ورود کاربران دانشگاهی
ثبت نام(مطالعه آنلاین پایان نامه ها)
کاربر مهمان
سپندا
جمعه 10 فرودرین 1403
|
54.91.51.101
:Your IP
س
امانه
پ
ایان
ن
امه های
د
انشگاه
ا
صفهان (
سپندا
)
صفحه اول(جستجو)
مرور موضوعی
پرسش های متداول و راهنما
سامانه تطبیق پایان نامه با شیوه نامه
تماس با ما
(0)
عنوان :
نظارت غیرمزاحم برمصرف انرژی با استفاده از الگوریتمهای هوشمند و یادگیری ماشین
انتشارات :
دانشگاه اصفهان
سال :
1400
زبان :
Persian
شماره سند :
972014036
موضوع :
مهندسی برق
پژوهشگر :
علی چهاردولی
توصیفگر لاتین :
Keywords,: Non Intrusive LOAD monitoring, Neural networks, Convolution neural networks, Hidden Markov model, Demand-side management,
توصیفگر فارسی :
کل,ی,دواژهها,:, ,نظارت ,نامحسوس, ,بر ,بار,، ,شبکهها,ی, عصب,ی,، ,شبکهها,ی, عصب,ی, کانولوشن,،, ,مدل مارکوف پنهان، مد,ی,ر,ی,ت, سمت تقاضا,
دانشکده :
دانشکده فنی مهندسی، گروه برق
مقطع :
کارشناسی ارشد
استاد راهنما :
دکتر محمدفرزان صباحی,
استاد مشاور :
دکتر آرش کیومرثی
سال دفاع :
1400
شماره رکورد :
972014036
شماره راهنما :
فهرست :
فهرست مطالب
عنوانصفحه
فصل اول: مقدمه و کلیات.............................................................................................................1
1-1- بیان مساله1
1-2- ساختار پایاننامه4
فصل دوم: نظارت نامحسوس بر بار و روشهای آن....................................................................5
2-1- مقدمه5
2-2- مدیریت سمت تقاضا5
2-3- پیشینه تاریخی7
2-4- اصول روشهای نظارت نامحسوس بر بار9
2-5- مدل تنک مارکوف پنهان (HMM)14
2-5-1- حالتهای پنهان و نمادهای مشاهدهشده14
2-5-2- دنباله مشاهدات15
2-5-3- مدل تنک مارکوف پنهان در تفکیک بار16
2-6- جداسازی بار از طريق طبقه بندی کنندههای چندلايه نیمه محسوس یادگیری مبتنی برگراف17
2-7- الگوریتم تفکیک بار با استفاده از کدگذاری تنک عمیق 18
2-8- جمعبندی21
فصل سوم: رویکرد استفاده از شبکههای عصبی در نظارت نامحسوس بر بار........................22
3-1- مقدمه22
3-2- شبکه LSTM23
3-2-1- ساختار کلی شبکه عصبی LSTM23
3-2-2- معماری شبکه LSTM24
3-3- شبکه واحدهای بازگشتی دروازهای (GRU)31
3-3-1- GRU کامل32
3-4- شبکه Short Sequence to Point33
3-4-1- شبکههای عصبی کانولوشن (CNN)33
3-5- جمعبندی39
فصل چهارم: شبکه سفارشی VGG19 با ترکیبی از ویژگیهای عمیق برای تفکیک انرژی40
4-1- مقدمه40
4-2- شبکههای عصبی کانولوشن مدل VGG40
4-2-1- معماری شبکه عصبی عمیق VGG 1641
عنوانصفحه
4-2-2- معماری شبکه عصبی عمیق VGG 1942
4-3- معماری شبکه پیشنهادی42
4-4- مجموعه داده UK-DALE43
4-5- داده ها و نتایج آزمایش44
4-6- جمعبندی53
فصل پنجم: نتیجهگیری و پیشنهادها......................................................................................54
5-1- نتیجهگیری54
5-2- پیشنهادها و کارهای آینده55
منابع و مآخذ.56
-
-
آخرین صفحه 60
چکیده :
اخیراً، علاقه روزافزونی به توسعه و اجرای راهکارهای کاهش مصرف انرژی در ساختمانها بهوجود آمده است. فنآوری مدیریت سمت تقاضا یکی از مهمترین کارها در جهت کاهش و بهینه کردن مصرف انرژی است. نظارت نامحسوس بر بار یک رویکرد برای تدوین استراتژیهای مدیریت سمت تقاضا در شبکه هوشمند است .در حال حاضر چندین روش شناخته شده برای نظارت نامحسوس بر بار مبتنی بر ماشینهای حالت متناهی، شبکههای عصبی و کدگذاری تنک وجود دارد.
