Поиск по сайту


   
Дополнительные параметры поиска

Результаты поиска ( Сортировать по релевантности | Отсортировано по дате )


Использование методов машинного обучения при оценке надёжности электроэнергетических систем методом Монте-Карло

Бояркин Д.А., Крупенев Д.С., Якубовский Д.В. Использование методов машинного обучения при оценке надёжности электроэнергетических систем методом Монте-Карло // Вестник ЮУрГУ. Серия «Математическое моделирование и программирование». Т.11. №4. 2018. C.146-153. DOI: 10/14529/mmp18041 В статье рассматривается вопрос повышения вычислительной эффективности процедуры оценки балансовой надежности электроэнергетических систем при использовании метода статистических испытаний (метод Монте-Карло). При использовании...

Теги: электроэнергетические системы , оценка надежности , метод монте-карло , машинное обучение , electric power systems , adequacy assessment , monte carlo method , machine learning
Раздел: ИСЭМ СО РАН
Machine learning in electric power systems adequacy assessment using Monte-Carlo method

Boyarkin D.A., Krupenev D.S., Iakubovskii D.V. Machine learning in electric power systems adequacy assessment using Monte-Carlo method // Bulletin of the South Ural State University, Series: Mathematical Modelling, Programming and Computer Software. Vol.11. No.4. 2018. P.146-153. DOI: 10.14529/mmp180411 The article considers the question ...

Теги: adequacy assessment , electric power systems , machine learning , monte carlo method
Раздел: ИСЭМ СО РАН
Machine learning in electric power systems adequacy assessment using Monte-Carlo method

Boyarkin D.., Krupenev D.S., Iakubovskiy D.., Sidorov D.N. Machine learning in electric power systems adequacy assessment using Monte-Carlo method // Proceedings - 2017 International Multi-Conference on Engineering, Computer and Information Sciences, SIBIRCON 2017. ID: 8109871. P.201-205. ISBN (print): 9781538615966. DOI: 10.1109/SIBIRCON.2017.8109871 ...

Теги: adequacy assessment , electric power systems , machine learning , monte carlo method , random forest , support vector machine , artificial intelligence , computational efficiency , decision trees , efficiency , learning systems , problem solving , support vector mach
Раздел: ИСЭМ СО РАН


Телефоны

основной    +7(3952) 500-646
приемная    +7(3952) 42-47-00
факс     +7(3952) 42-67-96
Смотреть справочник