دانلود مقاله ISI انگلیسی شماره 46714
ترجمه فارسی عنوان مقاله

یک روش مبتنی بر داده کاوی برای پشتیبانی از تعیین خصوصیات مشتریان برق ولتاژ متوسط

عنوان انگلیسی
A data-mining-based methodology to support MV electricity customers’ characterization
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
46714 2015 10 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Energy and Buildings, Volume 91, 15 March 2015, Pages 16–25

فهرست مطالب ترجمه فارسی
چکیده

کلید واژه 

1. معرفی

2. روش‌های داده‌کاوی

2.1. الگوریتم‌های خوشه‌بندی داده

2.2 شاخص های اعتبار خوشه بندی

3. روش‌شناسی برای تعیین خصوصیات و دسته‌بندی مشتریان برق

3.1. داده و انتخاب ویژگی

3.2. پیش پردازش داده

3.3تعیین پروفایل‌های بار نوعی

شکل 1. روشی برای تعیین خصوصیات و دسته‌بندی مشتریان برق

3.4. قوانین یادگیری برای دسته‌بندی مشتریان جدید

جدول 1. شاخص‌های نرمال شده برای تعیین خصوصیات رفتار مشتری برق

شکل 2. معماری مدل دسته‌بندی

4. مطالعه‌ی موردی 

4.1. پیش پردازش داده

4.2. پروفایل‌سازی بار

4.2.1. پروفایل بار نوعی

شکل 3. نتایج الگوریتم K-Means برای تعداد K=3 خوشه

شکل 4. نتایج الگوریتم K-Means برای K=4 خوشه.

شکل 5. نتایج الگوریتم K-Means برای K=6 خوشه.

جدول 2. نتایج تقسیم بندی انتخاب شده توسط شاخص‌های اعتبار

شکل 6. نمودارهای بار معرف خوشه با استفاده از شاخص‌های شکل نرمال شده- روزهای کاری

شکل 7. نمودارهای بار معرف خوشه با استفاده از شاخص‌های شکل نرمال شده- شنبه‌ها

شکل 8. نمودارهای بار معرف خوشه با استفاده از شاخص‌های شکل نرمال شده- یکشنبه‌ها و روزهای تعطیل

