداری ضعیف و قدیمی در سیستم های انرژی ساختمان به هدر رفت [3]. از آنجا که سیستم های خودکارسازی ساختمانی رواج یافته اند، مقدار عظیمی از داده های سوابق عملیاتی از سیستم های انرژی ساختمان ذخیره شده است [4]. بنابراین استفاده از این داده برای آشکار سازی الگوهای مربوط به هدررفت انرژی برای حفظ انرژی ساختمان، یک گزینه جذاب است. با این حال تحلیل دستی این مقدار عظیم از داده، دشوار و زمانبر است.

The abnormal operation patterns in building energy systems can be revealed by analyzing their historical operational data. In practice, the amount of data is so tremendous that manual data analysis is challenging. Visual data mining is a promising solution to this problem. This study proposes a generic visual data mining-based framework for extracting abnormal operation patterns in building energy systems from their historical operational data. The framework consists of three steps. First, a kernel density estimation-based approach is utilized to preprocess the raw data. Then, a decision tree-based approach is adopted to identify the system operation conditions. Finally, a maximal frequent subgraph mining-based approach is developed to reveal the system operation patterns. The framework is applied to analyze the one-year operational data of a chiller plant. This study proves that the framework can appropriately interpret the data mining results, and can make the analysis of the results more convenient. Introduction: The building sector is responsible for approximately one-third of the total global energy consumption [1]. Accordingly, it is crucial to improve the energy efficiency of building energy systems [2]. For instance, Katipamula and Brambley estimated that approximately 15%– 30% of the energy used in commercial buildings was wasted owing to improperly controlled, poorly maintained, and degraded equipment in building energy systems [3]. As building automation systems have gained popularity, massive amounts of historical operational data have been stored from building energy systems [4]. Thus, using these data to reveal patterns related to energy waste for building energy conservation is an attractive option. However, it is challenging and time-consuming to manually analyze such massive amounts of data.

ترجمه این مقاله در 34 صفحه آماده شده و در ادامه نیز صفحه 27 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.