Large-scale load profiling for energy flexibility in residential buildings: A data-driven approach for load aggregation through representative clusters
Notice bibliographique
Résumé
This paper presents a data-driven methodology to characterize the flexibility potential of a large number of residential buildings within energy aggregators. Smart thermostat data from numerous homes—along with ambient temperature and heating power measurements—are used to calibrate reduced-order grey-box thermal models for each dwelling. An economic Model Predictive Control framework is then applied to quantify the building energy flexibility of these homes within a day-ahead coordination market. The resulting power demand forecasts are analysed using a time-series k -means clustering algorithm to group homes by representative flexibility profiles. A Monte Carlo estimation is then performed on these clusters to: a) identify the optimal penetration level of demand-side management strategies, b) estimate uncertainty in aggregated demand, and c) evaluate the need for strategy diversification. To demonstrate the feasibility of the proposed approach, the methodology is implemented through simulations involving a substantial number of houses in two Canadian metropolitan areas: Toronto, Ontario, and Montreal, Québec. Out of the 2,031 load profiles considered, six customer clusters were identified. At an aggregated level, coordinated participation in demand response led to a 94% increase in daily load factor (ratio of average to maximum demand) and a 20% reduction in system ramping in both locations. The methodology ultimately enables the prioritization of customer groups based on their demand response potential and demonstrates the importance of refining participation approaches within the building portfolio.
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 | 0,001 | 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 | 0,001 |
| 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 ».