論文の概要: Predicting Levels of Household Electricity Consumption in Low-Access
Settings
- arxiv url: http://arxiv.org/abs/2112.08497v1
- Date: Wed, 15 Dec 2021 21:42:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 14:17:31.084573
- Title: Predicting Levels of Household Electricity Consumption in Low-Access
Settings
- Title（参考訳）: 低アクセス環境における家庭用電力消費量の予測
- Authors: Simone Fobi, Joel Mugyenyi, Nathaniel J. Williams, Vijay Modi and Jay
Taneja
- Abstract要約: 我々は、実用紙幣のサンプルを用いて、昼間の電化衛星画像に対して畳み込みニューラルネットワーク(CNN)を訓練する。
ビルレベルでは, 競争力のある精度が達成できることを示し, 消費変動の課題に対処する。
結果は、ケニアの個々の構造レベルでの粒度の予測を通じて、すでにサイトの選択と配布レベルの計画に役立っている。
- 参考スコア（独自算出の注目度）: 0.05727060643816256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In low-income settings, the most critical piece of information for electric
utilities is the anticipated consumption of a customer. Electricity consumption
assessment is difficult to do in settings where a significant fraction of
households do not yet have an electricity connection. In such settings the
absolute levels of anticipated consumption can range from 5-100 kWh/month,
leading to high variability amongst these customers. Precious resources are at
stake if a significant fraction of low consumers are connected over those with
higher consumption.
This is the first study of it's kind in low-income settings that attempts to
predict a building's consumption and not that of an aggregate administrative
area. We train a Convolutional Neural Network (CNN) over pre-electrification
daytime satellite imagery with a sample of utility bills from 20,000
geo-referenced electricity customers in Kenya (0.01% of Kenya's residential
customers). This is made possible with a two-stage approach that uses a novel
building segmentation approach to leverage much larger volumes of no-cost
satellite imagery to make the most of scarce and expensive customer data. Our
method shows that competitive accuracies can be achieved at the building level,
addressing the challenge of consumption variability. This work shows that the
building's characteristics and it's surrounding context are both important in
predicting consumption levels. We also evaluate the addition of lower
resolution geospatial datasets into the training process, including nighttime
lights and census-derived data. The results are already helping inform site
selection and distribution-level planning, through granular predictions at the
level of individual structures in Kenya and there is no reason this cannot be
extended to other countries.
- Abstract（参考訳）: 低所得環境では、電力事業者にとって最も重要な情報は、顧客が期待する消費である。
電力消費のアセスメントは、家庭のかなりの一部がまだ電気接続を持っていない環境では難しい。
このような設定では、予測される消費の絶対レベルは月5-100 kWhまで変化し、これらの顧客の間で高いばらつきをもたらす。
低消費者の割合が高消費者よりもはるかに少ない場合、貴重資源は危険にさらされる。
これは、建物の消費を予測しようとする低所得の環境において、総合的な管理区域ではなく、この種の研究である。
我々は、ケニアの2万人の電力利用者(ケニアの住宅顧客の0.01%)のユーティリティ料金のサンプルを用いて、電力化前の衛星画像から畳み込みニューラルネットワーク(cnn)を訓練する。
これは、新しい建物のセグメンテーションアプローチを使用して、コストのかかる衛星画像の膨大な量を活用して、希少で高価な顧客データを最大限に活用する2段階のアプローチで実現されている。
本手法は, 建物レベルでの競争精度を向上し, 消費変動の課題に対処できることを示す。
この研究は、建物の特徴と環境がどちらも消費水準を予測する上で重要であることを示している。
また、夜間照明や国勢調査データを含む低分解能地理空間データセットをトレーニングプロセスに加えることも検討した。
この結果は、ケニアの個別構造レベルでの粒度の予測を通じて、既にサイトの選択や配信レベルの計画に役立っているが、他の国に拡張できない理由はない。
関連論文リスト
- 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) - Price-Aware Deep Learning for Electricity Markets [58.3214356145985]
深層学習層として電力市場浄化最適化を組み込むことを提案する。
このレイヤを差別化することで、予測と価格エラーのバランスをとることができる。
風力発電予測と短期電力市場浄化のネクサスにおける価格認識深層学習について紹介する。
論文 参考訳（メタデータ） (2023-08-02T21:16:05Z) - 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) - A Clustering Framework for Residential Electric Demand Profiles [2.294014185517203]
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。
論文 参考訳（メタデータ） (2021-05-17T09:19:34Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳（メタデータ） (2021-03-07T11:28:54Z) - 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) - Distributed Deep Reinforcement Learning for Intelligent Load Scheduling
in Residential Smart Grids [9.208362060870822]
本研究では,不確実な要因に関する限られた情報を扱う世帯を対象としたモデルフリー手法を提案する。
次に、Pecan Street Inc.の現実世界のデータを使用します。
その結果,ピーク対平均比 (PAR) の約12%, 負荷分散の約11%の低減が達成できた。
論文 参考訳（メタデータ） (2020-06-29T15:01:51Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - Energy Disaggregation with Semi-supervised Sparse Coding [0.0]
エネルギー分解研究は、集約されたエネルギー消費データを部品機器に分解することを目的としている。
本稿では,エネルギー保全のための大規模家庭用電力利用データセットを用いて,スパース符号化に基づく差別的分散モデルの評価を行った。
論文 参考訳（メタデータ） (2020-04-20T21:05:25Z) - 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。