کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5475436 1521411 2017 11 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A hierarchical Bayesian regression model for predicting summer residential electricity demand across the U.S.A.
ترجمه فارسی عنوان
یک مدل رگرسیون سلسله مراتبی بیزی برای پیش بینی تقاضای برق ماهانه تابستان در سراسر ایالات متحده آمریکا
کلمات کلیدی
مدل باینری سلسله مراتبی، تقاضای برق، مصرف برق در سرانه، پیش بینی، خنک کننده درجه روز خوشه بندی
ترجمه چکیده
یک مدل بیزی برای سلسله مراتبی برای پیش بینی ماهانه برق مصرف برق سرانه در سطح ایالت در سراسر ایالات متحده است. دوره تابستان برای نظارت بر نیازهای خنک کننده مورد استفاده قرار می گیرد که معمولا به طور مستقیم با مصرف برق در مقایسه با شرایط گرمایش زمستانی که از ترکیب انرژی های انرژی است که در طول زمان تغییر یافته است، به طور مستقیم مرتبط است. داده های ماهانه مصرف برق ماهانه سال های 1990 تا 2013 برای ساخت یک مدل پیش بینی شده با مجموعه ای از ترکیبات آب و هوایی و غیر آب و هوایی مورد استفاده قرار می گیرد. ابتدا تجزیه و تحلیل خوشه ای برای شناسایی گروه هایی از ایالت هایی که الگوهای زمانی مشابه برای روزهای خنک کننده هر ایالت داشتند، انجام شد. سپس یک مدل تلفیق جزئی برای هر خوشه ای برای ارزیابی حساسیت تقاضای ماهیانه در هر سرانه ماهانه به هر یک از پیش بینی کننده ها اعمال می شود (این عبارت است از خنک بودن درجه-روز، تولید ناخالص داخلی (تولید ناخالص داخلی) در سرانه، تقاضای برق سرانه سالانه ماه و سال گذشته و قیمت برق مسکونی). اکثر پیش بینی ها برای اکثر ایالت های ایالات متحده قابل توجه است. حساسیت تقاضای برق مسکونی به روزهای خنک کننده دارای توزیع جغرافیایی قابل شناسایی با روابط قوی تر در شمال شرقی ایالات متحده است. این مدل پیش بینی کننده، تعاملات بین عوامل علی در مقیاس های فضایی بزرگ را مد نظر قرار می دهد و عدم قطعیت مدل را تعیین می کند. این مطالعه می تواند به عنوان راهنمای در مدیریت انرژی آینده استفاده شود.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
یک مدل رگرسیون سلسله مراتبی بیزی برای پیش بینی تقاضای برق ماهانه تابستان در سراسر ایالات متحده آمریکا
چکیده انگلیسی
A hierarchical Bayesian model is developed for predicting monthly residential per capita electricity consumption at the state level across the USA. The summer period is selected to target cooling requirements that are generally directly associated with electricity use compared with winter heating requirements that are derived from a mix of energy sources that has changed over time. Historical monthly electricity consumption data from 1990 to 2013 are used to build a predictive model with a set of corresponding climate and non-climate covariates. A clustering analysis was performed first to identify groups of states that had similar temporal patterns for the cooling-degree-days of each state. Then, a partial pooling model is applied to each cluster to assess the sensitivity of monthly per capita residential electricity demand to each predictor (these are cooling-degree-days, gross domestic product (GDP) per capita, per capita electricity demand from the previous month and previous year, and the residential electricity price). Most of the predictors are significant for most of the states across USA. The sensitivity of residential electricity demand to cooling-degree-days has an identifiable geographic distribution with a stronger relationship in northeastern United States. This predictive model considers interactions between causal factors at large spatial scales and quantifies the model uncertainty. This study can be applied as guide in the future energy management.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 140, Part 1, 1 December 2017, Pages 601-611
نویسندگان
, , ,