論文の概要: Simulating Tariff Impact in Electrical Energy Consumption Profiles with Conditional Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2006.07115v1
• Date: Wed, 10 Jun 2020 08:05:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 05:26:32.351934
• Title: Simulating Tariff Impact in Electrical Energy Consumption Profiles with Conditional Variational Autoencoders
• Title（参考訳）: 条件変動オートエンコーダを用いた電力消費プロファイルにおける関税影響のシミュレーション
• Authors: Margaux Br\'eg\`ere and Ricardo J. Bessa
• Abstract要約: 本稿では,条件付き変分オートエンコーダ(CVAE)を用いて,消費者の日常消費プロファイルを生成する手法を提案する。 この方法の主な貢献は、生成した消費プロファイルにおけるリバウンドと副作用を再現する能力である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The implementation of efficient demand response (DR) programs for household electricity consumption would benefit from data-driven methods capable of simulating the impact of different tariffs schemes. This paper proposes a novel method based on conditional variational autoencoders (CVAE) to generate, from an electricity tariff profile combined with exogenous weather and calendar variables, daily consumption profiles of consumers segmented in different clusters. First, a large set of consumers is gathered into clusters according to their consumption behavior and price-responsiveness. The clustering method is based on a causality model that measures the effect of a specific tariff on the consumption level. Then, daily electrical energy consumption profiles are generated for each cluster with CVAE. This non-parametric approach is compared to a semi-parametric data generator based on generalized additive models and that uses prior knowledge of energy consumption. Experiments in a publicly available data set show that, the proposed method presents comparable performance to the semi-parametric one when it comes to generating the average value of the original data. The main contribution from this new method is the capacity to reproduce rebound and side effects in the generated consumption profiles. Indeed, the application of a special electricity tariff over a time window may also affect consumption outside this time window. Another contribution is that the clustering approach segments consumers according to their daily consumption profile and elasticity to tariff changes. These two results combined are very relevant for an ex-ante testing of future DR policies by system operators, retailers and energy regulators.
• Abstract（参考訳）: 家庭用電力消費に対する効率的な需要応答(DR)プログラムの実装は、異なる関税体系の影響をシミュレートできるデータ駆動方式の恩恵を受けるだろう。 本稿では,外因性気象とカレンダー変数を組み合わせた電気関税プロファイルから,異なるクラスタに区切られた消費者の日常消費プロファイルを生成するための,条件付き変分オートエンコーダ(CVAE)に基づく新しい手法を提案する。 まず、多数の消費者が消費行動と価格対応に応じてクラスタに集まります。 クラスタリング法は、特定の関税が消費水準に与える影響を測定する因果性モデルに基づいている。 そして、CVAEを用いたクラスタ毎に、毎日の電力消費プロファイルを生成する。 この非パラメトリックなアプローチは、一般化された加法モデルに基づく半パラメトリックデータジェネレータと比較され、エネルギー消費の事前知識を使用する。 公開データセットにおける実験により,提案手法は,原データの平均値を生成する際に,半パラメトリック値と同等の性能を示すことを示した。 この新しい手法の主な貢献は、生成した消費プロファイルにおけるリバウンドおよび副作用を再現する能力である。 実際、特別な電気料金の適用は、この時間窓の外の消費にも影響を及ぼす可能性がある。 もう1つの貢献は、クラスタリングアプローチが消費者を日々の消費プロファイルと関税変更に対する弾力性に応じてセグメント化することである。 これらの2つの結果は、システムオペレーター、小売業者、エネルギー規制当局による将来のDRポリシーのテストに非常に関係している。

関連論文リスト

• Differentially Private Publication of Electricity Time Series Data in Smart Grids [8.87717126222646]
  地理的地域における電力消費の時系列は、消費者の行動研究やエネルギー政策決定の指針となる貴重なデータ源である。 しかし、そのようなデータの公開は、個人の習慣やライフスタイルに関する繊細な詳細を明らかにする可能性があるため、重要なプライバシー問題を引き起こす。 本稿では,DP 準拠の電力消費データ公開のための新手法である EmT (S Private Timeseries) を紹介する。
  論文  参考訳（メタデータ） (2024-08-24T23:30:09Z)
• Occupancy Detection Based on Electricity Consumption [0.0]
  本稿では、低周波電力消費データから住宅が空き時間帯を抽出する新しい手法を提案する。 これは、シミュレーションおよび実消費曲線の両方において、励まされる結果を示す。
  論文  参考訳（メタデータ） (2023-12-13T21:49:09Z)
• Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
  Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。 SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。 本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
  論文  参考訳（メタデータ） (2023-11-15T23:23:42Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Targeted demand response for flexible energy communities using clustering techniques [2.572906392867547]
  目的は、イタリアの分散エネルギーコミュニティにおける消費者の消費行動を変えることである。 一般的な3つの機械学習アルゴリズム、すなわちk-means、k-medoids、集約クラスタリングが採用されている。 本研究で提案される新しい指標,すなわちピークパフォーマンススコア(PPS)を含む複数の指標を用いた手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-01T02:29:30Z)
• PerAda: Parameter-Efficient Federated Learning Personalization with Generalization Guarantees [95.87604231887353]
  既存のpFL手法は高い通信コストと計算コストをもたらすか、テスト通信に弱い。 PerAdaではパラメータ蒸留とpFL pFLが特に試験時間分布において優れた性能を示す。 私たちのコードはhttps://github.com/NV/PerAda.comで公開されています。
  論文  参考訳（メタデータ） (2023-02-13T19:00:37Z)
• Decision-making Oriented Clustering: Application to Pricing and Power Consumption Scheduling [61.062312682535755]
  本稿では、意思決定指向クラスタリングの枠組みを定式化し、データ空間の判断に基づく分割と適切な代表決定を提供するアルゴリズムを提案する。 この新しいフレームワークとアルゴリズムを、リアルタイム価格と消費電力スケジューリングの典型的な問題に適用することにより、洞察に富んだ分析結果を得る。
  論文  参考訳（メタデータ） (2021-06-02T08:41:04Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• Energy consumption forecasting using a stacked nonparametric Bayesian approach [3.4449150144113254]
  複数の時系列データを用いて家庭のエネルギー消費を予測する方法について検討する。 我々は,各タスクに適用された各GPの予測後部を,次のレベルGPの事前および可能性に使用するスタック型GP法を構築する。 いくつかの州にまたがるオーストラリアの世帯のエネルギー消費を予測するために,我々のモデルを実世界のデータセットに適用した。
  論文  参考訳（メタデータ） (2020-11-11T02:27:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。