Application of AdaSS Ensemble Approach for Prediction of Power Plant Generator Tension

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F14%3A86089794" target="_blank" >RIV/61989100:27240/14:86089794 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61989100:27740/14:86089794

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-07995-0_21" target="_blank" >http://dx.doi.org/10.1007/978-3-319-07995-0_21</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-07995-0_21" target="_blank" >10.1007/978-3-319-07995-0_21</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Application of AdaSS Ensemble Approach for Prediction of Power Plant Generator Tension

Popis výsledku v původním jazyce

The paper presents the application of ensemble approach in the prediction of ten-sion in a power plant generator. The proposed Adaptive Splitting and Selection (AdaSS) ensemble algorithm performs fusion of several elementary predictors and is based on the assumption that the fusion should take into account the com-petence of the elementary predictors. To take full advantage of complementarity of the predictors, the algorithm evaluates their local specialization, and creates a set of locally specializedpredictors. System parameters are adjusted using evolu-tionary algorithms in the course of the learning process, which aims to minimize the mean squared error of prediction. Evaluation of the system is carried on an empirical data set and is compared toother classical ensemble methods. The re-sults show that the proposed approach effectively returns a more consistent and accurate prediction of tension, thereby outperforming classical ensemble approaches

Název v anglickém jazyce

Application of AdaSS Ensemble Approach for Prediction of Power Plant Generator Tension

Popis výsledku anglicky

The paper presents the application of ensemble approach in the prediction of ten-sion in a power plant generator. The proposed Adaptive Splitting and Selection (AdaSS) ensemble algorithm performs fusion of several elementary predictors and is based on the assumption that the fusion should take into account the com-petence of the elementary predictors. To take full advantage of complementarity of the predictors, the algorithm evaluates their local specialization, and creates a set of locally specializedpredictors. System parameters are adjusted using evolu-tionary algorithms in the course of the learning process, which aims to minimize the mean squared error of prediction. Evaluation of the system is carried on an empirical data set and is compared toother classical ensemble methods. The re-sults show that the proposed approach effectively returns a more consistent and accurate prediction of tension, thereby outperforming classical ensemble approaches

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Advances in intelligent systems and computing. Volume 299

ISBN

978-3-319-07994-3

ISSN

2194-5357

e-ISSN

—

Počet stran výsledku

10

Strana od-do

"207-216"

Název nakladatele

Springer

Místo vydání

New York

Místo konání akce

Bilbao

Datum konání akce

25. 6. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—