論文の概要: $E^3$: Visual Exploration of Spatiotemporal Energy Demand
- arxiv url: http://arxiv.org/abs/2006.09487v1
- Date: Tue, 16 Jun 2020 19:59:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-13 17:50:43.354095
- Title: $E^3$: Visual Exploration of Spatiotemporal Energy Demand
- Title（参考訳）: E^3$:時空間エネルギー需要のビジュアル探索
- Authors: Junqi Wu, Zhibin Niu, Jing Wu, Xiufeng Liu, Jiawan Zhang
- Abstract要約: エネルギー需要問題の鍵となる要素を同定する。
これまでの調査では需要の変化は調査されていない。
ポテンシャルフローに基づくアプローチは、エネルギー需要の変化をモデル化するために形式化された。
専門家は、サーバの実環境電気データのケーススタディを通じて、このアプローチの有用性を評価し、確認した。
- 参考スコア（独自算出の注目度）: 11.3457742898176
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding demand-side energy behaviour is critical for making efficiency
responses for energy demand management. We worked closely with energy experts
and identified the key elements of the energy demand problem including temporal
and spatial demand and shifts in spatiotemporal demand. To our knowledge, no
previous research has investigated the shifts in spatiotemporal demand. To fill
this research gap, we propose a unified visual analytics approach to support
exploratory demand analysis; we developed E3, a highly interactive tool that
support users in making and verifying hypotheses through human-client-server
interactions. A novel potential flow based approach was formalized to model
shifts in energy demand and integrated into a server-side engine. Experts then
evaluated and affirmed the usefulness of this approach through case studies of
real-world electricity data. In the future, we will improve the modelling
algorithm, enhance visualisation, and expand the process to support more forms
of energy data.
- Abstract（参考訳）: 需要側のエネルギー行動を理解することは、エネルギー需要管理の効率化に不可欠である。
我々は,エネルギー専門家と密接に連携し,時空間需要や時空間需要の変化を含むエネルギー需要問題の重要な要素を特定した。
我々の知る限り、時空間需要の変化に関する以前の研究は行われていない。
この研究ギャップを埋めるために、探索的需要分析を支援する統一的な視覚分析手法を提案し、人間-クライアント-サーバ間相互作用による仮説の作成と検証を支援する高度にインタラクティブなツールであるE3を開発した。
新たな電位フローに基づくアプローチが、エネルギー需要の変化をモデル化し、サーバサイドエンジンに統合された。
専門家は、実際の電気データのケーススタディを通じて、このアプローチの有用性を評価し、確認した。
将来的には、モデリングアルゴリズムを改善し、可視化を強化し、より多くの形態のエネルギーデータをサポートするようプロセスを拡張する。
関連論文リスト
- Exploring Artificial Intelligence Methods for Energy Prediction in
Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。
このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。
この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
論文 参考訳（メタデータ） (2023-11-27T13:30:20Z) - 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) - Stochastic MPC for energy hubs using data driven demand forecasting [4.033600628443366]
エネルギーハブは、複数の変換および記憶部品を介して異なるエネルギー入力を組み合わせることでエネルギー資源を変換し、分配する。
エネルギーハブの最適操作は、その柔軟性を利用してエネルギー効率を高め、運用コストを削減する。
本稿では,不確実な電力需要と熱需要に対するリスク制約を用いて,エネルギーコストを最小化するMPCコントローラを提案する。
論文 参考訳（メタデータ） (2023-04-24T20:24:07Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-14T18:51:22Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - Artificial Intelligence and Design of Experiments for Assessing Security
of Electricity Supply: A Review and Strategic Outlook [0.0]
エネルギーシステムの複雑さは エネルギーシステムのモデリングに 適切な方法を必要とする
データサイエンス分野の新しい手法は、現在の手法を加速するために必要である。
我々は、AI手法を用いた電源モデルの複雑なセキュリティのメタモデリングと、ストレージディスパッチと(非)可用性の予測のためのAIベースの手法の適用を同定する。
論文 参考訳（メタデータ） (2021-12-07T13:28:34Z) - Artificial Intelligence Based Prognostic Maintenance of Renewable Energy
Systems: A Review of Techniques, Challenges, and Future Research Directions [3.1123064748686287]
データ分析と機械学習(ML)技術は、これらの予後維持システムの全体的な効率を高めるために使われています。
本稿では,文献に報告されている予測/予測保守フレームワークの概要について述べる。
MLベースのソリューションの重要な側面として、ドメインで一般的に使用されるデータセットについても議論します。
論文 参考訳（メタデータ） (2021-04-20T11:41:00Z) - Energy Drain of the Object Detection Processing Pipeline for Mobile
Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。
我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文 参考訳（メタデータ） (2020-11-26T00:32:07Z) - AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the
Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of
BMS and Environmental Data [12.681421165031576]
建物における省エネルギーと二酸化炭素排出量削減は気候変動対策の鍵となる手段の一つである。
シラーシステムの電力消費の最適化は、機械工学と建築サービス領域で広く研究されてきた。
ビッグデータとAIの進歩により、最適化問題への機械学習の採用が人気を集めている。
論文 参考訳（メタデータ） (2020-10-09T09:51:03Z) - Towards a Peer-to-Peer Energy Market: an Overview [68.8204255655161]
本研究は, 電力市場を中心に, 現状と, プロシューマーによる分散型自己生成能力の増大傾向を比較した。
我々はP2P(Peer-to-Peer)エネルギー市場のための潜在的多層アーキテクチャを導入し、マイクログリッドの一部として、地域生産と地域消費の基本的な側面について議論する。
読者に全体像を示すため、スマートコントラクトやグリッド安定性といったエネルギー取引の関連要素についても精査する。
論文 参考訳（メタデータ） (2020-03-02T20:32:10Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。