طراحی مدل داده کاوی تلفیقی خوشه بندی-وابستگی جهت بررسی رفتار مصرف انرژی واحدهای صنعتی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
با توجه به سهم بالای مصرف برق در صنایع کشور، طی چند سال اخیر طرح های مختلفی از جمله خاموشی های سراسری در اوقات پیک مصرف اجرا شده است. امروزه داده کاوی به عنوان فرآیند کشف الگوهای مفید از پایگاه داده و یکی از روش های مؤثر برای تجزیه و تحلیل، مدل سازی و پیش بینی مصرف انرژی کاربرد فراوانی پیدا کرده است. در این مطالعه، مدلی تلفیقی جهت بررسی رفتار مصرف برق با استفاده از تکنیک های خوشه بندی کا میانگین و قوانین وابستگی جهت کشف و استخراج الگو از مجموعه داده های مربوط به مصرف برق واحدهای صنعتی مستقر در یکی از شهرک های صنعتی استان تهران طراحی شده است. مشاهدات نشان می دهد که طی ماه های گرم سال، میانگین مصرف واحدهای خوشه پرمصرف که حدود 34 درصد واحدهای صنعتی مورد مطالعه را شامل می شود، حدود 4.2 برابر مصرف خوشه کم مصرف و حدود 1.7 برابر مصرف خوشه متوسط است. با بکارگیری مدل پیشنهادی در این پژوهش ضمن شناسایی واحدهای پرمصرف و اعمال سیاست های هوشمندانه و عادلانه در خاموشی اجباری، می توان علاوه بر تشویق واحدهای صنعتی به بهینه سازی مصرف انرژی، از ایجاد خسارت ناشی از توقف های اجباری تولید ممانعت کرد. رویکرد نوآورانه این مدل قادر به کنترل حجم زیادی از داده ها برای برنامه ریزی مناطق مختلف با هدف بهینه سازی در مصرف انرژی آن می باشد.Design of integrated clustering-association data mining model to study the electricity consumption behavior of industrial units
Due to the high share of electricity consumption in the country's industries, in recent years, various projects have been implemented, including reducing the amount of load by implementing nationwide blackouts during peak consumption times. Today, data mining is widely used as a process of discovering useful patterns from the database and one of the effective methods for analyzing, modeling and predicting energy consumption. In this study, an integrated clustering-association data mining model has been designed to investigate power consumption behavior to discover and extract the pattern from the power consumption data set of industrial units located in one of the industrial towns of Tehran province. Observations show that during the warm months of the year, the average consumption of high-consumption cluster units, which includes about 34% of the studied industrial units, is about 4.2 times the consumption of low-consumption clusters and about 1.7 times the consumption of medium clusters. By using the proposed model in this study, in addition to identifying high-consumption units and implementing smart and fair policies in forced shutdowns, it is possible to prevent damage caused by forced shutdowns and industrial units can be encouraged to optimize energy consumption. The innovative approach of this model is able to control large volumes of data for planning different areas with the aim of optimizing its energy consumption.
Data mining , clustering , hierarchical analysis , K-means algorithm , Dependency laws , optimization of energy consumption,