در این پایاننامه ابتدا به بررسی نظارت نامحسوس بر بار پرداخته و سپس چند الگوریتم تفکیک معروف و کاربردی مثل مدل مارکوف پنهان را بررسی میکنیم سپس به بررسی الگوریتمهای تفکیک شبکههای عصبی تکراری میپردازیم.پس از آن روش پیشنهادی که الهام گرفته از شبکههای عصبی کانولوشن است را بررسی میکنیم. روش پیشنهادی با افزایش لایههای کانولوشن و کاهش لایههای ماکس پولینگ همراه است. همچنین ابعاد لایههای تمام متصل آخر نیز نسبت به شبکه عصبی که شبکه پیشنهادی از آن الهام گرفته شده، کاهش پیدا کرده است. مجموعهداده استفاده شده در این پایاننامه مجموعهداده تقاضای برق در سطح لوازم خانگی و تقاضای کل از پنج خانه در بریتانیا است. این مجموعهداده به طور خاص برای آزمایش راه حلهای نظارت نامحسوس بر بار طراحی شده که در آن اطلاعات پنج واحد مسکونی در انگلستان جمعآوری شده است. این مجموعه داده به دلیل مدت زمان زیاد ثبت اطلاعات یکی از جامعترین مجموعههای داده برای آزمایش راهحلهای نظارت نامحسوس بر بار است. نتایج حاصل از شبکه پیشنهادی با نتایج پژوهشهای قبلی با استفاده از شش معیار مقایسه شده است. نتایج بهدست آمده حاکی از بهبود شناسایی شبکه در تشخیص رویدادهای روشن، خاموش و همچنین توانایی بیشتر در استنتاج مقدار مصرف برق نسبت به پژوهشهای قبلی است.
چکیده انگلیسی :
Recently, there has been a growing interest in developing and implementing solutions to reduce energy consumption in buildings. Demand-side management technology is one of the most important tasks to reduce and optimize energy consumption. Non Intrusive LOAD monitoring is an approach to develop demand-side management strategies in the smart grid. There are several known methods for Non Intrusive LOAD monitoring based on a finite state machine, neural networks, and sparse coding
In this dissertation, we first examine Non Intrusive LOAD monitoring and then some well-known and practical separation algorithms such as the hidden Markov model. Then we review the iterative neural network separation algorithms. We examine the proposed method, which is inspired by convolutional neural networks. The proposed method is associated with increasing convolution layers and decreasing Max Pulling layers. The dimensions of the last all-connected layers are also reduced compared to the neural network from which the proposed network is inspired. The dataset used in this dissertation is the UK-DALE dataset. This dataset is specifically designed to test Non Intrusive LOAD monitoring solutions, in which data are collected from five UK housing units. This dataset is one of the most comprehensive datasets for testing Non Intrusive LOAD monitoring solutions due to its long data recording time. The results of the proposed network are compared with the results of previous studies using six criteria. The results show improved network identification in detecting on and off events as well as a greater ability to deduce the amount of power consumption than previous studies.
کلید واژه ها :
Keywords,: Non Intrusive LOAD monitoring, Neural networks, Convolution neural networks, Hidden Markov model, Demand-side management, _ کل,ی,دواژهها,:, ,نظارت ,نامحسوس, ,بر ,بار,، ,شبکهها,ی, عصب,ی,، ,شبکهها,ی, عصب,ی, کانولوشن,،, ,مدل مارکوف پنهان، مد,ی,ر,ی,ت, سمت تقاضا,
0
صفحه اول :
Non-intrusive monitoring of energy consumption using intelligent algorithms and machine learning
فصل اول :
1-4
فصل دوم :
5-21
فصل سوم :
22-1939
فصل چهارم :
1940-53
فصل پنجم :
54-55
فصل ششم :
56-59
60-
NULL