دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: انرژی ویرایش: نویسندگان: Sean Patrick Murphy سری: ISBN (شابک) : 9781491951040 ناشر: O’Reilly سال نشر: 2016 تعداد صفحات: 40 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 4 مگابایت
در صورت تبدیل فایل کتاب Data and Electric Power: From Deterministic Machines to Probabilistic Systems in Traditional Engineering به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب داده ها و نیروی الکتریکی: از ماشین های قطعی گرفته تا سیستم های احتمالی در مهندسی سنتی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
مهندسی سنتی مبتنی بر دنیایی از دانش و قوانین علمی است، با اجزا و سیستم هایی که به طور قابل پیش بینی عمل می کنند. اما چه اتفاقی می افتد که تعداد زیادی از این دستگاه ها به هم متصل شوند؟ شما یک سیستم پیچیده دریافت می کنید که دیگر قطعی نیست، بلکه احتمالی است. این امر امروزه در بسیاری از صنایع از جمله تولید، نفت، حمل و نقل و انرژی اتفاق می افتد. در این گزارش اوریلی، شان پاتریک مورفی، دانشمند ارشد داده در PingThings، توضیح میدهد که چگونه علم داده به شرکتهای برق کمک میکند تا دنیای تصادفی پر از عدم قطعیت فزاینده را درک کنند - از جمله تغییرات اساسی در بازار انرژی و پدیدههای تصادفی مانند آب و هوا و فعالیت خورشیدی مورفی همچنین چندین ابزار پیشرفته را برای ذخیرهسازی و پردازش دادههای بزرگ که در کارش با ابزارهای برق استفاده میکند، مرور میکند - ابزارهایی که میتوانند به مهندسان سنتی کمک کنند تا رویکردی مبتنی بر داده را در بسیاری از صنایع دنبال کنند. موضوعات این گزارش عبارتند از: - محرک های کلیدی که شبکه برق را از یک ماشین قطعی به سیستم احتمالی تغییر داده اند. - تفاوت های اساسی که مهندسی سنتی و علم داده را در تضاد با یکدیگر قرار می دهد. - چرا زمان مناسب برای سازمان های مهندسی برای اتخاذ یک رویکرد داده محور کامل است. - ابزارهای معاصری که مهندسان سنتی می توانند برای ذخیره و پردازش داده های بزرگ استفاده کنند. - مطالعه موردی PingThings برای مقابله با اختلالات ژئومغناطیسی تصادفی در شبکه انرژی.
Traditional engineering is built upon a world of knowledge and scientific laws, with components and systems that operate predictably. But what happens when a large number of these devices are interconnected? You get a complex system that’s no longer deterministic, but probabilistic. That’s happening today in many industries, including manufacturing, petroleum, transportation, and energy. In this O’Reilly report, Sean Patrick Murphy, Chief Data Scientist at PingThings, describes how data science is helping electric utilities make sense of a stochastic world filled with increasing uncertainty—including fundamental changes to the energy market and random phenomena such as weather and solar activity. Murphy also reviews several cutting-edge tools for storing and processing big data that he’s used in his work with electric utilities—tools that can help traditional engineers pursue a data-driven approach in many industries. Topics in this report include: - Key drivers that have changed the electric grid from a deterministic machine into probabilistic system. - Fundamental differences that put traditional engineering and data science at odds with one another. - Why the time is right for engineering organizations to adopt a complete data-driven approach. - Contemporary tools that traditional engineers can use to store and process big data. - A PingThings case study for dealing with random geomagnetic disturbances to the energy grid.
Data and Electric Power Introduction Metamorphosis to a Probabilistic System Integrating Data Science into Engineering From Deterministic Cars to Probabilistic Waze A Deterministic Grid Moving Toward a Stochastic System Stochastic Perturbances to the Grid Probabilistic Demand Traditional Engineering versus Data Science What Is Engineering? What Is Data Science? Why Are These Two at Odds? The Data Is the Model Understanding Data and the Engineering Organization The Value of Data Contemporary Big Data Tools for the Traditional Engineer Contemporary Data Storage Time Series Databases (TSDB) Processing Big Data Geomagnetic Disturbances—A Case Study of Approaches A Little Space Science Background Questioning Assumptions Solutions Conclusion