دانلود ترجمه مقاله پیش بینی احتمالی چند مقیاسی تقاضای برق در شبکه های هوشمند

1. مقدمه 2. پژوهش های مرتبط 3. شبکه های بیزی 4. نتایج و بررسی 5. نتیجه گیری

چکیده – مدیریت تقاضا در ساختمان های مسکونی یک مؤلفه کلیدی مربوط به پایداری و کارایی در محیط های شهری است. پیشرفت های اخیر در تکنولوژی های مبتنی بر سنسور، یک سری مدل های مصرف انرژی جدید را اتخاذ می کنند که به خوبی الگوهای اساسی را مشخص می کنند. در این مقاله، ما یک مدل پیش بینی محرک داده ای احتمالی برای پیش بینی مصرف در ساختمان های مسکونی پیشنهاد داده ایم. این مدل مبتنی بر چارچوب شبکه بیزی (BN) است که قادر به بررسی روابط وابستگی بین متغیرهای مشارکتی می باشد. بنابراین، ما این فرض را در نظر گرفته ایم که این موضوع غالباً در مدل های پیش بینی سنتی قرار دارد. علاوه بر این، ما قادر به رفع مؤثر عدم قطعیت در متغیرهای ورودی و شناسایی تأثیرات آنها روی خروجی های سیستم هستیم. ما رویکرد پیشنهادی مان را روی داده های ارائه شده توسط آزمایشگاه ملی شمال غربی پاسیفیک (PNNL) مورد تست قرار داده ایم، داده هایی که از طریق یک پروژه شبکه هوشمند پایلوت جمع آوری شده است. ما عملکرد مدل مان را در یک محیط چند مقیاسی با در نظر گرفتن متغیرهای زمانی (یعنی، بازه های ساعتی و 15 دقیقه ای) و مکانی (یعنی همه خانوار ها در یک منطقه) به منظور آنالیز داده ها مورد تست قرار داده ایم. پیش بینی تقاضا در سطوح خانوار فردی، اولین گام به سوی طراحی سیاست های شخصی و هدفمند برای هر مشتری می باشد. با اینکه این موضوع به طور گسترده در زمینه بازاریابی دیجیتالی مورد بررسی قرار گرفته است، پژوهش های کمی در بخش انرژی انجام شده است. نتایج نشان می دهند که شبکه های بیزی را می توان به طور مؤثری برای مدل سازی انرژی احتمالی در ساختمان های مسکونی با بررسی وابستگی بین متغیرها مورد استفاده قرار داد.

Demand management in residential buildings is a key component toward sustainability and efficiency in urban environments. The recent advancements in sensor based technologies hold the promise of novel energy consumption models that can better characterize the underlying patterns. In this paper, we propose a probabilistic data-driven predictive model for consumption forecasting in residential buildings. The model is based on Bayesian network (BN) framework which is able to discover dependency relations between contributing variables. Thus, we can relax the assumptions that are often made in traditional forecasting models. Moreover, we are able to efficiently capture the uncertainties in input variables and quantify their effect on the system output. We test our proposed approach to the data provided by Pacific Northwest National Lab (PNNL) which has been collected through a pilot Smart Grid project. We examine the performance of our model in a multiscale setting by considering various temporal (i.e., 15 min, hourly intervals) and spatial (i.e., all households in a region, each household) resolutions for analyzing data. Demand forecasting at the individual households’ levels is a first step toward designing personalized and targeted policies for each customer. While this is a widely studied topic in digital marketing, few researches have been done in the energy sector. The results indicate that Bayesian networks can be efficiently used for probabilistic energy modeling in residential buildings by discovering the dependencies between variables.