CCL

Összesen 3 találat.
#/oldal:
Részletezés:
Rendezés:

1.

001-es BibID:BIBFORM082870
035-os BibID:(WoS)000777322800001 (Scopus)85078301849
Első szerző:Ghori, Khawaja Moyeezullah (informatikus)
Cím:Performance analysis of machine learning classifiers for non-technical loss detection / Khawaja MoyeezUllah Ghori, Muhammad Imran, Asad Nawaz, Rabeeh Ayaz Abbasi, Ata Ullah, Laszlo Szathmary
Dátum:2020
ISSN:1868-5137 1868-5145
Tárgyszavak:Természettudományok Matematika- és számítástudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:Journal of Ambient Intelligence and Humanized Computing. - [Epub ahead of print] (2020), p. 1-16. -
További szerzők:Imran, Muhammad (1981-) (informatikus) Nawaz, Asad Abbasi, Rabeeh Ayaz Ullah, Ata Szathmáry László (1977-) (programtervező-informatikus)
Pályázati támogatás:EFOP-3.6.1-16-2016-00022
EFOP
Internet cím:DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:

2.

001-es BibID:BIBFORM082862
035-os BibID:(Scopus)85083522586
Első szerző:Ghori, Khawaja Moyeezullah (informatikus)
Cím:Impact of Feature Selection on Non-Technical Loss Detection / Khawaja MoyeezUllah Ghori, Rabeeh Ayaz Abbasi, Muhammad Awais, Muhammad Imran, Ata Ullah, Laszlo Szathmary
Dátum:2020
ISBN:978-1-7281-2746-0
Tárgyszavak:Természettudományok Matematika- és számítástudományok előadáskivonat
könyvrészlet
Megjelenés:6th Conference on Data Science and Machine Learning Applications. - p. 19-24. -
További szerzők:Abbasi, Rabeeh Ayaz Awais, Muhammad Imran, Muhammad (1981-) (informatikus) Ullah, Ata Szathmáry László (1977-) (programtervező-informatikus)
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
DOI
Borító:

3.

001-es BibID:BIBFORM082861
035-os BibID:(WoS)000524745100014 (Scopus)85077292469
Első szerző:Ghori, Khawaja Moyeezullah (informatikus)
Cím:Performance Analysis of Different Types of Machine Learning Classifiers for Non-Technical Loss Detection / Khawaja Moyeezullah Ghori, Rabeeh Ayaz Abbasi, Muhammad Awais, Muhammad Imran, Ata Ullah, Laszlo Szathmary
Dátum:2020
ISSN:2169-3536
Megjegyzések:With the ever-growing demand of electric power, it is quite challenging to detect and prevent Non-Technical Loss (NTL) in power industries. NTL is committed by meter bypassing, hooking from the main lines, reversing and tampering the meters. Manual on-site checking and reporting of NTL remains an unattractive strategy due to the required manpower and associated cost. The use of machine learning classifiers has been an attractive option for NTL detection. It enhances data-oriented analysis and high hit ratio along with less cost and manpower requirements. However, there is still a need to explore the results across multiple types of classifiers on a real-world dataset. This paper considers a real dataset from a power supply company in Pakistan to identify NTL. We have evaluated 15 existing machine learning classifiers across 9 types which also include the recently developed CatBoost, LGBoost and XGBoost classifiers. Our work is validated using extensive simulations. Results elucidate that ensemble methods and Artificial Neural Network (ANN) outperform the other types of classifiers for NTL detection in our real dataset. Moreover, we have also derived a procedure to identify the top-14 features out of a total of 71 features, which are contributing 77% in predicting NTL. We conclude that including more features beyond this threshold does not improve performance and thus limiting to the selected feature set reduces the computation time required by the classifiers. Last but not least, the paper also analyzes the results of the classifiers with respect to their types, which has opened a new area of research in NTL detection.
Tárgyszavak:Természettudományok Informatikai tudományok idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
Megjelenés:IEEE Access. - 8 (2020), p. 16033-16048. -
További szerzők:Abbasi, Rabeeh Ayaz Awais, Muhammad Imran, Muhammad (1981-) (informatikus) Ullah, Ata Szathmáry László (1977-) (programtervező-informatikus)
Pályázati támogatás:EFOP-3.6.3-VEKOP-16-2017-00002
EFOP
Internet cím:Intézményi repozitóriumban (DEA) tárolt változat
Szerző által megadott URL
DOI
Borító:
Rekordok letöltése1