Přejít k hlavnímu obsahu

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Stochastic model and optimum sampling interval of variables for environmental measurement systems
Autoři: Ezeora Obiora Sam | Heckenbergerová Jana | Musílek Petr
Rok: 2017
Druh publikace: článek ve sborníku
Název zdroje: Proceedings of the 18th International Scientific Conference on Electric Power Engineering, EPE 2017
Název nakladatele: IEEE (Institute of Electrical and Electronics Engineers)
Místo vydání: New York
Strana od-do: xx-xx
Tituly:
Jazyk Název Abstrakt Klíčová slova
cze Stochastický model a optimální délka samplování pro proměnné v environmentálním monitorovacím systému V inženýrství je běžné, aby se časově závislé proměnné modelovaly jako difúzní proces reprezentovaný stochastickými diferenciálními rovnicemi. Empirické datové soubory popisující časovou evoluci proměnných pomáhají při přesném odhadu parametrů stochastické diferenciální rovnice, která popisuje dynamický systém. V prezentované studii byla reálná environmentální data modelována pomocí lineárního stochastického modelu a byl zkoumán optimální vzorkovací interval. Získané výsledky se liší od hypotetického optima, které nebere v úvahu spotřebu energie.
eng Stochastic model and optimum sampling interval of variables for environmental measurement systems It is common in engineering to model time-dependent variables as diffusion process represented by stochastic differential equations. This is usually helpful when empirical datasets describing time evolution of variables are available. This helps in accurate estimation of parameters of the stochastic differential equation which describes the dynamic system. Additionally, it helps in characterization and determination of optimal performance of the system. The above have been conducted in this study using real environmental field data. Linear stochastic model was fitted to longitudinal datasets and optimum sampling interval investigated. A new method has been proposed for determination of optimum sampling interval. Results obtained differ from those of hypothetical optimum which do not take energy consumption into consideration. autoregressive; energy consumption; environmental variable; longitudinal data; sampling interval; stochastic time series