Artificial Intelligence supported Power Quality Prediction and Mitigation
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format PDF protégé est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
- Non compatible avec un achat hors France métropolitaine
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- Nombre de pages194
- FormatPDF
- ISBN978-3-7583-9059-3
- EAN9783758390593
- Date de parution29/12/2023
- Protection num.Adobe DRM
- Taille41 Mo
- Infos supplémentairespdf
- ÉditeurBooks on Demand
Résumé
This thesis introduces a fully data driven approach for the prediction and optimization of critical electrical grid states due to poor power quality. Therefore, a nonvolatile memory model for time series forecasting, designed to profit especially from big data bases and complex pattern use cases as well as an Artificial Intelligence based Smart Demand Side Management framework to enable system inherent resources / components for minimization of harmonic disturbances is applied to measured power grid scenarios.
This thesis introduces a fully data driven approach for the prediction and optimization of critical electrical grid states due to poor power quality. Therefore, a nonvolatile memory model for time series forecasting, designed to profit especially from big data bases and complex pattern use cases as well as an Artificial Intelligence based Smart Demand Side Management framework to enable system inherent resources / components for minimization of harmonic disturbances is applied to measured power grid scenarios.