Integrating Small Scale Green Energy into Smart Grids: Prediction for Peak Load Reduction
Notice bibliographique
Résumé
The emerging Smart Grid technologies allow for the integration of clean energy from small-scale energy generators (SEGs). In this paper, we investigate a model by which an electric grid operator (EGOs) schedules the integration of clean energy from residential homes acting as SEGs. These SEGs are equipped with rooftop photovoltaic (PV) and a bank of utility grade battery systems. The challenge facing the electric grid operator (EGO) is that home-based battery systems require several hours of sunlight to charge from rooftop PV panels, and an average 90 minutes to be discharged to 30% original capacity. The EGO must be able to schedule the discharging cycle so that it coincides with the time of the highest peak load during the day for efficient cost reduction. In this paper, we propose a model that allows the EGO to predict the highest peak of energy consumption on the distribution feed where the SEGs are connected. For the realization of the system, we have acquired a dataset which includes time series of energy consumption data for approximately 1500 houses including 3 SEGs. We performed our prediction using the multivariate autoregressive integrated moving average (MARIMA) method and achieved 92.64% accuracy. The real-life implementation of the system and the prediction model are described in this paper.
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 ».