Детальная информация

The given work is devoted to developing intelligent adaptive control system that will use apply a windowed Gaussian normalisation algorithm to process data and emphasize local features that will aid base neural network model in learning trends for energy control. In this work to achieve purpose stated in the later we have set to achieve these goals: apply preprocessing techniques that will minimise noise effect on network performance; create an efficient localized normalisation instead on preprocessed to enhance neural network model performances; implement a multi-choice model control system that can adapt to time based changes by relearning user based priorities; evaluate model and deploy software solution. The data applied in testing the results of this algorithmic system developed was sourced from Pecan street electricity dataset and a sample hydraulic test rig sensor data both of which are which a public dataset for non-commercial. The graphical results presented in the later part of the work shows the performance of our implemented algorithm and shows its immense practical performance for improving existing neural network base models applied for energy control. Different technology design tools and software’s were utilized including python, KERAS TensorFlow and frameworks like DJANGO in designing the deployed application. This work will find use in systems where energy control needs to be implemented in fast method with good enough accuracy and can also serve as a basis for extending already operating intelligent control systems.

Работа сосредоточена на разработке интеллектуальной адаптивной системы управления, которая будет использовать алгоритм нормализации окна Гаусса для обработки данных и выделения локальных особенностей, которые помогут базовой модели нейронной сети в изучении тенденций для управления энергией. В работе для достижения указанной ниже цели мы поставили следующие задачи: применить методы предварительной обработки, которые минимизируют влияние шума на производительность сети; создать эффективную локализованную нормализацию вместо предварительной обработки для повышения производительности модели нейронной сети; реализовать систему управления моделью с несколькими вариантами выбора, которая может адаптироваться к изменениям на основе времени путем повторного изучения приоритетов пользователя; оценить модель и развернуть программное решение. Данные, примененные при тестировании результатов этой разработанной алгоритмической системы, были получены из набора данных по электроэнергии Pecan Street и образца данных датчика гидравлической испытательной установки, оба из которых являются общедоступными наборами данных для некоммерческого использования. Графические результаты, представленные в последней главе, показывают производительность нашего реализованного алгоритма и демонстрируют его практическую производительность в улучшении существующих базовых моделей нейронных сетей, применяемых для управления энергией. Эта работа найдет применение в системах, где управление энергопотреблением должно быть реализовано быстрым методом с достаточно хорошей точностью, а также может служить основой для расширения уже работающих интеллектуальных систем управления.

• TaskList for thesis 2025_Okoh.pdf
  • РЕФЕРАТ
• Title page 2025_Okoh_EN.pdf
  • РЕФЕРАТ
• Title page 2025_Okoh_RU.pdf
  • РЕФЕРАТ