Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://hdl.handle.net/11701/11541
Полная запись метаданных
Поле DCЗначениеЯзык
dc.contributor.advisorКондратьев Алексей Юрьевичru_RU
dc.contributor.authorБакутеев Антон Николаевичru_RU
dc.contributor.authorBakuteev Antonen_GB
dc.contributor.editorПетросян Леон Аганесовичru_RU
dc.contributor.editorPetrosian Leon Аgаnesovichen_GB
dc.date.accessioned2018-07-25T20:34:27Z-
dc.date.available2018-07-25T20:34:27Z-
dc.date.issued2017-
dc.identifier.other015443en_GB
dc.identifier.urihttp://hdl.handle.net/11701/11541-
dc.description.abstractПервая часть работы посвящена оптимизации ценовой политики водоснабжающего предприятия для уменьшения высоты ежедневного пика потребления. В работе предлагается теоретико-игровая модель, где игроки – потребители и водоснабжающая компания. Стратегии потребителей – это их расписания запуска приборов. Стратегия водоснабжающей компании – тариф, зависящий от времени дня. В частном случае представлено решение в явном виде. Для общего случая предлагается алгоритм формирования тарифов, позволяющий снизить пиковую нагрузку до 30%. Вторая часть работы посвящена потреблению воды для неавтоматизированных приборов учета воды. Для этого используется информация о доме, показания каналов ручного ввода и показания автоматизированных приборов учета. При помощи композиций методов машинного обучения и нейронных сетей обеспечивается точность прогноза до 25%.ru_RU
dc.description.abstractThe first part of this work is about water peak demand problem. We formulate water consumption game, where the players are the users and their strategies are the daily schedules of their household appliances. The goal of users is to reduce water bill. It is assumed that the utility company can change pricing tariffs to reduce peak demand. We provide solutions in special cases and propose peak reduction algorithm in general case. With help of computer modelling we show that in general case our algorithm provides up to 30% peak demand reduction. The second part is about the forecasting of water consumption forecasting for non-automated meters. We use information about the premise, manual register reads and consumptions for automated meters. With the help of the composition of machine-learning algorithms and neural networks, we provide the accuracy up to 25%.en_GB
dc.language.isoru-
dc.subjectтеория игрru_RU
dc.subjectмашинное обучениеru_RU
dc.subjectуправление спросомru_RU
dc.subjectпрогноз потребленияru_RU
dc.subjectнейронные сетиru_RU
dc.subjectдезагрегирование потребленияru_RU
dc.subjectводоснабжениеru_RU
dc.subjectснижение пикаru_RU
dc.subjectgame theoryen_GB
dc.subjectmachine learningen_GB
dc.subjectdemand managementen_GB
dc.subjectconsumption forecastingen_GB
dc.subjectneural networksen_GB
dc.subjectconsumption disaggregationen_GB
dc.subjectwater supplyen_GB
dc.subjectpeak reductionen_GB
dc.titleGame theory applications to water supply systemsen_GB
dc.title.alternativeПриложения теории игр к системам водоснабженияru_RU
Располагается в коллекциях:MASTER'S STUDIES



Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.