Помощь в учёбе, очень быстро...
Работаем вместе до победы

Методы интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента

Диссертация: Методы интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Практическая ценность работы заключается в реализации предлагаемых методов в системах EcoSCADA, Data Quality Framework и апробация подходов на реальных объектах — зданиях различного типа в Бельгии и Голландии. Показано, что с использованием предложенных подходов повышение эффективности СЭМ достигает 20%. Главным результатом работы является повышение эффективности управления энергетическими… Читать ещё >

Содержание

  • ГЛАВА 1. Проблема поддержки принятия решения в системе энергетического менеджмента
    • 1. 1. Система энергетического менеджмента зданий
    • 1. 2. Формализация и классификация зданий как объектов потребителей энергии
    • 1. 3. Автоматизация мониторинга и измерение процессов и ключевых характеристик операций
      • 1. 3. 1. Системы сбора данных
      • 1. 3. 2. Классификация измеряемых данных
      • 1. 3. 3. Автоматизированные системы управления зданиями
    • 1. 4. Интеллектуальная поддержка при принятии управленческих решений в системах энергетического менеджмента
    • 1. 5. Результаты и
  • выводы по главе
  • ГЛАВА 2. Обзор подходов поддержки при принятии решений на основе интеллектуальной обработки данных
    • 2. 1. Обзор систем поддержки принятия решения
    • 2. 2. Модели и методы прогнозирования потребления электроэнергии и газа
    • 2. 3. Обзор оценок ошибок прогнозирования
      • 2. 3. 1. Абсолютные ошибки прогнозирования
      • 2. 3. 2. Процентные ошибки прогнозирования
      • 2. 3. 3. Симметричные ошибки прогнозирования
      • 2. 3. 4. Ошибки, основанные на оценке прогноза базовых моделей
      • 2. 3. 5. Масштабированные ошибки прогнозирования
      • 2. 3. 6. Относительные оценки
      • 2. 3. 7. Другие группы оценок
    • 2. 4. Подходы к выявлению выбросов в энергетических данных
    • 2. 5. Результаты и
  • выводы по главе
  • ГЛАВА 3. Разработка методов интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента
    • 3. 1. Методика интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента
    • 3. 2. Метод оценки энергетической результативности
    • 3. 3. Модели и методы интеллектуальной обработки данных
      • 3. 3. 1. Метод прогнозирования потребления электроэнергии в автоматическом режиме
      • 3. 3. 2. Метод прогнозирования потребления газа
      • 3. 3. 3. Метод идентификации выбросов в данных
    • 3. 4. Методы поддержки приятия решения
      • 3. 4. 1. Формирование отчетов со структурированной информацией для поддержки принятия решения
      • 3. 4. 2. Формирование управлений СКК в автоматическом режиме
    • 3. 5. Результаты и
  • выводы по главе
  • ГЛАВА 4. Реализация методики поддержки принятия решения в виде программного комплекса
    • 4. 1. Испытание предложенных моделей и методов интеллектуальной обработки данных и обоснование их эффективности
      • 4. 1. 1. Результаты испытания предлагаемого метода прогнозирования электроэнергии
      • 4. 1. 2. Результаты испытания метода прогнозирования потребления газа
      • 4. 1. 3. Испытание метода идентификации выбросов в данных
    • 4. 2. Архитектура системы поддержки принятия решения
    • 4. 3. Примеры расчета показателей энергетической эффективности
    • 4. 4. Экономическая эффективность предлагаемых решений
    • 4. 5. Результаты и
  • выводы по главе

Методы интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента (реферат, курсовая, диплом, контрольная)

Актуальность темы

Вопросы энергетической безопасности являются критическими для любой страны мира. В настоящее время наблюдается устойчивый рост потребления электроэнергии (см. отчеты [1]). При этом возрастающие риски техногенных катастроф приводят к закрытию генерирующих энергию объектов и к поиску новых источников энергии. В связи с этим, повышение энергетической эффективности и оптимального потребления энергии являются крайне актуальными задачами.

