論文の概要: The Forecastability of Underlying Building Electricity Demand from Time Series Data

• arxiv url: http://arxiv.org/abs/2311.18078v1
• Date: Wed, 29 Nov 2023 20:47:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 18:52:19.607229
• Title: The Forecastability of Underlying Building Electricity Demand from Time Series Data
• Title（参考訳）: 時系列データによる建築電力需要の予測可能性
• Authors: Mohamad Khalil, A. Stephen McGough, Hussain Kazmi, Sara Walker
• Abstract要約: ビルのエネルギー消費予測は、ビルのエネルギー管理システムにおいて有望な解決策となっている。 建物の将来的なエネルギー需要を予測するデータ駆動のアプローチは、科学文献で見ることができる。 このような建物のエネルギー需要を予測するために利用できる最も正確な予測モデルの同定は依然として困難である。
• 参考スコア（独自算出の注目度）: 1.3757257689932039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting building energy consumption has become a promising solution in Building Energy Management Systems for energy saving and optimization. Furthermore, it can play an important role in the efficient management of the operation of a smart grid. Different data-driven approaches to forecast the future energy demand of buildings at different scale, and over various time horizons, can be found in the scientific literature, including extensive Machine Learning and Deep Learning approaches. However, the identification of the most accurate forecaster model which can be utilized to predict the energy demand of such a building is still challenging.In this paper, the design and implementation of a data-driven approach to predict how forecastable the future energy demand of a building is, without first utilizing a data-driven forecasting model, is presented. The investigation utilizes a historical electricity consumption time series data set with a half-hour interval that has been collected from a group of residential buildings located in the City of London, United Kingdom
• Abstract（参考訳）: ビルのエネルギー消費予測は省エネルギー・最適化のためのビルのエネルギー管理システムにおいて有望な解決策となっている。 さらに、スマートグリッドの操作の効率的な管理において重要な役割を果たすことができる。 さまざまな規模の建物の将来のエネルギー需要を予測するデータ駆動アプローチは、さまざまな時間軸にわたって、広範な機械学習やディープラーニングアプローチを含む科学文献で見ることができる。 しかし、こうした建物のエネルギー需要を予測するために利用できる最も正確な予測モデルを特定することは依然として困難であり、本稿では、データ駆動予測モデルを利用することなく、建物の将来のエネルギー需要がどれだけ予測可能かを予測するデータ駆動アプローチの設計と実装について述べる。 調査は、英国ロンドンにある住宅群から収集された半時間間隔の歴史的な電力消費時系列データを利用している。

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)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• Unified Data Management and Comprehensive Performance Evaluation for Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
  この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。 都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。 多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
  論文  参考訳（メタデータ） (2023-08-24T16:20:00Z)
• Deep Learning for Energy Time-Series Analysis and Forecasting [42.617834983479796]
  エネルギー時系列分析(Energy time-series analysis)は、過去のエネルギー観測とおそらく外的要因を分析し、未来を予測するプロセスを記述する。 広範囲の視覚タスクにおけるDeep Learning(DL)の異常なパフォーマンスに続いて、DLモデルは時系列予測タスクでうまく活用されている。 本稿では,エネルギー時系列予測タスクの性能向上を目的とした多種多様なDL手法について考察する。
  論文  参考訳（メタデータ） (2023-06-15T13:41:59Z)
• High-resolution synthetic residential energy use profiles for the United States [12.699816591560712]
  我々は、米国全土の住宅セクター向けに、大規模で総合的な住宅エネルギー利用データセットを公開します。 データは、合成世帯の1時間あたりのエネルギー使用プロファイルからなり、温度制御負荷(TCL)と家電の使用に分解される。
  論文  参考訳（メタデータ） (2022-10-14T20:55:10Z)
• Predicting Future Occupancy Grids in Dynamic Environment with Spatio-Temporal Learning [63.25627328308978]
  本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。 現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。 我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
  論文  参考訳（メタデータ） (2022-05-06T13:45:32Z)
• Zero Shot Learning for Predicting Energy Usage of Buildings in Sustainable Design [2.929237637363991]
  2030年の挑戦は、2030年までにすべての新しい建物と大規模な改修をカーボン中立にすることを目的としている。 建築要素が建築のエネルギー利用にどのように貢献するかを理解することが重要である。 予測精度を向上させるために、AIベースのソリューションにリッチなトレーニングデータセットが必要である。
  論文  参考訳（メタデータ） (2022-02-10T18:08:58Z)
• Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network [20.358180125750046]
  建設業はアメリカにおけるエネルギー消費の40%以上を占めている。 UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。 データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
  論文  参考訳（メタデータ） (2021-05-27T19:02:04Z)
• Deep-Learning-Based, Multi-Timescale Load Forecasting in Buildings: Opportunities and Challenges from Research to Deployment [0.0]
  電力会社は伝統的に、広大な地理的領域にまたがる負荷ポケットの負荷予測を実施してきた。 今後18時間にわたって1時間間隔で建物負荷を予測するディープラーニングに基づく負荷予測システムを提案する。
  論文  参考訳（メタデータ） (2020-08-12T17:47:38Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。