Veuillez utiliser cette adresse pour citer ce document : http://dspace1.univ-tlemcen.dz/handle/112/24881
Titre: La détection des anomalies dans la consommation d’électricité en utilisant des méthodes de détection des outliers
Auteur(s): Karzazi, Hayat
Larbaoui, Maghnia
Mots-clés: Apprentissage non supervisé, les réseaux de capteurs sans fil, Isolation Forest, One-Class SVM, K-Means, KNIME
Date de publication: 6-jui-2019
Editeur: University of tlemcen
Collection/Numéro: 317 Master info;
Résumé: Le but de ce projet est d’utiliser des méthodes de détection des anomalies dans les séries temporelles pour identifier les défaillances électriques et l’énergie gaspillée dans les bâtiments résidentiels. Dans ce contexte, nous avons utilisées trois méthodes issues de l’apprentissage non supervisé pour la détection des anomalies dans la consommation d’électricité dans les bâtiments. Ces méthodes sont : Isolation Forest, One-Class SVM et K-Means. Les résultats obtenus ont montré que chaque méthode estime une telle donnée comme anomalie ou non et que la méthode basée sur One-Class SVM a montré ses performances comparativement aux autres
URI/URL: http://dspace1.univ-tlemcen.dz/handle/112/24881
Collection(s) :Master RSD

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
La_detection_des_anomalies_dans_la_consommation_d_electricite_en_utilisant_des_methodes_de_detection_des_outliers.docx9 MBMicrosoft Word XMLVoir/Ouvrir


Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.