Для повышения энергетической эффективности в различных областях разрабатываются энергетические политики и реализуются мероприятия по энергосбережению. Такая система, объединяющая взаимосвязанные элементы, используемые для разработки и внедрения энергетической политики, процессов и процедур достижения энергетических целей получила название «система энергетического менеджмента» (или система энергоменеджмента, СЭМ) [2]. Однако существующие модели СЭМ носят обзорный характер и включают только общие рекомендации по заданию энергетических целей и планированию мероприятий энергетического менеджмента для их достижения.

При реализации СЭМ осуществляется процесс принятия решения (ППР) по выработке и реализации мероприятий направленных на достижение экономической результативности. Теоретические положения теории принятия решения и разработки систем поддержки принятия решения на основе интеллектуального анализа данных и зданий отражены в работах Петровского А. Б., Ларичева О. И., [3], Пупкова К. А. [4], Armstrong S. [5], Power D., [6], Bennet A., [7], Er M., Druzdzel M., Flynn R., [8] Holsapple C. [9], Averweg U. 10]. Следует отметить труды в области энергетики таких отечественных и зарубежных ученых как Вагин В. Н., Меламед A.M., Макоклюев Б. И., Baker A.B., Weron R., Taylor J.W., Espasa A, Deconinck G, Helsen L., Hyndman RJ и других [11, 12, 13, 14, 15].

Однако фактически задача принятия решения в СЭМ является трудноформализованной и слабоструктурированной и в связи с этим можно обозначить возникшую научно-техническую проблему поддержки при принятии управленческих решений в СЭМ.

Цели и задачи работы. Целью работы является повышение эффективности СЭМ, выражаемое в достижении энергетической результативности, а именно снижении расходов на потребление энергии при неизменном уровне комфорта или объеме выпускаемой продукции.

Для достижения поставленной цели были сформулированы следующие задачи.

1) Осуществить анализ системы энергетического менеджмента зданий и выде-лить проблемы, связанные с управлением энергетическими системами при достижении энергетических целей.

2) Формализовать процесс поддержки принятия решения в СЭМ, направленный на достижение формализованных энергетических целей.

3) Разработать методы интеллектуальной поддержки при принятии управленческих решений в СЭМ, учитывающие специфику предметной области: множественность объектов, плохие данные, реализация в режиме реального времени.

4) Реализовать математическое обеспечение систем интеллектуальной поддержки при принятии решения в системах энергоменеджмента зданий.

5) Испытать предлагаемые методы интеллектуальной обработки информации и оценить их эффективность.

Объектом исследования является система энергетического менеджмента зданий (СЭМЗ) различных типов.

Предмет исследования — методы поддержки при принятии управленческих решений в СЭМ на основе интеллектуальной обработки данных.

Гипотеза исследования — использование интеллектуальных моделей и методов обработки данных позволит повысить эффективность СЭМ зданий.

Научная новизна заключается в разработке методов интеллектуальной поддержки при принятии управленческих решений в системах энергетического менеджмента, включающих в себя:

1) метод оценок эффективности системы энергетического менеджмента на основе показателей энергетической результативности, позволяющий оценить качество принимаемых решений при управлении энергетическими системами;

2) метод автоматического прогнозирования потребления электроэнергии для множества зданий различных типов, включающий оригинальный алгоритм выбора модели прогнозирования на основе множества оценок ошибок прогнозирования;

3) метод прогнозирования потребления газа в зданиях, основанный на свертке данных и учитывающий различные внешние факторы, позволяющий снизить ошибки прогнозирования;

4) новый метод идентификации выбросов в данных, основанный на моделях прогнозирования и кластеризации данных, позволяющий идентифицировать выбросы различных типов.

Практическая ценность работы заключается в реализации предлагаемых методов в системах EcoSCADA, Data Quality Framework и апробация подходов на реальных объектах — зданиях различного типа в Бельгии и Голландии. Показано, что с использованием предложенных подходов повышение эффективности СЭМ достигает 20%.

