دانلود و نمایش مقالات مرتبط با شبکه هوشمند::صفحه 1
بلافاصله پس از پرداخت دانلود کنید
نتیجه جستجو - شبکه هوشمند

تعداد مقالات یافته شده: 46
ردیف عنوان نوع
1 Machine learning in the Internet of Things: Designed techniques for smart cities
یادگیری ماشین در اینترنت اشیاء: تکنیک های طراحی شده برای شهرهای هوشمند-2019
Machine learning is one of the emerging technologies that has grabbed the attention of academicians and industrialists, and is expected to evolve in the near future. Machine learning techniques are anticipated to provide pervasive connections for wireless nodes. In fact, machine learning paves the way for the Internet of Things (IoT)—a network that supports communications among various devices without human interactions. Machine learning techniques are being utilized in several fields such as healthcare, smart grids, vehicular communications, and so on. In this paper, we study different IoTbased machine learning mechanisms that are used in the mentioned fields among others. In addition, the lessons learned are reported and the assessments are explored viewing the basic aim machine learning techniques are expected to play in IoT networks.
Keywords: Internet of Things | Machine learning | Medical | Smart grid | VANET
مقاله انگلیسی
2 Evaluating smart grid renewable energy accommodation capability with uncertain generation using deep reinforcement learning
ارزیابی قابلیت اسکان انرژی تجدیدپذیر شبکه هوشمند با تولید نامعین با استفاده از یادگیری تقویتی عمیق-2019
Due to environment-friendliness, renewable energy like solar power and wind power is more and more introduced to energy systems all over the world. Simultaneously, high penetrations of wind and solar generation also have brought severe curtailment of wind and solar. How to alleviate curtailment of wind and solar is a crucial problem in evaluating accommodation capability of renewable energy, which reflects the extent of utilization of renewable energy and economic benefits. The uncertainty of renewable energy brings challenges to precisely describe renewable generation, which leads to difficulty in designing effective mechanisms for accommodation capability of renewable energy. Existing work suffers from high computation overhead from frequently updated data, and low precision of describing renewable energy, which leads to less effective policies for renewable energy accommodation and underestimated accommodation capability. To make the most of renewable energy, an algorithm AccCap-DRL based on deep reinforcement learning is proposed. AccCap-DRL partitions a distribution into segments by time intervals, employs WGAN to describe distributions of renewable energy data, and employs DDPG to obtain approximate policies for renewable energy accommodation in different scenarios. Simulation results from real power generation and users’ demand data show high effectiveness of the proposed algorithm, and high efficiency of evaluating accommodation capability
Keywords: Accommodation capability | Deep reinforcement learning | Uncertain renewable energy description
مقاله انگلیسی
3 Deep ensemble learning based probabilistic load forecasting in smart grids
پیش بینی بار احتمالی مبتنی بر یادگیری گروه عمیق در شبکه های هوشمند-2019
With the availability of fine-grained smart meter data, there has been increasing interest in using this information for ecient and reliable energy management. In particular, accurate probabilistic load forecasting for individual consumers is critical in determining the uncertainties in future demand with the goal of improving smart grid reliability. Compared with the aggregate loads, individual load profiles exhibit higher irregularity and volatility and thus less predictable. To address these challenges, a novel deep ensemble learning based probabilistic load forecasting framework is proposed to quantify the load uncertainties of individual customers. This framework employs the profiles of di erent customer groups integrated into the understanding of the task. Specifically, customers are clustered into separate groups based on their profiles and multitask representation learning is employed on these groups simultaneously. This leads to a better feature learning across groups. Case studies conducted on an open access dataset from Ireland demonstrate the e ectiveness and superiority of the proposed framework
Keywords: Deep ensemble learning | multitask representation learning | probabilistic load forecasting | smart grid | customer profiles
مقاله انگلیسی
4 Cloud-based IoT solution for state estimation in smart grids: Exploiting virtualization and edge-intelligence technologies
راه حل مبتنی بر ابر برای اینترنت اشیا برای تخمین حالت در شبکه های هوشمند: بررسی مجازی سازی و روشهای هوش لبه ای-2018
Smart Grids (SGs) are expected to be equipped with a number of smart devices able to generate vast amounts of data about the network status, becoming the key components for an efficient State Estimation (SE) of complex grids. To exploit their potentials, the ICT infrastructure needs to be scalable to follow the increasing amount of data flows and flexible to give the possibility to assign and re-assign grid functions and data flow control policies at runtime, possibly in a context-aware manner. In this scenario, this paper proposes and validates a Cloud-IoT-based architectural solution for SE in SG that combines cloud-capabilities and edge-computing advantages and uses virtualization technologies to decouple the handling of measurement data from the underlying physical devices. Case studies in the field of distribution networks monitoring are also analyzed, demonstrating that the proposed architecture is capable to accomplish the assigned operational tasks, while satisfying the needed quality level from both the communication and the grid perspectives with a significant degree of flexibility and adaptability with respect to state of the art solutions.
