論文の概要: Quantifying and Predicting Residential Building Flexibility Using Machine Learning Methods

• arxiv url: http://arxiv.org/abs/2403.01669v1
• Date: Mon, 4 Mar 2024 01:44:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 20:28:50.295653
• Title: Quantifying and Predicting Residential Building Flexibility Using Machine Learning Methods
• Title（参考訳）: 機械学習を用いた住宅のフレキシビリティの定量化と予測
• Authors: Patrick Salter, Qiuhua Huang, Paulo Cesar Tabares-Velasco
• Abstract要約: より多くの分散型エネルギー資源が建物に設置されるにつれて、グリッドに柔軟性を提供する可能性が高まっている。 建物が提供する柔軟性を利用するには、アグリゲータやシステムオペレーターが柔軟性を定量化し予測する必要がある。 本稿ではまず,2つの相補的フレキシビリティ指標(電力とエネルギーの柔軟性)を提案し,次に主流の機械学習モデルについて検討する。
• 参考スコア（独自算出の注目度）: 1.3812010983144802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Residential buildings account for a significant portion (35\%) of the total electricity consumption in the U.S. as of 2022. As more distributed energy resources are installed in buildings, their potential to provide flexibility to the grid increases. To tap into that flexibility provided by buildings, aggregators or system operators need to quantify and forecast flexibility. Previous works in this area primarily focused on commercial buildings, with little work on residential buildings. To address the gap, this paper first proposes two complementary flexibility metrics (i.e., power and energy flexibility) and then investigates several mainstream machine learning-based models for predicting the time-variant and sporadic flexibility of residential buildings at four-hour and 24-hour forecast horizons. The long-short-term-memory (LSTM) model achieves the best performance and can predict power flexibility for up to 24 hours ahead with the average error around 0.7 kW. However, for energy flexibility, the LSTM model is only successful for loads with consistent operational patterns throughout the year and faces challenges when predicting energy flexibility associated with HVAC systems.
• Abstract（参考訳）: 住宅は2022年現在、アメリカ合衆国における電力消費のかなりの部分(35%)を占めている。 より多くの分散型エネルギーリソースがビルに設置されるにつれて、グリッドに柔軟性を提供する可能性も高まる。 建物が提供する柔軟性を利用するには、アグリゲータやシステムオペレーターが柔軟性を定量化し予測する必要がある。 この地域の以前の工事は主に商業用建物に焦点を合わせ、住宅用建物にはほとんど取り組んでいなかった。 このギャップに対処するため、まず2つの相補的柔軟性指標(電力とエネルギーの柔軟性)を提案し、続いて4時間・24時間予測地平線における住宅の時変および散発的柔軟性を予測するための機械学習に基づく主流モデルについて検討する。 長短メモリ(LSTM)モデルは最高の性能を達成し、平均誤差0.7kWで24時間先まで電力柔軟性を予測できる。 しかし、エネルギーの柔軟性のために、LSTMモデルは年間を通じて一貫した運用パターンを持つ負荷に対してのみ成功し、HVACシステムに関連するエネルギーの柔軟性を予測する際の課題に直面している。

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)
• Empowering Aggregators with Practical Data-Driven Tools: Harnessing Aggregated and Disaggregated Flexibility for Demand Response [37.69303106863453]
  本研究は,要求応答(DR)プログラムを通じて,アグリゲータと建物利用者の柔軟性の活性化における相互作用について検討する。 限られたデータを持つ環境において、集約された柔軟性の提供戦略を最適化する手法を導入する。
  論文  参考訳（メタデータ） (2024-01-19T14:43:04Z)
• The Forecastability of Underlying Building Electricity Demand from Time Series Data [1.3757257689932039]
  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。
  論文  参考訳（メタデータ） (2023-11-29T20:47:47Z)
• 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)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Uncertainty-Cognizant Model Predictive Control for Energy Management of Residential Buildings with PVT and Thermal Energy Storage [0.0]
  建設部門は世界のエネルギー消費の約40%を占めている。 本稿では, 熱ポンプ, 蓄熱システム, グリッド接続型熱太陽光発電(PVT)コレクターを取り入れた建築エネルギーシステムについて述べる。
  論文  参考訳（メタデータ） (2022-01-21T22:30:13Z)
• 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)
• 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)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)
• 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。