Апробация. Основные положения и материалы диссертационной работы докладывались на международных научно-технических конференциях: Информационные технологии в образовании, технике и медицине: 21−24 сент. 2009 / ВолгГТУ, Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT+SE40). Майская сессия (Украина, Крым, Ялта-Гурзуф, 20−30 мая 2010 г.). Инновационные технологии в управлении, образовании, промышленности «АСТИНТЕХ-2010»: матер, междунар. науч. конф. (11−14 мая 2010 г.), Международный симпозиум по прогнозированию ISF’ll (Прага, Чехия, 2011), 13 и 14 международные конференции по информационной интеграции и веб-ориентированным приложениям и сервисам iiWAS-2012 (Вьетнам, Декабрь 2012), iiWAS-2013 (Бали, Индонезия, 2013), Применение искусственного интеллекта в инженерии и бизнесе, Жежуф-2012, 20−23 сентября 2012, Конгресс по интеллектуальным системам и информационным технологиями «IS&ITll» (Дивноморское, 2−9 сент. 2011 г.), Конгресс по интеллектуальным системам и информационным технологиями «IS&IT 12» (Дивноморское, 2−9 сент. 2012 г.), Геленджик. Положения диссертации докладывались на аспирантском семинаре в Католическом Университет г. Левен, Бельгия.

По теме диссертационной работы опубликовано 18 печатных работ [16−33], в том числе 6 публикаций в журналах, рекомендованных ВАК [16−21], 6 публикаций в иностранных изданиях (3 публикации проиндексировано в Scopus).

Личный вклад автора. Личный вклад автора заключается в постановке целей и формулировке задач исследований, разработки методов решения поставленных задач, анализе полученных данных и их интерпретации.

Структура и объём работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 112 наименований. Объём диссертации — 135 е., включая 72 рис., 18 таблиц.

ЗАКЛЮЧЕНИЕ

.

Главным результатом работы является повышение эффективности управления энергетическими системами в реальных зданиях, выражаемое в снижении расходов на потребление энергии до 20% при неизменном уровне комфорта. Получены следующие основные результаты.

1. Выполнен анализ системы энергетического менеджмента зданий и выделены проблемы, связанные с управлением СЭМ при достижении энергетических целей.

2. Формализован процесс поддержки принятия решения в СЭМ, направленный на достижение формализованных энергетических целей.

3. Разработаны методы интеллектуальной поддержки при принятии управленческих решений в СЭМ, учитывающие специфику предметной области.

4. Разработаны алгоритмы методов как математическое обеспечение систем интеллектуальной поддержки при принятии решения в системах энергетического менеджмента зданий.

Проведены испытания предлагаемых методов интеллектуальной поддержки принятия решений и оценена их эффективность в СЭМ.

