数据结构
网络
关系数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
时尚研究
法律研究CRISP-DM 的应用是什么？
跨行业标准数据挖掘流程 (CRISP-DM) 被认为是一种进一步标准化 M&V 方法论的方法，并允许更有效地估算节能效果。CRISP-DM 有多种应用，如下所示：
业务理解 - 选择一家生物医学制造工厂作为案例研究，以创建将 DM 应用于帮助 M&V 的可行性。对所分析业务的质量理解对于在流程的建模和评估阶段执行结果至关重要。这是通过进行流程贯穿、学习流程流程图和管道和仪表图来实现的。
从这一阶段需要了解分析边界内的系统，并且与工厂的工程团队一起了解了一些更多的问题。分析的边界是整个制造工厂的电力消耗。
数据理解 - CRISP-DM 参考模型的数据理解过程是通过调查工厂的数据技术基础设施来完成的。了解了能源消耗数据的流动以及保存它的数据库。
数据准备 - 能源消耗数据由于计量功能而难以计算。累积仪表用于电能，因此应在输出的数据上完成预处理。在所调查的案例中，这是在输出给用户之前实现的。
但是，无论如何预先清理数据，数据集中仍然存在异常值，因为预先清理过程并未消除所有异常。因此，数据准备阶段用于消除交付给用户的集中数据集中的一些剩余异常值。
两个数据源用于收集分析现场所有电力消耗者所需的数据 - 能源管理应用程序和风力涡轮机管理应用程序。
现场消耗的电能由累积千瓦时 (kWh) 仪表计算。此数据的预处理包括检测由仪表错误产生的异常值，并将数据从 kWh 转换为千瓦 (kW) 的平均电力负荷。需要第二步以相同格式和单位分析一些数据。
建模 - 数据准备过程输出的数据集作为已实现数据清理的结果，采用了一种干净且功能性的格式。为了本案例研究的目标，压缩空气负荷是选择的要建模的数量，因为它是最适合体现可用能源数据能力的变量。
当在高级别考虑负载时，与现场其他基本能源用户之间没有明确且明显的相关性。由于供应计划和标准操作流程的存在，其他基本能源用户更具可预测性。
398 次查看
