論文の概要: Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data
- arxiv url: http://arxiv.org/abs/2102.11027v1
- Date: Tue, 16 Feb 2021 16:56:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-05 00:39:44.960462
- Title: Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data
- Title（参考訳）: スマートメータデータの日々の負荷形状クラスタリングによる住宅エネルギー利用パターンの変動要因の検討
- Authors: Ling Jin, C. Anna Spurlock, Sam Borgeson, Alina Lazar, Daniel Fredman,
Annika Todd, Alexander Sim, Kesheng Wu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 53.51471969978107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Residential customers have traditionally not been treated as individual
entities due to the high volatility in residential consumption patterns as well
as a historic focus on aggregated loads from the utility and system feeder
perspective. Large-scale deployment of smart meters has motivated increasing
studies to explore disaggregated daily load patterns, which can reveal
important heterogeneity across different time scales, weather conditions, as
well as within and across individual households. This paper aims to shed light
on the mechanisms by which electricity consumption patterns exhibit variability
and the different constraints that may affect demand-response (DR) flexibility.
We systematically evaluate the relationship between daily time-of-use patterns
and their variability to external and internal influencing factors, including
time scales of interest, meteorological conditions, and household
characteristics by application of an improved version of the adaptive K-means
clustering method to profile "household-days" of a summer peaking utility. We
find that for this summer-peaking utility, outdoor temperature is the most
important external driver of the load shape variability relative to seasonality
and day-of-week. The top three consumption patterns represent approximately 50%
of usage on the highest temperature days. The variability in summer load shapes
across customers can be explained by the responsiveness of the households to
outside temperature. Our results suggest that depending on the influencing
factors, not all the consumption variability can be readily translated to
consumption flexibility. Such information needs to be further explored in
segmenting customers for better program targeting and tailoring to meet the
needs of the rapidly evolving electricity grid.
- Abstract（参考訳）: 住宅の顧客は伝統的に、住宅の消費パターンのボラティリティが高く、ユーティリティやシステムフィーダの観点から集約された負荷に歴史的に焦点が当てられているため、個別の実体として扱われていない。
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り、さまざまな時間スケール、気象条件、さらには各家庭内および各家庭における重要な異質性を明らかにする可能性がある。
本稿では,電力消費パターンが変動を示すメカニズムと,需要応答(DR)の柔軟性に影響を及ぼす可能性のある制約を明らかにすることを目的とする。
提案手法を改良した適応型k-meansクラスタリング法を用いて, 夏季ピークユーティリティの"ハウスホールドデイ"をプロファイリングし, 興味の時間尺度, 気象条件, 世帯特性を含む外的および内的影響要因との関係を体系的に評価した。
この夏型のユーティリティーでは、屋外の温度が季節性や週ごとの負荷形状の変化の最も重要な外部要因であることが分かっています。
上位3つの消費パターンは、最高気温の日の使用量の約50%を表している。
夏季の負荷形態の変動は、家庭の温度に対する応答性によって説明できる。
その結果, 影響要因によっては, 消費の変動が容易に消費の柔軟性に変換できるわけではないことが示唆された。
このような情報は、急速に進化する電力網のニーズを満たすために、より良いプログラムターゲティングと調整のために顧客をセグメント化する上で、さらに検討する必要がある。
関連論文リスト
- AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳（メタデータ） (2024-02-21T12:23:09Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Continually learning out-of-distribution spatiotemporal data for robust
energy forecasting [10.47725405370935]
エネルギー利用は持続可能性の向上と廃棄物の削減に不可欠である。
異常期間におけるエネルギー利用予測は、占有パターンの変化とエネルギー利用行動のために困難である。
オンライン学習はこの課題に対する有望な解決策として浮上した。
提案手法の有効性を検証するために, 6棟の建物からのデータを用いて実験を行った。
論文 参考訳（メタデータ） (2023-06-10T09:12:10Z) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳（メタデータ） (2022-10-02T06:58:49Z) - Comparison of Forecasting Methods of House Electricity Consumption for
Honda Smart Home [0.0]
電力消費予測は家庭用エネルギー管理システムの開発を可能にする。
建物のエネルギー性能は、環境温度、湿度、各種電気機器などの多くの要因に影響を受けている。
Honda Smart Home USデータセットは、予測エラーを最小化する3つの方法を比較するために選択された。
論文 参考訳（メタデータ） (2022-08-11T19:04:41Z) - Comparative Analysis of Time Series Forecasting Approaches for Household
Electricity Consumption Prediction [3.7458346891274013]
データマイニングツールであるWekaを使用して、まず、Kaggleのデータサイエンスコミュニティから利用可能な、時間給と日給のエネルギー消費データセットのモデルを適用します。
第2に,大韓民国選択世帯の世帯エネルギー消費を天気データと無気象データを用いて予測するために,時系列予測モデルであるARIMAとVARをピソンに導入した。
以上の結果から,エネルギー消費予測の最良の方法は,多層パーセプトロンとガウスプロセス回帰に続く支持ベクトル回帰であることがわかった。
論文 参考訳（メタデータ） (2022-07-03T12:16:54Z) - Autoformer: Decomposition Transformers with Auto-Correlation for
Long-Term Series Forecasting [68.86835407617778]
Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。
長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
論文 参考訳（メタデータ） (2021-06-24T13:43:43Z) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳（メタデータ） (2020-11-19T09:53:27Z) - Simulating Tariff Impact in Electrical Energy Consumption Profiles with
Conditional Variational Autoencoders [0.0]
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。
論文 参考訳（メタデータ） (2020-06-10T08:05:35Z)
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。