Показать весь текст

Список литературы

  1. Carbon Monitoring for Action, CARMA Электронный ресурс. http://carma.org/
  2. Системы энергетического менеджмента Требования и руководство по применению ISO 50 001:2011.
  3. О. И., Петровский А. В. Системы поддержки принятия решений. Современное состояние и перспективы их развития. // Итоги науки и техники. Сер. Техническая кибернетика. — Т.21. М.: ВИНИТИ, 1987, с. 131—164
  4. К.А., Егупов Н. Д. Методы классической и современной теории автоматического управления. Учебник в 5-ти томах. 2-е изд., перераб. и доп / под ред. К. А. Пупкова и Н. Д. Егупова. М.: Изд-во МГТУ, 2004. — 616 с.
  5. , J. (2005). Forecasting for environmental decision making. Retrieved from http://papers.ssrn.com/sol3/papers.сfin?abstract id=:648 005
  6. , D. (2008). Decision support systems: A historical overview. Handbook on Decision Support Systems 1.
  7. , A., & Bennet, D. (2008). The Decision-Making Process for Complex Situations in a Complex Environment, 1−14.
  8. Marek J. Druzdzel and Roger R. Flynn Decision Support Systems // Decision Systems Laboratory School of Information Sciences and Intelligent Systems Program University of Pittsburgh, 2002 http://www.pitt.edu/~druzdzel/psfiles/dss.pdf
  9. , C. (2008). Decisions and Knowledge. Handbook on Decision Support Systems 1, (Cosgrove). Retrieved from http://www.springerlink.com/indcx/gl 82q711470w2510. pdf
  10. , U. R. (2009). Historical Overview of Decision Support Systems, 17 531 758.
  11. B.H. Знание в интеллектуальных системах // Новости искусственного интеллекта. 2002. № 6.
  12. М.А. Современные методы анализа и прогнозирования режимов электропотребления в электроэнергетических системах // Итоги науки и техники. -Сер. Энергетические системы и их автоматизация. 1988. — Т.4. — С. 4−11.
  13. . И. Анализ и планирование электропотребления // Издательство: Энергоатомиздат, ISBN 978−5-283−3 281−8- 2008 г.
  14. , J. W. (2008). An evaluation of methods for very short-term load forecasting using minute-by-minute British data. International Journal of Forecasting, 24(4), 645 658. doi: http.7/dx.doi.org/10.1016/j.ijforecast.2008.07.007
  15. Gooijer, J. G. De, & Hyndman, R. J. (2006). 25 years of time series forecasting. International Journal of Forecasting, 22(3), 443473. doi: http://dx.doi.org/l 0.1016/j.ijforecast.2006.01.001
  16. , В.А. Интеллектуальные системы автоматизации управления энергосбережением / В. А. Камаев, М. В. Щербаков, А. Бребельс // Открытое образование. 2011. — № 2. — С. 227−231.
  17. Методика выявления потенциала энергосбережения на основе интеллектуального анализа данных / М. В. Щербаков, Т. А. Яновский, А. Бребельс, H.JI. Щербакова // Прикаспийский журнал: управление и высокие технологии. -2011.-№ 2. -С. 51−55.
  18. Бребельс, A. Developing energy data management system = Разработка системы управления энергопотреблением / А. Бребельс, А. Блазовски, А. П. Тюков //
  19. Degree Days Understanding Heating and Cooling Degree Days http://www.degreedays.net/introduction
  20. Система сбора информации о потреблении электроэнергии ЭкоСкада Электронный ресурс. Режим доступа: http://www.ecoscada.com
  21. Perez-Lombard, L., Ortiz, J., & Pout, С. (2008). A review on buildings energy consumption information. Energy and Buildings, 40(3), 394−398. doi: 10.1016/j .enbuild.2007.03.007
  22. Cao, G. Y., Pietilainen, J., Vesanen, Т., Kauppinen, Т., Peltonen, J., & Komulainen, H. (2011). Development of a decision support system for proactive energy and maintenance management decisions. 7th International Symposium on Heating,
  23. Ventilating and Air Conditioning Proceedings of ISHVAC 2011 (Vol. 4, pp. 1153— 1158). Retrieved from http://www.scopus.com/inwai'd/rccord.url?eid:=2-s2.0−84 866 275 754&partncrID0&md5=fd7ceb89fl3d2b3a69dfb8f399d2c6c9