4.2.2. تعیین خصوصیات پروفایل

جدول 3. نتایج شاخص‌های دسته‌بندی برای خوشه‌های بدست آمده- روزهای کاری

شکل 9. شاخص‌های شکل نرمال شده برای یک مصرف کننده‌ی خوشه

4.3. تعریف قوانین برای دسته‌بندی مشتریان

جدول 4. مجموعه قوانین مدل دسته‌بندی-روزهای کاری

4.3.1. دسته‌بندی یک مشتری MV واقعی

شکل 10. پروفایل بار نوعی یک مشتری واقعی MV- روزهای کاری

جدول 5. مجموعه قوانین برای دسته‌بندی یک مشتری MV واقعی

5. نکات نتیجه گیری‌شده
ترجمه کلمات کلیدی
بارگذاری پروفایل - داده کاوی - خوشه - تقسیم بندی - اعتبار خوشه
کلمات کلیدی انگلیسی
Load profiling; Data mining; Clustering; Classification; Clustering validity
ترجمه چکیده
این مقاله یک چارچوب برای تعیین خصوصیات مشتری برق ولتاژ متوسط ارائه می‌دهد که با پشتیبانی کشف دانش در پایگاه داده (KDD) صورت می‌گیرد. ایده‌ی اصلی شناسایی پروفایل‌های بار نوعی (TLP) مشتریان ولتاژ متوسط (MV) و ایجاد یک مجموعه‌ی قوانین برای دسته‌بندی خودکار مشتریان جدید است. برای دستیابی به اهداف یک روش شامل چندین مرحله ارائه شده است: پیش‌پردازش داده ؛ به کار بردن چندین الگوریتم خوشه‌بندی برای بخش پروفایل‌های بار روزانه؛ انتخاب بهترین روش تقسیم‌بندی مشتریان بر اساس ارزیابی چندین شاخص اعتبار خوشه‌بندی؛ و در نهایت، یک مدل طبقه‌بندی بر اساس خوشه‌های بدست آمده ایجاد می‌شود. برای اعتبار سنجی چارچوب پیشنهادی، یک مطالعه‌ی موردی شامل یک پایگاه‌ داده‌ی واقعی از مشتریان MV صورت گرفته است.
ترجمه مقدمه
با توجه به بازار برق، تعیین خصوصیات مشتریان برق یک ابزار پشتیبانی مهم برای تاسیسات الکتریکی است که با استفاده از آن رفتار مشتریان خود را درک و پیش‌بینی نمایند. انتظار می‌رود که تامین کنندگان تا جایی که ممکن است عادات مصرف برق مشتریان خود را بدانند تا سرویس‌های انرژی الکتریکی مناسبی را با هزینه کمتر به آنها ارائه داده و به این شکل خودشان را از دیگر رقبا متمایز نمایند. دانش پیرامون الگوهای مصرف مشتریان معمولا برای ارائه پیشنهادات فروش (تجاری) اختصاصی مهم است. در واقع، الگوهای بار به صورت وسیعی در طراحی تعرفه ، برنامه‌ریزی سیستم، نگهداری سیستم، مدیریت بار و بازاریابی استفاده می‌شوند [1]. معمولا شرکت‌های تامین‌کننده‌ی برق مشتریان خود را به دسته‌های معرف خوشه‌بندی کرده و از پروفایل بار معرف برای مطالعه‌ی رفتار مشتریان استفاده می‌کنند [2-5]. سیستم‌های قرائت خودکار کنتور (AMR) توسط اغلب شرکت‌های تولید برق برای مشتریان MV پیاده سازی شده و معمولا در فواصل زمانی پانزده‌ دقیقه‌ای عمل می‌کنند [6]. در حقیقت استراتژی فعلی اتحادیه‌ی اروپا ترویج استفاده از آن است [7]. بنابراین به تردیج میزان زیادی از داده‌ی پیرامون مصرف برق در دسترس بوده و در پایگاه‌های داده ذخیره خواهد شد و الگوهای بار از آنها استخراج می‌شوند. در صنعت برق (که تحت قانون دولتی نباشد) یک جداسازی متمایز در کل زنجیره‌ی تامین سیستم برق وجود دارد: تولید، انتقال، توزیع و فروش. در حالیکه شرکت‌های انتقال و توزیع پیگیر شبکه‌های توزیع برق با توجه به سطوح مختلف ولتاژ هستند، شرکت‌های فروش موظف به مدیریت ارتباط با مشتریان نهایی می‌باشند که شامل فاکتور نمودن ، صدور صورتحساب و سرویس‌دهی به مشتری است. این شرکت‌ها در تنظیم تعرفه‌های پیشنهادی کمی انعطاف‌پذیر بوده و اطمینان می‌دهند که پیشنهادهای آنها با مطابق با الزامات مقامات نظارتی در زمینه‌ی قیمت می‌باشد [5-8]. تعرفه‌های پیشنهادی با توجه به طبقه‌ی مصرف کننده و با استفاده از یک مجموعه از خصوصیات فنی و تجاری تعیین می‌شود. بین گروه‌های مختلف مشتریان می‌تواند بر اساس دسته‌بندی‌های کلانی مانند مسکونی، تجاری، صنایع، روشنایی عمومی و دیگر مشتریان خاص تفاوت قائل شد. همچنین خصوصیات دیگری وجود دارند که می‌تواند برای ایجاد تمایز بین دسته‌های مختلف مشتریان استفاده شود که از این جمله می‌توان به ارزش برق مذکور در قرارداد، مصرف سالیانه انرژی، سطح ولتاژ و یا یک معیار مبتنی بر هزینه‌ی انرژی خریداری شده توسط خرده‌فروش از بازار حوضچه‌ای [9]. بعلاوه، در تعداد بسیار زیادی از