keywords: Smart grid| Internet of Things| Cloud| Edge| Virtualization| State estimation| Phasor measurement unit
مقاله انگلیسی
5 مدیریت انرژی دینامیکی برای سیستم قدرت فوتوولتائیک شامل ذخیره سازی ترکیبی انرژی در استفاده از ریز شبکه
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 26
تکنولوژی های ذخیره سازی انرژی یک قسمت ادغام شده مهم با شبکه سیستم های انرژی تجدید پذیر (RES) در آینده خواهند شد. استفاده از ذخیره سازی انرژی با RES در بهترین راه استفاده از توان تجدید پذیر و کاهش مصرف سوخت های فسیلی متداول می‌باشد. تغییر ناگهانی تقاضای بار ذخیره سازی انرژی با حداکثر توان با قابلیت چگالی نیاز دارد. این مقاله حاوی یک سیستم ذخیره سازی انرژی ترکیبی (HESS) است که حاوی دو انرژی بالا و بانک باتری ذخیره سازی چگالی توان و واحد ابر خازن به ترتیب برای پاسخ به ضرورت های ذکر شده در بالا، می‌باشد. تنظیم سیستم قدرت پیشنهاد شده و الگوریتم مدیریت انرژی دینامیکی می‌تواند شدیدا تقاضای بار دینامیکی پشتیبانی شده توسط اجزای سیستم ذخیره سازی انرژی ترکیبی، توان فوتوولتائیک و اتصال شبکه را تامین کند. کنترل واحد از طریق یک الگوریتم مدیریت انرژی، مبنی بر تغییرات دینامیکی در سیستم فراهم شده است. نتایج ارزیابی آزمایشگاهی در این مقاله برای نشان دادن امکان پذیری ساختار مدیریت انرژی پیشنهاد شده ارائه شده است. اعتبار الگوریتم مدیریت انرژی دینامیکی پیشنهاد شده با مبدل کارآمد، به صورت آزمایشگاهی در آزمایشگاه بر اساس نمونه اولیه HESS در شبکه هوشمند بررسی شده است.
اصطلاحات شاخص: باتری | مدیریت انرژی | سیستم ذخیره سازی انرژی ترکیبی | ابر خازن | فوتوولتائیک | ریز شبکه
مقاله ترجمه شده
6 Compression of smart meter big data_ A survey
فشرده سازی داده های بزرگ متریک هوشمند : یک مرور-2018
In recent years, the smart grid has attracted wide attention from around the world. Large scale data are collected by sensors and measurement devices in a smart grid. Smart meters can record fine-grained information about electricity consumption in near real-time, thus forming the smart meter big data. Smart meter big data has provided new opportunities for electric load forecasting, anomaly detection, and demand side management. However, the high-dimensional and massive smart meter big data not only creates great pressure on data transmission lines, but also incur enormous storage costs on data centres. Therefore, to reduce the transmission pressure and storage overhead, improve data mining efficiency, and thus fulfil the potential of smart meter big data. This study presents a comprehensive study on the compression techniques for smart meter big data. The development of smart grids and the characteristics and application challenges of electric power big data are first introduced, followed by analysis of the characteristics and benefits of smart meter big data. Finally, this study focuses on the potential data compression methods for smart meter big data, and discusses the evaluation methods for smart meter big data compression.
