論文の概要: A multi-dimensional unsupervised machine learning framework for clustering residential heat load profiles
- arxiv url: http://arxiv.org/abs/2411.16701v1
- Date: Mon, 11 Nov 2024 13:33:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-01 05:10:57.914438
- Title: A multi-dimensional unsupervised machine learning framework for clustering residential heat load profiles
- Title(参考訳): 住宅熱負荷分布のクラスタリングのための多次元教師なし機械学習フレームワーク
- Authors: Vasilis Michalakopoulos, Elissaios Sarmas, Viktor Daropoulos, Giannis Kazdaridis, Stratos Keranidis, Vangelis Marinakis, Dimitris Askounis,
- Abstract要約: 本稿では,暖房負荷プロファイルをクラスタリングするための教師なし機械学習フレームワークを提案する。
プロファイルは,ボイラー使用量,暖房需要量,気象条件,建築特性,ユーザ行動の5次元にわたって分析される。
- 参考スコア(独自算出の注目度): 2.6726153933903247
- License:
- Abstract: Central to achieving the energy transition, heating systems provide essential space heating and hot water in residential and industrial environments. A major challenge lies in effectively profiling large clusters of buildings to improve demand estimation and enable efficient Demand Response (DR) schemes. This paper addresses this challenge by introducing an unsupervised machine learning framework for clustering residential heating load profiles, focusing on natural gas space heating and hot water preparation boilers. The profiles are analyzed across five dimensions: boiler usage, heating demand, weather conditions, building characteristics, and user behavior. We apply three distance metrics: Euclidean Distance (ED), Dynamic Time Warping (DTW), and Derivative Dynamic Time Warping (DDTW), and evaluate their performance using established clustering indices. The proposed method is assessed considering 29 residential buildings in Greece equipped with smart meters throughout a calendar heating season (i.e., 210 days). Results indicate that DTW is the most suitable metric, uncovering strong correlations between boiler usage, heat demand, and temperature, while ED highlights broader interrelations across dimensions and DDTW proves less effective, resulting in weaker clusters. These findings offer key insights into heating load behavior, establishing a solid foundation for developing more targeted and effective DR programs.
- Abstract(参考訳): エネルギー移行の達成の中心として、暖房システムは、住宅や工業環境において欠かせない空間暖房と温水を提供する。
大きな課題は、需要予測を改善し、効率的な需要応答(DR)スキームを実現するために、建物の大規模なクラスタを効果的にプロファイリングすることである。
本稿では, 家庭内暖房負荷分布をクラスタ化するための教師なし機械学習フレームワークを導入し, 天然ガス空間の暖房と湯沸騰器に着目した。
プロファイルは,ボイラー使用量,暖房需要量,気象条件,建築特性,ユーザ行動の5次元にわたって分析される。
Euclidean Distance (ED), Dynamic Time Warping (DTW), Derivative Dynamic Time Warping (DDTW)の3つの距離指標を適用し,クラスタリング指標を用いて評価を行った。
提案手法は, ギリシャの29の住宅において, カレンダー暖房期間(すなわち210日)を通じてスマートメータを備えた建物について検討した。
以上の結果から,DTWはボイラ使用量,熱需要量,温度の相関関係が強く,DDTWがより有効でないことが示唆された。
これらの発見は、負荷挙動の加熱に関する重要な洞察を与え、よりターゲットを絞った効果的なDRプログラムを開発するための確かな基盤を確立する。
関連論文リスト
