論文の概要: Targeted demand response for flexible energy communities using clustering techniques

• arxiv url: http://arxiv.org/abs/2303.00186v2
• Date: Sun, 30 Apr 2023 17:48:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-02 18:25:26.498873
• Title: Targeted demand response for flexible energy communities using clustering techniques
• Title（参考訳）: クラスタリング技術を用いたフレキシブルエネルギーコミュニティの目標需要応答
• Authors: Sotiris Pelekis, Angelos Pipergias, Evangelos Karakolis, Spiros Mouzakitis, Francesca Santori, Mohammad Ghoreishi, Dimitris Askounis
• Abstract要約: 本研究では,商業用および住宅用需要応答(DR)プログラムの設計と実装におけるクラスタリング手法の利用について検討する。 このプログラムの目的は、イタリアの分散型エネルギーコミュニティに関連する消費者の消費行動を変更することである。
• 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 present study explores the use of clustering techniques for the design and implementation of a demand response (DR) program for commercial and residential prosumers. The goal of the program is to alter the consumption behavior of the prosumers pertaining to a distributed energy community in Italy. This aggregation aims to: a) minimize the reverse power flow at the primary substation, that occurs when generation from solar panels in the local grid exceeds consumption, and b) shave the system wide peak demand, that typically occurs during the hours of late afternoon. Regarding the clustering stage, three popular machine learning algorithms for electrical load clustering are employed -namely k-means, k-medoids and an agglomerative hierarchical clustering- alongside two different distance measures -namely euclidean and constrained dynamic time warping (DTW). We evaluate the methods using multiple validation metrics including a novel metric -namely peak performance score (PPS)- that we propose in the context of this study. The best model is employed to divide daily prosumer load profiles into clusters and each cluster is analyzed in terms of load shape, mean entropy, and load type distribution. These characteristics are then used to distinguish the clusters that have the potential to serve the optimization objectives by matching them to appropriate DR schemes including time of use (TOU), critical peak pricing (CPP), and real-time pricing (RTP). The results of this study can be useful for network operators, utilities, and aggregators that aim to develop targeted DR programs for groups of prosumers within flexible energy communities.
• Abstract（参考訳）: 本研究では,商業用および住宅用需要応答(DR)プログラムの設計と実装におけるクラスタリング手法の利用について検討する。 このプログラムの目的は、イタリアの分散型エネルギーコミュニティに関連する消費者の消費行動を変更することである。 この集約の目的は: イ ローカルグリッドの太陽電池パネルからの発電が消費を超過した場合に発生する一次変電所の逆流を最小化すること。 b) システムの幅広いピーク需要を剃り、通常は午後遅くの時間に発生する。 電気的負荷クラスタリングのための3つの一般的な機械学習アルゴリズム(k-means、k-medoids、agglomerative hierarchical clustering)が、2つの異なる距離尺度(euclidean、constricted dynamic time warping (dtw))と共に採用されている。 本研究では,本研究の文脈で提案する新しい評価指標であるPPS(Palmly peak Performance score)を含む複数の評価指標を用いて評価を行う。 最適なモデルは、毎日のプロシューマーの負荷プロファイルをクラスタに分割し、各クラスタは、負荷形状、平均エントロピー、負荷タイプの分布の観点から分析される。 これらの特徴は、使用時間(tou)、臨界ピーク価格(cpp)、リアルタイム価格(rtp)などの適切なdrスキームに適合することにより、最適化目標に適合する可能性のあるクラスタを識別するために使用される。 本研究は, フレキシブルエネルギーコミュニティ内のプロシューマーグループを対象としたDRプログラムの開発を目的とした, ネットワークオペレータ, ユーティリティ, アグリゲータに有用である。

関連論文リスト

• Self-Supervised Graph Embedding Clustering [70.36328717683297]
  K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。 本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-24T08:59:51Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• 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)
• Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering [0.0]
  クライアントを消費パターンに従って分類することで、需要応答(DR)プログラムのために特定の消費者グループをターゲットにすることができる。 我々は、AHC(Agglomerative Hierarchical Clustering)とDTW(Dynamic Time Warping)を組み合わせた形状に基づくアプローチを提案する。 DTWを用いたAHCは、他のクラスタリングアルゴリズムよりも優れており、より少ないクラスタを必要とすることを示す。
  論文  参考訳（メタデータ） (2022-10-18T01:30:25Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• 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)
• 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。