Power Quality Prediction designed as Binary Classification in AC Coupling Off-Grid System
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86100500" target="_blank" >RIV/61989100:27240/16:86100500 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61989100:27730/16:86100500 RIV/61989100:27740/16:86100500
Výsledek na webu
<a href="http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7555551" target="_blank" >http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber=7555551</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/EEEIC.2016.7555551" target="_blank" >10.1109/EEEIC.2016.7555551</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Power Quality Prediction designed as Binary Classification in AC Coupling Off-Grid System
Popis výsledku v původním jazyce
one of the most critical problems of autonomous energy systems (so called Off-Grid systems) is the keeping of the power quality parameters (PQP) in the requested limits. This paper focuses on development of a simple binary classification as a tool for the forecasting of a PQP. This tool will help as an advisor for a shifting of the load in the Off-Grid system, which keeps the PQP in the requested limits. Some of the most frequently applied machine learning (ML) algorithms like artificial neural network, support vector machine and decision trees with bagging and boosting technique arc used in this paper to demonstrate this way of solving the PQP forecasting.
Název v anglickém jazyce
Power Quality Prediction designed as Binary Classification in AC Coupling Off-Grid System
Popis výsledku anglicky
one of the most critical problems of autonomous energy systems (so called Off-Grid systems) is the keeping of the power quality parameters (PQP) in the requested limits. This paper focuses on development of a simple binary classification as a tool for the forecasting of a PQP. This tool will help as an advisor for a shifting of the load in the Off-Grid system, which keeps the PQP in the requested limits. Some of the most frequently applied machine learning (ML) algorithms like artificial neural network, support vector machine and decision trees with bagging and boosting technique arc used in this paper to demonstrate this way of solving the PQP forecasting.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
<a href="/cs/project/LO1404" target="_blank" >LO1404: Trvale udržitelný rozvoj Centra ENET</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
2016 IEEE 16TH INTERNATIONAL CONFERENCE ON ENVIRONMENT AND ELECTRICAL ENGINEERING (EEEIC)
ISBN
978-1-5090-2320-2
ISSN
—
e-ISSN
—
Počet stran výsledku
6
Strana od-do
—
Název nakladatele
IEEE
Místo vydání
NEW YORK
Místo konání akce
Florence
Datum konání akce
7. 6. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000387085800127