Representative Profiling of Prosumers with Local Distributed Energy Resources and Electric Vehicles Using Unsupervised Machine Learning
Notice bibliographique
Résumé
In this paper, the representative profiles of residential prosumers owning local distributed energy resources (L-DERs) and plug-in electric vehicles (PEV) at different levels of generation and demand are identified. The Pecan Street household dataset is used in this work with high-granularity data of one second and it includes the roof-top solar photovoltaic (PV), home battery energy storage system (HBESS) and PEV profiles. Because of the large variance in the data due to such high granularity and different levels of generation/demand in the residential profiles, this study presents a systematic approach to identify a comprehensive list of representative profiles. The machine learning techniques such as principal component analysis (PCA), and the unsupervised K-means clustering and K-nearest neighbor are employed to identify the representative profiles. The study included 123 residential homes, which includes a set of different combinations of PVs, PEVs and HBESS and the results have shown that they can be represented by only 17 representative profiles. This reduction in the number of representative profiles at such high-granularity will lead to significant advances in accelerating the distribution system time-series analysis studies in particular when considering the presence of prosumers with LDERs and PEVs.
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 | 0,001 |
| 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 ».