Исследование проблемы прогнозирования потребления электроэнергии для множества объектов в автоматическом режиме. Подход к автоматизации процесса прогнозирования основанный на CRISP-DM. Архитектура системы, реализующая механизмы вычислительного интеллекта.
При низкой оригинальности работы "Механизмы вычислительного интеллекта при решении задачи автоматизации прогнозирования электроэнергии", Вы можете повысить уникальность этой работы до 80-100%
электроэнергия прогнозирование автоматизация вычислительный. Предлагаемый подход автоматизации процесса прогнозирования потребления электроэнергии основан на CRISP DM и на оригинальных подходах применения коннективистских систем для прогнозирования потребления электроэнергии. Фиксация информации о потреблении осуществляется в режиме реального времени каждые 15 минут. Шаг 1.Общее описание. Для реализации предложенного подхода и рассмотренных механизмов вычислительного интеллекта разработан прототип интеллектуальной системы. Рис 1. Архитектура интеллектуальной системы Система имеет следующие компоненты (рис 1): 1) семантический слой для выбора (описания) проблемы; 2) диспетчер загрузки и определения качества данных (процедуры BP, , , ); 3) диспетчер запросов; 4) хранилище данных со структурой OLAP с диспетчером загрузки информации со внешних источников данных и с прослойкой, обеспечивающей доступ к хранилищу (например, объектная схема данных, linq); 5) компоненты библиотек моделей и методов; 6) компоненты библиотек процессов (процесс - последовательность вызовов методов для решения проблемы, процедуры , ); метаданные или база знаний; компонента интеллектуального формирования и управления процессами и потоками потока метаданных. Реализация в виде веб приложения и облачного приложения. Рис 2. Диаграмма развертывания приложения Облачная реализация представляет собой SAAS-систему, состоящую из хранилища данных со статистикой измерений и рассчитанными прогнозными значениями и облачной интернет-службы Worker Cloud Service, развернутых в облаке WINDOWSAZURE, а также, непосредственно, системы автоматического прогнозирования, развернутой на обыкновенном хостинге и обращающейся к данным развернутого в облаке хранилища. Приложения-клиенты, собирающие статистику измерений с датчиков в зданиях и помещениях, в автоматическом режиме с определенной периодичностью отправляют данные облачному сервису в виде XML-пакетов. Структура XML-пакета представлена ниже: 1875 148 10:06:41 01.06.2008 0,2 10:26:41 01.06.2008 0,8 … Пакет данных содержит в себе идентификатор пользователя в тегеuserid, число измерений в тегеnum и, непосредственно, массив измеренных значений, заключенный в тегmeasures. Каждое измерение в массиве содержит в себе дату и время произведения измерения, а также полученное значение. После отправки XML-пакет обрабатывается сервисом, который добавляет вновь полученные данные в хранилище, а также передает системе автоматического прогнозирования команду на обновление значений прогноза с учетом вновь загруженных данных. Полученные прогнозные значения загружаются системой в хранилище данных, откуда, в свою очередь, их выгружает сервис и возвращает клиенту XML-пакет с результатами прогноза (структура XML с данными прогноза идентична структуре пакета с данными измерений).
Вы можете ЗАГРУЗИТЬ и ПОВЫСИТЬ уникальность своей работы