  24. Fukushima, K., Katou, M., Terasawa, S., & Nishikawa, N. (2012). Energy management system using ICT. NEC Technical Journal, 7(1), 87−91.
  25. Kerekes, L. ., & Csernatoni, Z.. (2012). Energy management systems (EnMs) -new step towards environmental oriented management. Quality Access to Success, 13(SUPPL. 2), 106−111.
  26. Anastasi, G., Corucci, F., & Marcelloni, F. (2011). An intelligent system for electrical energy management in buildings. International Conference on Intelligent Systems Design and Applications, ISDA (pp. 702−707).
  27. А.Б. Теория принятия решений М.: Издательский центр «Академия, 2009.
  28. , D., & Pervan, G. (2008). Eight key issues for the decision support systems discipline. Decision Support Systems, 44(3), 657−672.
  29. , A. (2007). Decision support systems (pp. 1−15).
  30. Li, Y., Zhou, X., Bruza, P., Xu, Y., & Lau, R. Y. K. (2012). A two-stage decision model for information filtering. Decision Support Systems, 52(3), 706−716. doi: 10.1016/j.dss.2011.11.005
  31. Chen, Y.-L., Wu, Y.-Y., & Chang, R.-I. (2012). From data to global generalized knowledge. Decision Support Systems, 52(2), 295−307. doi:10.1016/j.dss.2011.08.005
  32. Taylor, J. ., de Menezes, L. M., & McSharry, P. E. (2006). A Comparison of Univariate Methods for Forecasting Electricity Demand Up to a Day Ahead. International Journal of Forecasting, 22, 1−16.
  33. , N., & Keynia, F. (2008). Day ahead price forecasting of electricity markets by a mixed data model and hybrid forecast method. International Journal of Electrical Power & Energy Systems, 30(9), 533−546. doi:10.1016/j.ijepes.2008.06.001
  34. Micro-Request-Based Aggregation, Forecasting and Scheduling of Energy Demand, Supply and Distribution // Specific Targeted Research Project: 248 195 Work Package 4: Forecasting Leading partner: TUD 25th June, 2010
  35. , L. J., & Medeiros, M. C. (2008). Modeling and forecasting short-term electricity load: A comparison of methods with an application to Brazilian data. International Journal of Forecasting, 24(4), 630−644. doi:10.1016/j.ijforecast.2008.08.003
  36. , J. W., & Espasa, A. (2008). Energy forecasting. International Journal of Forecasting, 24(4), 561−565. doi: http://dx.doi.org/10.1016/j.ijforecast.2008.08.001
  37. Brabec, M., Konar, O., Pelikan, E., & Maly, M. (2008). A nonlinear mixed effects model for the prediction of natural gas consumption by individual customers. International Journal of Forecasting, 24(4), 659−678. doi. T0.1016/j.ijforecast.2008.08.005
  38. Box, G. E. P., & Jenkins, G. (1990). Time Series Analysis, Forecasting and Control. Holden-Day, Incorporated.
  39. , J. W. (2010). Exponentially weighted methods for forecasting intraday time series with multiple seasonal cycles. International Journal of Forecasting, 26(4), 627−646. doi: 10.1016/j.ijforecast.2010.02.009
  40. Amaral, L. F., Souza, R. C., & Stevenson, M. (2008). A smooth transition periodic autoregressive (STPAR) model for short-term load forecasting. International Journal of Forecasting, 24(4), 603−615. doi:10.1016/j.ijforecast.2008.08.006
  41. Bianco, V., Manca, O., & Nardini, S. (2009). Electricity consumption forecasting in Italy using linear regression models. Energy, 34(9), 1413−1421. doi:10.1016/j.energy.2009.06.034
  42. Goia, A., May, C., & Fusai, G. (2010). Functional clustering and linear regression for peak load forecasting. International Journal of Forecasting, 26(4), 700−711. doi:10.1016/j.ijforecast.2009.05.015
  43. Comparative models for electrical load forecasting: D.W. Bunn and E.D. Farmer, (Wiley, Belfast, 1985) pp. 232
  44. , N. (2007). Evolving Connectionist Systems (2nd ed., p. 451). Originally published in the Series: Perspectives in Neural Computing, Springer. Retrieved from http://www.spriiigerlink.com/content/978−1 -84 628−345- l#section:=327 219&page= 1
  45. , M. J. (2009). A decade of Kasabov’s evolving connectionist systems: a review. Trans. Sys. Man Cyber Part C, 39(3), 253−269. doi: 10.1109/TSMCC.2008.2 012 254
