Toward Prediction of Energy Consumption Peaks and Timestamping in Commercial Supermarkets Using Deep Learning
Notice bibliographique
Résumé
Building energy consumption takes up over 30% of global final energy use and 26% of global energy-related emissions. In addition, building operations represent nearly 55% of global electricity consumption. The management of peak demand plays a crucial role in optimizing building electricity usage, consequently leading to a reduction in carbon footprint. Accurately forecasting peak demand in commercial buildings provides benefits to both the suppliers and consumers by enhancing efficiency in electricity production and minimizing energy waste. Precise predictions of energy peaks enable the implementation of proactive peak-shaving strategies, the effective scheduling of battery response, and an enhancement of smart grid management. The current research on peak demand for commercial buildings has shown a gap in addressing timestamps for peak consumption incidents. To bridge the gap, an Energy Peaks and Timestamping Prediction (EPTP) framework is proposed to not only identify the energy peaks, but to also accurately predict the timestamps associated with their occurrences. In this EPTP framework, energy consumption prediction is performed with a long short-term memory network followed by the timestamp prediction using a multilayer perceptron network. The proposed framework was validated through experiments utilizing real-world commercial supermarket data. This evaluation was performed in comparison to the commonly used block maxima approach for indexing. The 2-h hit rate saw an improvement from 21% when employing the block maxima approach to 52.6% with the proposed EPTP framework for the hourly resolution. Similarly, the hit rate increased from 65.3% to 86% for the 15-min resolution. In addition, the average minute deviation decreased from 120 min with the block maxima approach to 62 min with the proposed EPTP framework with high-resolution data. The framework demonstrates satisfactory results when applied to high-resolution data obtained from real-world commercial supermarket energy consumption.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».