Data Communication and Analytics for Smart Grid Systems
Notice bibliographique
Résumé
With the popularity of smart electrical appliances and home energy management systems, there has been a massive amount of data generated by the power consumption. This data can be beneficial for the utility as it provides the behavior patterns of customers, and thus useful decisions can be made to optimize the load on the grid. In this work, we establish a bidirectional communication system between some homes through the customer agents (CAs), which are installed at home, and the transformer agent (TA) which is installed at the local transformer. Once data is collected at the TA, it is sent to the cloud through LTE. We then use IBM Cloud services to filter and analyze this data to forecast energy consumption and make recommendations to different customers based on their real-time changing behaviors. To this end, we use six different machine learning models predicting the energy consumption: support vector regression (SVR) using linear kernel, SVR using Gaussian kernel, SVR using the polynomial kernel, linear regression, polynomial regression, and feed- forward neural networks (FFNN). To measure the accuracy of these models, we compute three different error metrics, the normalized mean absolute percentage error (NMAPE), the normalized root mean square error (NRMSE), and R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> also known as the coefficient of determination. Based on these results, we observe that the performance of the forecasting model depends on the dataset properties including the size and variations. For example, while linear and polynomial regressions perform well for small-scale datasets, FFNN gives higher accuracy for large-scale datasets.
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 ».