  46. Azadeh, a., Ghaderi, S. F., & Sohrablchani, S. (2007). Forecasting electrical consumption by integration of Neural Network, time series and ANOVA. Applied Mathematics and Computation, 186(2), 1753−1761. doi:10.1016/j.amc.2006.08.094
  47. Kusiak, A., Li, M., & Zhang, Z. (2010). A data-driven approach for steam load prediction in buildings. Applied Energy, 87(3), 925−933. doi: 10.1016/j .apenergy.2009.09.004
  48. , A. H., & Fiorelli, F. A. S. (2008). Comparison between detailed model simulation and artificial neural network for forecasting building energy consumption. Energy and Buildings, 40(12), 2169−2176. doi. T0.1016/j.enbuild.2008.06.013
  49. Rodrigues, P., Gama, J., & Sensors, C. (2007). Electricity load forecast using data streams techniques.. Workshop on Data Stream ., 131−147. Retrieved from https://w^vw.rocq.inria.fr/axis/modulad/archives/numero-36/Gama/Gama-slides 36. pdf
  50. Tso, G. K. F., & Yau, K. K. W. (2007). Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks. Energy, 32(9), 1761−1768. doi:10.1016/j.energy.2006.11.010
  51. Azadeh, a., Saberi, M., & Seraj, O. (2010). An integrated fuzzy regression algorithm for energy consumption estimation with non-stationary data: A case study of Iran. Energy, 35(6), 2351−2366. doi:10.1016/j.energy.2009.12.023
  52. Filik, U. B., Gerek, O. N., & Kurban, M. (2011). A novel modeling approach for hourly forecasting of long-term electric energy demand. Energy Conversion and Management, 52(1), 199−211. doi:10.1016/j.enconman.2010.06.059
  53. Lee, Y.-S., & Tong, L.-I. (2012). Forecasting nonlinear time series of energy consumption using a hybrid dynamic model. Applied Energy, 94, 251−256. doi:10.1016/j.apenergy.2012.01.063
  54. Li, D.-C., Chang, C.-J., Chen, C.-C., & Chen, W.-C. (2012). Forecasting short-term electricity consumption using the adaptive grey-based approach—An Asian case. Omega, 40(6), 767−773. doi:10.1016/j.omega.2011.07.007
  55. Pao, H. T. (2009). Forecasting energy consumption in Taiwan using hybrid nonlinear models. Energy, 34(10), 1438−1446. doi:10.1016/j.energy.2009.04.026
  56. , R. J., & Khandakar, Y. (2008). Automatic Time Series Forecasting: The forecast Package for R. Journal of Statistical Software, 27(3).
  57. , H., & Melard, G. (n.d.). Automatic ARIMA modelling, using TSE-AX. neural-forecasting-competition.com, 3−4. Retrieved fromhttp://www.neural-forecasting-competition.com/downloads/NN3/methods/23-NN3H NJIMI TSE-AX.pdf
  58. , J. S. (2001). Evaluating forecasting methods. Chapter 14 in Principles of forecasting: a handbook for researchers and practitioners. Norwell, {MA.}: Kluwer Academic Publishers.
  59. Armstrong J. S., Collopy F. Error measures for generalizing about forecasting methods: Empirical comparisons // International Journal of Forecasting. 1992. -№ 8(1). -P. 69−80.
  60. Yokuma J. T., Armstrong J. S. Beyond accuracy: Comparison of criteria used to select forecasting methods // International Journal of Forecasting. 1995. — № 11(4). -P. 591−597.
  61. , R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679−688. doi: http://dx.doi.org/10.1016/j .ijforecast.2006.03.001
  62. Theodosiou M. Forecasting monthly and quarterly time series using STL decomposition// International Journal of Forecasting. -2011. -№ 27(4). P. 1178−1195.
  63. Makridakis S. Accuracy measures: Theoretical and practical concerns // International Journal of Forecasting. 1993. — № 9. — P. 527- 529.
  64. Koehler A. B. The asymmetry of the sAPE measure and other comments on the M3-competition // International Journal of Forecasting. 2001. — № 17. — P. 570- 574.
  65. Kolassa S., Martin R. Percentage errors can ruin your day (and rolling the dice shows how) // Foresight. 2011. — Fall. — P. 21−27.