کارهای تحقیقاتی صورت گرفته در این زمینه، پروفایل بار برای تعیین تعرفه‌ها معمولا با استفاده از داده‌های بار مشخص می‌شود. همچنین تعیین خصوصیات مشتریان به عنوان مثال می‌تواند بر اساس نوع فعالیت تجاری باشد. با اینحال، پروفایل‌های باری که به نوع فعالیت تجاری مشابهی تعلق دارند، عادات (رفتارهای) متفاوتی از مصرف برق را نشان می‌دهند. بنابراین استفاده از نوع فعالیت تجاری برای تعیین خصوصیات مشتریان معمولا برای نمایش مصرف برق موثر و مفید نیست [4و5و8]. برای مشتری برقی که داده‌ی اندازه‌گیری شده‌ی در دسترسی برای او وجود ندارد، بر اساس اطلاعات در دسترس و خصوصیات آن مشتری و خصوصیات طبقات مختلف مشتریان که تا کنون بدست آمده، می‌توان مشخص کرد که این مشتری به کدام یک از شکل‌های معمول پروفایل بار تعلق دارد. تاسیسات الکتریکی همچنین می‌توانند پروفایل‌های بار را از مشتریان AMR و پروفایل بار مجازی (VLP) را از مشتریان غیر AMR بدست آورده تا به این صورت پروفایل بار تمام مشتریان را ایجاد نمایند [5و6]. در سال‌های اخیر، تلاش‌های تحقیقاتی زیادی به منظور مطالعه‌ی روش‌های ایجاد پروفایل‌های بار صورت گرفته است. معمولا روش‌های تشخیص الگو روی داده‌های مصرف برق به کار رفته است. الگوریتم‌های خوشه‌بندی متفاوتی برای گروه‌بندی نمودارهای بار با شکل مشابه ارائه شده است. در [10] بررسی اجمالی از روش‌های شناخته‌ شده‌ی خوشه بندی، مباحث پیرامون چالش‌های اصلی و برخی جهت‌گیری‌های تحقیقاتی در حال ظهور و مفید بیان شده است. این مقاله یک روش مبتنی بر داده کاوی برای شناسایی پروفایل‌های بار نوعی با استفاده از یک پایگاه داده‌ی واقعی ارائه داده است. برای تقسیم‌بندی داده‌ها چندین الگوریتم خوشه‌بندی مورد استفاده قرار گرفته و ارزیابی کیفیت داده‌های تقسیم شده‌ با استفاد هاز شاخص‌های اعتبار خوشه انجام شده است. روش پیاده سازی شده برای شرکت‌های تامین کننده‌ی برق و گردآورندگان(شرکت‌هایی که سرویس‌های مختلف از جمله سرویس‌های برق را جمع آوری کرده و به صورت پکیج به مشتری می‌فروشد) مفید است و آنها از این روش برای شناسایی پروفایل بار نوعی روزانه که برای طراحی ساختارهای جدید تعرفه و بهبود استراتژی کسب سهم بازار کاربرد دارد، استفاده می‌کنند. کسب سهم بازار یا با بهینه‌سازی گزینه‌های خرید برق یا با تعریف برنامه‌های پاسخ‌دهی به تقاضا صورت می‌گیرد. یک مشتری جدید با استفاده یک مدل طبقه‌بندی به آسانی می‌تواند در یکی از خوشه‌های تعریف شده قرار گیرد. با افزایش چشمگیر مشتریان، ممکن است نیاز باشد که کل فرآیند خوشه‌بندی از ابتدا شروع شده تا تقسیم بندی بهینه‌ی جدیدی برای داده‌ها پیدا شود. مابقی این مقاله به صورتی که در ادامه آمده است می‌باشد. در بخش 2 روش‌های داده‌کاوی مورد بررسی قرار گرفته است. بخش 3 روشی برای تعیین خصوصیت مشتریان برق و طبقه‌بندی آنها ارائه شده است. در بخش 4 یک مطالعه موردی با استفاده داده‌های واقعی ارائه شده است. آخرین بخش خلاصه‌ای از نتایج و اظهارات نهایی را بیان می‌کند.
پیش نمایش مقاله
پیش نمایش مقاله  یک روش مبتنی بر داده کاوی برای پشتیبانی از تعیین خصوصیات مشتریان برق ولتاژ متوسط

چکیده انگلیسی

This paper presents an electricity medium voltage (MV) customer characterization framework supported by knowledge discovery in database (KDD). The main idea is to identify typical load profiles (TLP) of MV consumers and to develop a rule set for the automatic classification of new consumers. To achieve our goal a methodology is proposed consisting of several steps: data pre-processing; application of several clustering algorithms to segment the daily load profiles; selection of the best partition, corresponding to the best consumers’ segmentation, based on the assessments of several clustering validity indices; and finally, a classification model is built based on the resulting clusters. To validate the proposed framework, a case study which includes a real database of MV consumers is performed.