Residential Power Forecasting Based on Affinity Aggregation Spectral Clustering
Notice bibliographique
Résumé
Power utility companies rely on forecasting to anticipate future consumption needs, plan power production, and schedule the selling/purchasing of power. We present a novel method to forecast the power consumption of a single house based on non-intrusive load monitoring (NILM) and affinity aggregation spectral clustering, with the idea of extending it to forecasting consumption in a larger set of houses like a microgrid. First, we use a graph to model statistical relationships between appliances. Specifically, the ON/OFF time-of-day and state duration probabilities are used to compute graph edge weights and establish statistical relationships among appliances. Then, leveraging on our previous work on NILM, we disaggregate the smart meter aggregate power profile into individual appliance power profiles. With the disaggregated individual power profiles and the corresponding ON/OFF time-of-day and state duration probabilities, we next propose a method to forecast each appliance's power profiles using affinity aggregation spectral clustering. For the proposed method, we incorporate human behaviour and environmental influence in terms of calendar and seasonal contexts in order to enhance the forecasting performance. Finally, the results of appliance-level forecasting are aggregated to perform house-level forecasting. To test our proposed forecasting method, we use four publicly available datasets and compare our method against several existing approaches such as autoregressive integrated moving average, similar profile load forecast, artificial neural network, and recent NILM-based forecasting. Experimentally, we examine how well the proposed forecasting method can generalize appliance behaviours from one house to another. Results clearly show that our method is more accurate than existing approaches.
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 ».