  66. Chen Z., Yang Y. Assessing Forecast Accuracy Measures. 2004. Электронный ресурс. — Режим доступа: http://www.stat.iastate.edu/preprint/articles/ 2004−10.pdf
  67. A. A., Boylan J. Е. The accuracy of intermittent demand estimates // International Journal of Forecasting. 2005. — № 21(2). — P. 303−314.
  68. Alzghoul A., Lofstrand M. Increasing availability of industrial systems through data stream mining // Comput. Ind. Eng. 2011. Vol. 60. № 2. pp. 195−205.
  69. Kriegel H.-P., Kroger P., Zimek A. Outlier Detection Techniques, Tutorial. 2010.
  70. Breunig, M. M., Kriegel, H.-P., Ng, R. Т., & Sander, J. LOF: Identifying Density-Based Local Outliers. SIGMOD Rec. 29, 2. 2000. pp. 93−104.
  71. Liua M. A. Novel Approach to Mining Local Outliers // Energy Procedia. 2011. Vol. 13. pp. 6332−6339.
  72. Grubbs F.E., Beck G. Extension of Sample Sizes and Percentage Points for Significance Tests of Outlying Observations // Technometrics. 1972. Vol. 14. № 4. C. 847−854.
  73. Arning A., Agrawal R., Raghavan P. Method for Deviation in Large Databases // Knowledge Discovery and Data Mining (KDD). Portland, OR. 1996. pp. 146−169.
  74. Tukey J. Exploratory Data Analysis. Addison-Wesley. 1977.
  75. Ruts I., Rousseeuw P.J. Computing depth contours of bivariate point clouds // Computational Statistics & Data Analysis. 1996. Vol. 23. № 1996. pp. 153−168.
  76. Knorr E.M., Ng R.T. Algorithms for Mining Distance-Based Outliers in Large Datasets // Proc. of the 24th International Conference on Very Large DataBases. New York, NY, USA. 1998.
  77. Wei X., Huang H., Tian S. A Grid-Based Clustering Algorithm for Network Anomaly Detection // Proceedings of the The First International Symposium on Data, Privacy, and E-Commerce. Washington, DC, USA: IEEE Computer Society. 2007. pp. 104−106.
  78. Jin, W., Tung, А. К. H., Han, J., & Wang, W. Ranking Outliers Using Symmetric Neighborhood Relationship. Pacific-Asia Conf. on Knowledge Discovery and Data Mining (PAKDD). Singapore. 2006.
  79. Papadimitriou S., Kitawaga H., Gibbons P.B. LOCI: Fast Outlier Detection Using the Local Correlation Integral // Proc. IEEE Int. Conf. on Data Engineering (ICDE). Hong Kong, China. 2002.
  80. Loureiro A., Torgo L., Soares C. Outlier Detection Using Clustering Methods: a data cleaning application // KDNet Symposium on Knowledge-based Systems for the Public Sector. Bonn. Germany. 2004.
  81. Zoubi B.A. An Effective Clustering-Based Approach for Outlier Detection // European Journal of Scientific Research. 2009. Vol. 28. № 2. pp. 310−316.
  82. Gu, X., Papadimitriou, S., Yu, P. S., & Chang, S.P. Online Failure Forecast for Fault-Tolerant Data Stream Processing // IEEE 24th International Conference on Data Engineering. 2008. pp. 1388−1390.
  83. Hill D.J., Minsker B.S. Anomaly detection in streaming environmental sensor data: A data-driven modeling approach // Environmental Modelling & Software. 2010. Vol. 25. № 9. pp. 1014−1022.
  84. De Veaux, R. D., Schweinsberg, J., Schumi, J., & Ungar, L. H. Prediction intervals for neural networks via nonlinear regression // Technometrics, 40(4). 1998. pp. 273−282.
  85. ГОСТ P ИСО 7730−2009 Эргономика термальной среды. Аналитическое определение и интерпретация комфортности теплового режима с использованием расчета показателей PMV и PPD и критериев локального теплового комфорта
  86. Smith R., Predictive Building Control. Insights from the Research Perspective Fachveranstaltung «Gesamtheitliche vorausschauende Gebaudeautomation» Allschwil, 20. September 2012
  87. US Patent No.: US 7,099,748 B2 of Aug. 29, 2006 (Ronald Richard Rayburn, Norman, Siemens Visonik: Optimum Start/Stop Program BPS (CM2N8892en / 02.2000)
  88. Concepts and Options for Determining Energy and Water Savings Volume 1: Prepared by Efficiency Valuation Organization www. cvo-world.org January 2012 EVO 10 000- 1:2012)
Заполнить форму текущей работой

Пора сдавать?