Keywords: Smart grid ، Smart meter ، Energy big data ، Data compression
مقاله انگلیسی
7 فشرده سازی هوشمند برای داده های بزرگ: مرور
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 11 - تعداد صفحات فایل doc فارسی: 40
در سال های اخیر، شبکه هوشمند توجه گسترده ای از سراسر جهان را به خود جلب کرده است. داده های مقیاس بزرگ توسط سنسور ها و دستگاه های اندازه گیری در یک شبکه هوشمند جمع آوری می شوند. مقیاس هوشمند می تواند اطلاعات دقیق در مورد مصرف الکتریسیته را در زمان واقعی به ثبت برساند، بنابراین داده های بزرگ در مقیاس هوشمند اندازه گیری می شود. داده های بزرگ مقیاس هوشمند فرصت های جدیدی برای پیش بینی بار الکتریکی، کشف عادت ها و مدیریت تقاضا ارائه داده است. با این حال، ابعاد بزرگ و داده های بزرگ در مقیاس هوشمند عظیم نه تنها فشار زیادی را بر خطوط انتقال داده ایجاد می کند، بلکه هزینه های ذخیره سازی زیادی را در مراکز داده نیز به همراه می آورد. بنابراین، برای کاهش فشار انتقال و ارتفاع محل ذخیره سازی، برای بهبود راندمان استخراج داده ها، و به اين ترتيب ظرفیت های تحقق هوشمند داده های بزرگ 130 سانتی متری است. مقاله پیش رو یک مطالعه جامع در مورد تکنیک های فشرده سازی داده های بزرگ هوشمند را ارائه می دهد. توسعه شبکه های هوشمند و خصوصیات و چالش های کاربرد داده های بزرگ الکتریکی ابتدا معرفی شده و سپس تجزیه و تحلیل ویژگی ها و مزایای داده های بزرگ مقیاس بزرگ انجام می پذیرد. در نهایت، این مطالعه بر روی روش های فشرده سازی اطلاعات بالقوه برای داده های بزرگ هوشمند تمرکز می کند و روش های ارزیابی فشرده سازی داده های مقیاس هوشمند را مورد بحث قرار می دهد.
کلمات کلیدی: شبکه هوشمند | مقیاس هوشمند | داده های بزرگ انرژی | فشرده سازی داده ها.
مقاله ترجمه شده
8 Power systems big data analytics: An assessment of paradigm shift barriers and prospects
سیستم های قدرت تجزیه و تحلیل داده های بزرگ: ارزیابی موانع تغییر پارادایم و چشم انداز-2018
Electric power systems are taking drastic advances in deployment of information and communication technologies; numerous new measurement devices are installed in forms of advanced metering infras tructure, distributed energy resources (DER) monitoring systems, high frequency synchronized wide area awareness systems that with great speed are generating immense volume of energy data. However, it is still questioned that whether the today’s power system data, the structures and the tools being developed are indeed aligned with the pillars of the big data science. Further, several requirements and especial features of power systems and energy big data call for customized methods and platforms. This paper provides an assessment of the distinguished aspects in big data analytics developments in the domain of power systems. We perform several taxonomy of the existing and the missing elements in the structures and methods associated with big data analytics in power systems. We also provide a holistic outline, classifications, and concise discussions on the technical approaches, research opportunities, and application areas for energy big data analytics.
