کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6681036 1428078 2018 16 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Robust ensemble learning framework for day-ahead forecasting of household based energy consumption
ترجمه فارسی عنوان
چارچوب یادگیری سازمانی قوی برای پیش بینی روز افزون مصرف انرژی خانگی خانوار
کلمات کلیدی
مصرف انرژی خانگی، یادگیری گروهی رگرسیون قوی، پیش بینی انرژی روز پیش،
ترجمه چکیده
مدیریت انرژی هوشمند، یک زیرساخت انرژی غیر متمرکز را به وجود می آورد که شامل اطلاعات مصرف انرژی در سطح محلی می شود. روندهای مصرف انرژی مبتنی بر خانوار برای دستیابی به انرژی قابل اعتماد برای چنین سیستم های برق محلی بسیار مهم هستند. با این حال، پیش بینی میزان مصرف انرژی در سطح خانوار چندین چالش در سطوح فنی و عملی است. این ادبیات مطالعاتی راجع به پیش بینی مصرف انرژی در سطح فردی ندارد. به منظور ارائه یک راه حل عملی، این مقاله ارائه یک چارچوب برای پیش بینی میانگین مصرف روزانه انرژی خانوارهای فردی است. یک روش گروهی، با استفاده از تنوع اطلاعات، برای پیش بینی میانگین مصرف انرژی روزانه پیش بینی شده است. به منظور بهبود توانایی عمومی، یک مولفه رگرسیون قوی در ادغام گروه پیشنهاد شده است. استفاده از چنین ترکیبی قوی به دلیل پارامترهای تنوع ارائه شده در معماری گروه امکان پذیر شده است. رویکرد پیشنهادی برای مطالعه موردی در فرانسه مورد استفاده قرار می گیرد. نتایج نشان می دهد که بهبود قابل ملاحظه ای در توانایی تعمیم و همچنین کاهش چندین مشکل پیش بینی ناپایدار موجود در مدل های دیگر وجود دارد. نتایج همچنین در بین توانایی مدل مدل سازمانی پیشنهاد شده برای تولید عملکرد پیشرفت پیش بینی شده با داده های محدود ارائه شده است و اعتبار هویت یادگیری گروهی را در مدل پیشنهادی نشان می دهد. ما مزیت مفهومی یادگیری گروه را نشان می دهیم، با تاکید بر الزام تنوع در مجموعه داده ها به گروه های فرعی، به جای تصور غلط رایج در مورد نیاز به اطلاعات برای پیش بینی بهتر.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی مهندسی انرژی و فناوری های برق
چکیده انگلیسی
Smart energy management mandates a more decentralized energy infrastructure, entailing energy consumption information on a local level. Household-based energy consumption trends are becoming important to achieve reliable energy management for such local power systems. However, predicting energy consumption on a household level poses several challenges on technical and practical levels. The literature lacks studies addressing prediction of energy consumption on an individual household level. In order to provide a feasible solution, this paper presents a framework for predicting the average daily energy consumption of individual households. An ensemble method, utilizing information diversity, is proposed to predict the day-ahead average energy consumption. In order to further improve the generalization ability, a robust regression component is proposed in the ensemble integration. The use of such robust combiner has become possible due to the diversity parameters provided in the ensemble architecture. The proposed approach is applied to a case study in France. The results show significant improvement in the generalization ability as well as alleviation of several unstable-prediction problems, existing in other models. The results also provide insights on the ability of the suggested ensemble model to produce improved prediction performance with limited data, showing the validity of the ensemble learning identity in the proposed model. We demonstrate the conceptual benefit of ensemble learning, emphasizing on the requirement of diversity within datasets, given to sub-ensembles, rather than the common misconception of data availability requirement for improved prediction.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Energy - Volume 212, 15 February 2018, Pages 997-1012
نویسندگان
, , ,