論文の概要: A Clustering Framework for Residential Electric Demand Profiles
- arxiv url: http://arxiv.org/abs/2105.08537v1
- Date: Mon, 17 May 2021 09:19:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 13:51:05.103819
- Title: A Clustering Framework for Residential Electric Demand Profiles
- Title（参考訳）: 家庭用電力需要プロファイルのクラスタリングフレームワーク
- Authors: Mayank Jain, Tarek AlSkaif, and Soumyabrata Dev
- Abstract要約: 本稿では,オランダのアムステルダム市に居住する世帯の電気需要プロファイルを分析した。
包括的なクラスタリングフレームワークは、電力消費パターンに基づいて世帯を分類するために定義される。
- 参考スコア（独自算出の注目度）: 2.294014185517203
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The availability of residential electric demand profiles data, enabled by the
large-scale deployment of smart metering infrastructure, has made it possible
to perform more accurate analysis of electricity consumption patterns. This
paper analyses the electric demand profiles of individual households located in
the city Amsterdam, the Netherlands. A comprehensive clustering framework is
defined to classify households based on their electricity consumption pattern.
This framework consists of two main steps, namely a dimensionality reduction
step of input electricity consumption data, followed by an unsupervised
clustering algorithm of the reduced subspace. While any algorithm, which has
been used in the literature for the aforementioned clustering task, can be used
for the corresponding step, the more important question is to deduce which
particular combination of algorithms is the best for a given dataset and a
clustering task. This question is addressed in this paper by proposing a novel
objective validation strategy, whose recommendations are then cross-verified by
performing subjective validation.
- Abstract（参考訳）: スマートメータインフラストラクチャの大規模展開によって実現された住宅用電気需要プロファイルデータの可用性により、消費電力パターンをより正確に分析することが可能になった。
本稿では,オランダのアムステルダム市に居住する世帯の電気需要プロファイルを分析した。
総合的なクラスタリングフレームワークは、電力消費パターンに基づいて家庭を分類するために定義される。
このフレームワークは、入力電力消費データの次元削減ステップと、縮小部分空間の教師なしクラスタリングアルゴリズムの2つの主要なステップで構成されている。
上記のクラスタリングタスクの文献で使用されているアルゴリズムは、対応するステップで使用できるが、より重要な疑問は、アルゴリズムの特定の組み合わせが与えられたデータセットとクラスタリングタスクに最適なかを推定することである。
本論文では,新たな客観的検証戦略を提案し,その提案を主観的検証によって相互に検証する。
関連論文リスト
- Rethinking Clustered Federated Learning in NOMA Enhanced Wireless
Networks [60.09912912343705]
本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。
データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。
非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
論文 参考訳（メタデータ） (2024-03-05T17:49:09Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳（メタデータ） (2024-02-03T19:00:19Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - A Hybrid SOM and K-means Model for Time Series Energy Consumption
Clustering [0.0]
本稿では、自己組織化マップとK平均クラスタリングという2つの強力な手法を統合することにより、毎月のエネルギー消費パターンを効果的にクラスタリングする新しい手法を提案する。
本研究の主な焦点は、ロンドンにおけるスマートメーターの時系列エネルギー消費データの選択である。
論文 参考訳（メタデータ） (2023-11-25T16:55:19Z) - A Machine Learning-Based Framework for Clustering Residential
Electricity Load Profiles to Enhance Demand Response Programs [0.0]
実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-31T11:23:26Z) - Impact of Load Demand Dataset Characteristics on Clustering Validation
Indices [1.5749416770494706]
需要プロファイルに基づく家庭のクラスタ化は、このような分析の主要な要素でありながら、重要な要素である。
様々なクラスタ検証指標 (CVI) が文献で提案されている。
本稿では,検証指標の推薦が,異なるデータ特性にどのように影響されているかを示す。
論文 参考訳（メタデータ） (2021-08-03T12:22:34Z) - 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) - Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。
我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
論文 参考訳（メタデータ） (2020-10-22T15:58:35Z) - Topology-based Clusterwise Regression for User Segmentation and Demand
Forecasting [63.78344280962136]
本研究は,パブリックおよび新規な商用データ集合を用いて,アナリストがユーザベースをクラスタリングし,詳細なレベルで需要を計画できることを示す。
本研究は,TDAに基づく時系列クラスタリングと行列因数分解法によるクラスタ回帰を実践者にとって実行可能なツールとして導入することを目的とする。
論文 参考訳（メタデータ） (2020-09-08T12:10:10Z) - Two-stage building energy consumption clustering based on temporal and
peak demand patterns [3.364554138758565]
本稿では,負荷形状の時間的パターンとピーク要求をより正確に把握する2段階クラスタリング手法を提案する。
第一段階では、大量のクラスターがエネルギー使用パターンの変動を正確に捉えることによって、負荷形状がクラスタ化される。
第2段階では、ダイナミック・タイム・ワープ(Dynamic Time Warping)を用いて、類似のセントロイドとパワー・マグニチュード・レンジのクラスタをマージする。
論文 参考訳（メタデータ） (2020-08-10T17:42:48Z) - Online Hierarchical Forecasting for Power Consumption Data [0.0]
本研究では、世帯の電力消費の予測と、そのサブ人口の予測について検討する。
私たちのアプローチは,機能生成,集約,投影という3つのステップで構成されています。
論文 参考訳（メタデータ） (2020-03-01T21:01:59Z)
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。