Keywords: Energy , Big data analytics , Internet of energy , Smart grid
مقاله انگلیسی
9 مدیریت انرژی مبتنی بر مصرف کننده آینده نگر و اشتراک گذاری انرژی در شبکه هوشمند
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 10 - تعداد صفحات فایل doc فارسی: 39
انتظار بزرگی که از شبکه برق هوشمند می رود، این است که با استفاده از جریان دو طرفه ی داده ها و انرژی برقی که با اطلاعات پیشرفته فعال شده است و همچنین با استفاده از ارتباطات و زیرساخت های کنترلی، سرویس های انرژی پایدار را ارائه دهد. یک عنصر مهم از چنین شبکه ی هوشمندی مصرف کننده های آینده نگر هستند، یعنی مصرف کنندگانی که از طریق شبکه، انرژی اضافی را تولید و با سایر کاربران به اشتراک می گذارند. مصرف کننده های آینده نگر نه تنها مهمترین ذینفع در شبکه های هوشمندِ متشکل از مصرف کنندگانِ آینده نگر هستند، بلکه نقشی حیاتی در مدیریتِ حداکثر تقاضا ایفا می کنند. بنابراين، لازم است که به تحقیق و بررسی پیرامونِ مدیریت انرژی مبتنی بر مصرف کننده ی آینده نگر و اشتراک گذاریِ انرژی ( PEMS) و چالش های مرتبط با آن بپردازیم. این بررسی برای درک و تحلیل تاثیر مصرف کننده ها ی آینده نگر در شبکه های هوشمند آینده به ما کمک خواهد کرد. به منظور دستیابی به این اهداف، این مقاله به بررسی جامعِ PEMS (یا مدیریت انرژی مبتنی بر مصرف کننده ی آینده نگر و اشتراک گذاریِ انرژی) در محیط شبکه هوشمند و بررسیِ تأثیرات مرتبط با قابلیت اطمینان سیستم و پایداری انرژی می پردازد. فرایند به اشتراک گذاریِ انرژی میان مصرف کننده های آینده نگر ، شامل دو عنصر کلیدی می باشد: فناوری اطلاعات و ارتباطات و تکنیک های بهینه سازی. این دو عنصر به طور کامل مورد بحث قرار می گیرند تا نیازمندی های اجراییِ PEMS را تحت پوشش قرار دهند. آن دسته از فناوری های مرتط با ارتباطات که در این مقاله ارائه شده اند، عبارتند از: فناوری های سیمی، فناوری های بی سیم، گزینه های کوتاه مدت و بلند مدت در تکنیک های بهینه سازی خطی و غیرخطی، که در زمینه ی PEMS، شرح داده شده اند. در این مقاله، فناوری های مختلف، روش ها و مکانیزم های پذیرفته شده برای PEMS به صورت جامع مورد بحث قرار می گیرند تا به افزایش شهود خوانندگان کمک شود. چالش ها و مسائلی که در جوامع مصرف کننده ی آینده نگر با آنها مواجه هستند، و همچنین مسأله ی اشتراک گذاریِ انرژی، به طور دقیق مورد بررسی قرار گرفته است.
کلمه های کلیدی: شبکه هوشمند | مصرف کننده های آینده نگر | مدیریت انرژی | اشتراک انرژی | بهينه سازي.
مقاله ترجمه شده
10 توسعه سیستم اطلاعات جغرافیایی سازمانی (GIS) یکپارچه با شبکه هوشمند
سال انتشار: 2018 - تعداد صفحات فایل pdf انگلیسی: 13 - تعداد صفحات فایل doc فارسی: 34
این مقاله از یک سیستم اطلاعات جغرافیایی (GIS) برای ایجاد یک سیستم نظارت آنلاین استفاده می کند تا داده های عملیاتی در زمان واقعی را در نقاط مختلف شبکه برق نشان دهد. شبکه با تمام دارایی های آن بر روی نقشه جغرافیایی نمایش داده شده است. این مقاله ابزاری برای نظارت، کنترل، مدیریت امکانات، و مدیریت تقاضا در یک شبکه هوشمند را در صنعت آب و برق و انرژی فراهم می کند. این سیستم به عنوان یک سیستم پیشرو با استفاده از شبکه های ولتاژ پایین در دانشگاه سلطان قابوس (SQU)، عمان آزمایش شده است. این مقاله منعکس کننده اجرای آزمایشی GIS سازمانی و کاربرد آن در شبکه های هوشمند است، هر چند مراحل فنی مرحله های توسعه مدل داده GIS و برنامه وب GIS با جزئیات شرح داده شده است. این سیستم توسعه یافته یک نمایندگی مکانی شبکه برق و دارایی های آن را مشتمل بر سیستم های انرژی تجدید پذیر با داده های عملیاتی اش را بر روی نقشه شبکه توزیع برق موجود ایجاد می کند. این رویکرد ابزارهایی با توانایی نظارت بر مولفه های سیستمی و عملکرد آنها را در زمان واقعی بر مبنای مکان آنها بر روی نقشه فراهم می کند.
کلمات کلیدی: سیستم اطلاعات جغرافیایی (GIS) | شبکه هوشمند | سیستم سازمانی | منابع انرژی تجدیدپذیر | نظارت و کنترل آنلاین
مقاله ترجمه شده
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی