Energy storage management in smart homes based on resident activity of daily life recognition
Notice bibliographique
Résumé
Recently, home energy storage system is emerging as one of the main driving forces to prompt the development of the future smart grid. By leveraging time-based electricity pricing, the home energy storage system can store energy during off-peak periods and supply energy to residential customers during on-peak periods, such that the stress on main power system can be relieved. Yet, an efficient use of home energy storage system is still a challenging issue, due to the nonlinear properties of the battery in terms of energy conversion loss and shortened battery life, and the randomness in residential energy demand. In this paper, we investigate the utilization of smart home monitoring and communication technologies to recognize the resident activity of daily life (ADL) and propose a non-homogeneous hidden Markov model (NHMM) to characterize the residential energy demand. An optimal energy storage management problem is formulated by taking into account the NHMM and nonlinear battery properties. This problem belongs to a class of adaptive stochastic control problems in smart grid with nonlinear value functions. In order to solve this problem efficiently, piecewise linear approximation is applied to the energy conversion function, and a state-dependent multi-threshold policy is proposed and proved to be optimal. The performance of the proposed energy management scheme is evaluated via a case study based on CASAS smart home dataset collected in real life by Washington State University. Numerical results indicate that our proposed energy storage management scheme can achieve energy cost savings, in comparison with existing schemes with uniform and non-uniform discharging profiles.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».