Layered Timeseries Analysis for Smart Grid Agents
Notice bibliographique
Résumé
The vision of evolving the current electrical power grid towards a Smart Grid promises increased utilization of distributed renewable energy resources through more robust technical and economic control systems and active participation from customers. We study two problems within the distribution grid that employ autonomous agents to enable robust control and customer participation. First, we study the evolution of hourly electricity prices in a modern wholesale electricity market with the goal of predicting hourly forward prices so that an intermediary broker agent can effectively manage trading risk. We analyze real market data from the Ontario Independent Electricity System Operator (IESO) from 2002 to 2011 and corresponding real weather data from the US National Climatic Data Center (NCDC). Our analysis shows that a layered combination of a multi-class classification approach and a multiplicative seasonal ARIMA model can be used to predict the hourly forward prices with confidence. Second, we develop generative hierarchical models to simulate the demand for and supply of electricity from various types of retail customers (e.g., households, universities, industrial plants). Demand and supply depend on various factors such as installed load capacity, household size, geographic locale, day of week, month of year, cloud cover and wind speed. We assume that a sample of data from real world metering or finegrained simulation is available a priori for training and an additional small sample of data is made available online. We then generate more data for forward simulation from the online data, while borrowing characteristics from the training data, using a coarse-grained model based on a novel combination of ARIMA and hierarchical Bayesian methodology. We evaluate our methodology using data from a fine-grained simulation model based on real data from the MeRegio pilot project in Baden-Wurttemberg, Germany. 1 1
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 | 0,005 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».