کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6557179 1422558 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Rethinking the privacy of the smart grid: What your smart meter data can reveal about your household in Ireland
ترجمه فارسی عنوان
با احترام به حریم خصوصی شبکه هوشمند: داده های هوشمند خود را می توانید در مورد خانه خود در ایرلند ببینید
کلمات کلیدی
تجزیه و تحلیل متر هوشمند، طبقه بندی اجتماعی-دموگرافیک، تقسیم بندی مشتری، مدیریت سمت تقاضا،
ترجمه چکیده
در سال های اخیر، بازار جهانی برای مترلک های هوشمند به سرعت در حال افزایش است و پیش بینی می شود که در آینده نزدیک افزایش پایدار خود را ادامه دهد. با تجزیه و تحلیل داده های نیم ساعته از بیش از 4000 خانوار ایرلندی، این مطالعه به دنبال بررسی رابطه بین ویژگی های خانوارها و تقاضای برق خود از طریق سوالات زیر است: (1) شناخت یک مجموعه مشخص از خصوصیات خانوار، می توانیم به روشنی طبقه بندی خانوارها به حجم تقاضا و الگوی تقاضای روزانه آنها و (2) می توانیم برخی از خصوصیات کلیدی خانوار را از داده های متر خود بیفزاییم. ویژگی های در نظر گرفته شامل اندازه، حضور بچه ها، طبقه اجتماعی، وضعیت اشتغال و درآمد سالانه خانوارها است. طیف وسیعی از روش های یادگیری ماشین، از جمله الگوریتم های مبتنی بر درخت، ماشین های بردار پشتیبانی و شبکه های عصبی برای پاسخ به این سوالات استفاده می شود. نتایج نشان می دهد که تقسیم بندی دقیق دقیق مصرف کنندگان با توجه به حجم تقاضا برای آنها امکان پذیر است، در حالی که طبقه بندی بر اساس الگوی تقاضای روزانه بیشتر به چالش کشیده می شود. برای پیش بینی خصوصیات خانوار، هنگام تعیین پیش فرض اندازه خانواده، طبقه اجتماعی و وضعیت اشتغال، مقادیر دقت بیشتری گزارش می شود. برعکس، کشف درآمد خانوار و حضور کودکان در خانه نشان داد که مشکل تر است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
چکیده انگلیسی
The global market for smart electricity meters has grown rapidly in recent years and is anticipated to sustain its solid increase in the near future. By analyzing half-hourly meter data from over 4000 Irish households, this study seeks to examine the relationship between households' attributes and their electricity demand through the following questions: (1) knowing a given set of household attributes, can we accurately classify households according to their demand volume and daily demand pattern and (2) can we infer some of the key households' characteristics from their meter data. The attributes considered include the size, presence of kids, social class, employment status and the annual income of the households. A range of machine learning methods including tree-based algorithms, support vector machines and neural networks are deployed to answer these questions. The results suggest the potential for reasonably accurate segmentation of consumers according to their demand volume while the classification based on daily demand patterns were shown to be more challenging. For predicting household attributes, higher accuracy values are reported when predicting the household size, social class, and employment status. On the contrary, inferring the household income category and the presence of children in the household were shown to be more difficult.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy Research & Social Science - Volume 44, October 2018, Pages 312-323
نویسندگان
, ,