- Spatio-Temporal Jump Model for Urban Thermal Comfort Monitoring [0.0]
空間次元と時間次元の両方にまたがってデータを扱うアテンポ的ハンドルを導入する。
我々は,本手法を広範囲なシミュレーションにより検証し,真に基礎となる分割を復元する際の精度を実証した。
本提案では, 都市環境の動的設定と実環境モニタリングへの適合性を実証し, その有効性を示す。
論文 参考訳(メタデータ) (2024-11-14T15:36:19Z) - 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) - Climate-sensitive Urban Planning through Optimization of Tree Placements [55.11389516857789]
気候変動は、熱波を含む多くの極端な気象事象の強度と頻度を増している。
最も有望な戦略の1つは、街路樹の恩恵を利用して歩行者レベルの環境を冷やすことである。
物理シミュレーションでは、樹木の放射的および熱的影響が人間の熱的快適性に与える影響を推定できるが、高い計算コストが生じる。
我々は,屋外の熱的快適さの駆動因子である点平均放射温度を,様々な時間スケールでシミュレーションするためにニューラルネットワークを用いた。
論文 参考訳(メタデータ) (2023-10-09T13:07:23Z) - Enhancing personalised thermal comfort models with Active Learning for
improved HVAC controls [0.8192907805418583]
本研究では,アクティブラーニング(AL)によって強化された熱的嗜好に基づくHVAC制御フレームワークを提案する。
予備的な結果から, AL対応OCCと従来のOCCとのラベリング効果は著しく低下するが, 省エネ効果はわずかであった。
論文 参考訳(メタデータ) (2023-09-16T18:42:58Z) - Toward A Dynamic Comfort Model for Human-Building Interaction in Grid-Interactive Efficient Buildings: Supported by Field Data [0.35706421570231006]
最も暑い日に自動的にサーモスタットを温めるアプローチは、ヒューマンビルディングインタラクション(HBI)を無視して効果を損なう
本研究の目的は、グリッド・インタラクティブ・ビルディング(GEB)の制御設計に使用されるHBIの工学モデルを開発する上での課題と機会を定義することである。
論文 参考訳(メタデータ) (2023-03-10T14:50:26Z) - Domain Knowledge Aids in Signal Disaggregation; the Example of the
Cumulative Water Heater [68.8204255655161]
住宅における累積給湯器(CWH)の電力の検出と分散を目的とした教師なし低周波法を提案する。
本モデルでは,パワースパイクの形状と発生時刻を両立させることにより,教師なし信号の分解の難しさを回避する。
我々のモデルは、単純さに拘わらず、有望なアプリケーションを提供する: オフピーク契約における設定ミスの検出と性能劣化の遅さ。
論文 参考訳(メタデータ) (2022-03-22T10:39:19Z) - Prediction of Household-level Heat-Consumption using PSO enhanced SVR
Model [5.3580471186206005]
実世界のスマートメーターデータを用いたカーネル支援ベクトル回帰(kSVR)に基づく地域暖房システム(DES)における熱エネルギー消費予測フレームワークを提案する。
平均MAPEは、個々のメートル比予測と社会消費予測で2.07%と2.64%に減少する。
論文 参考訳(メタデータ) (2021-12-03T13:46:16Z) - Personal thermal comfort models using digital twins: Preference
prediction with BIM-extracted spatial-temporal proximity data from Build2Vec [0.0]
本研究は,室内環境の嗜好を予測するために,既存のベクトルベース空間モデルであるBuild2Vecを構築することを目的とする。
スマートウォッチを用いた生態的モーメントアセスメント(EMA)による長手的熱的快適感の主観的フィードバックを用いた枠組み
テスト実装の結果,従来の温度優先予測入力変数を用いたベースラインのセットよりも14~28%精度が向上した。
論文 参考訳(メタデータ) (2021-10-30T07:43:11Z) - 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) - Energy Aware Deep Reinforcement Learning Scheduling for Sensors
Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。
提案したメカニズムは、センサが更新を送信する頻度を決定することができる。
我々は,センサの寿命を大幅に延長できることを示した。
論文 参考訳(メタデータ) (2020-11-19T09:53:27Z) - Bayesian model of electrical heating disaggregation [68.8204255655161]
スマートメーターの採用は、ヨーロッパのスマートエネルギーへの移行における大きなマイルストーンである。
フランスの住宅セクターは電力消費の35%$approx$35%、電気暖房による世帯の40%$approx$40%(INSEE)である。
Linkyの展開するスマートメーターの数は2021年に3500万に達する見込みだ。
論文 参考訳(メタデータ) (2020-11-11T10:05:15Z)
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。