User-Oriented Demand Response for Smart Buildings
Bibliographic record
Abstract
Les récents changements dans les systèmes de puissance ouvrent une frontière de défis et d'avantages potentiels pour tous les participants tout au long du réseau.Le paradigme du réseau intelligent aide à soutenir de meilleures décisions, à améliorer l'efficacité et en général à disposer d'un approvisionnement énergétique plus fiable, économique et durable.Cela accorde une importance particulière à l'intérêt croissant pour la participation des utilisateurs finaux grâce aux programmes de réponse à la demande.Dans ce sens, la recherche présentée dans cette thèse contribue au développement et à la pénétration des programmes de réponse à la demande.Ces approches ont été conçues du point de vue de l'utilisateur, qui veut satisfaire sa demande à un coût raisonnable, mais compte tenu des variables du système de puissance telles que la réduction et le coût des pics.Pour atteindre cet équilibre, ce projet de recherche combine plusieurs éléments du monde réel et d'autres idées nouvelles afin de faire l'évolution du réseau intelligent.L'une des principales contributions de cette thèse est l'utilisation et l'estimation des profils de capacité.Ce concept est présent dans tout le document et est particulièrement important dans les deux premières contributions.Tous les deux traitent de la détermination d'un profil de capacité adéquat.Les profils de capacité sont déterminés à l'avance et représentent les besoins énergétiques futurs des utilisateurs finaux dans un contexte de réponse à la demande.Dans le premier cas, la méthodologie se concentre sur les appareils de chauffage et de refroidissement.Le profil de capacité fonctionne en combinaison avec un contrôleur d'admission existant pour guider l'opération de température du bâtiment.Dans cette contribution, le profil de capacité est estimé en utilisant une approche d'ajustement de données et un classificateur «multiclass ».Dans le second cas, le cadre est conçu pour représenter des caractéristiques spécifiques d'une demande stochastique.Cette demande est générée par l'agrégation des charges basées sur l'activité dont la consommation est déclenchée par le comportement de l'utilisateur.Ici, les profils de capacité sont déterminés en fonction de l'information disponible.Tout d'abord, une approche heuristique est préconisée lorsque peu d 'informations sont connues sur les modèles de consommation des utilisateurs.Deuxièmement, une optimisation en deux étapes lorsque nous pouvons obtenir les scénarios de demande.Un élément important de cette contribution est l'inclusion d'une tarification flexible du temps et du niveau d'utilisation.Cette politique de prix permet à l'utilisateur de déterminer le profil de capacité et ses tarifs vi correspondants à partir d'un ensemble d'options fournies par le réseau.Ces tarifs personnalisés sont alignés sur le comportement normal de l'utilisateur et finalement orienter un processus d'apprentissage pour optimiser la consommation.La troisième contribution regroupe plusieurs utilisateurs, différents programmes de réponse à la demande et diverses ressources partagées pour planifier la consommation, le déplacement de charge et la réduction de la charge pointe.Cette approche prend des informations telles que les profils de demande et les préférences des utilisateurs directement à partir des unités de logement afin de résoudre un problème d'optimisation biobjectif pour compenser la satisfaction totale des utilisateurs et le coût total de la consommation d'énergie.Cette contribution comprend une structure de coût fixe similaire à celle de la deuxième contribution pour encourager le transfert de charge.Enfin, des expériences sont rapportées dans chaque contribution pour valider la performance de l'approche proposée.Ces résultats comprennent des éléments comme l'analyse de sensibilité, les comparaisons de référence et les fonctionnalités du monde réel afin de clarifier les points forts, les limites et les projets de recherche à venir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.024 | 0.008 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".