文献

J-GLOBAL ID：202202232803910907   整理番号：22A0834739

機械学習モデルによる抽出需要応答プロファイルを用いた都市規模での建物の電力需要シェービング容量の推定【JST・京大機械翻訳】

Estimating power demand shaving capacity of buildings on an urban scale using extracted demand response profiles through machine learning models

著者 (2件)： Yu Xinran (Dept. of Civil and Urban Engineering, New York University, Brooklyn, NY 11201, USA) ,  Ergan Semiha (Dept. of Civil and Urban Engineering, New York University, Brooklyn, NY 11201, USA)
資料名： Applied Energy  (Applied Energy)
巻： 310  ページ： Null  発行年： 2022年 
JST資料番号： A0097A  ISSN： 0306-2619  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 人口増加と都市化によって駆動される増加する電力需要によって,国家電力グリッドは大規模な圧力にさらされ,それは潜在的電気停電につながる。需要応答(DR)プログラムは,ある期間(すなわち,DR事象)の間の需要を減らすために,エンド消費者を奨励して,より多くの発電所を構築するのに替わる経路の代替を提供する。供給容量を凌駕するピーク電力需要のリスクを軽減するために,建築の電力需要シェービング容量(PSC)を積極的に正確に見積もることは非常に重要である。しかし,大規模でのPSC推定の精度は,詳細な建物/装備情報の欠如により,逆行されている。本研究は,データ豊富な建物のより小さなコホートのPSCを推定するために開発した正確な予測モデルを活用して,都市規模でのデータ-自動車のDR性能を推論するための機械学習ベースの方法を提案した。特に,最先端のアンサンブルアルゴリズム(即ち,XGBoost)を用いて28の建物のPSCを正確に推定するための教師つき学習モデルを開発した。この推定モデルは3年間にわたる200以上の歴史的DR事象情報と共に詳細な建物とシステム情報のデータを用いて構築した。次に,教師なし学習法(例えば,K平均)を用いて,これらのデータリッチビルのDRプロファイルを作成し,DR電力消費のクラスタ(すなわち,DR事象中に使用されたベースライン電力消費の割合)を見出した。結果は,最良のPSC推定モデルが,現在の実践で使用される推定モデルと比較して,92%のDR容量の精度を改善することを示した。次に,3つのDRプロファイルが特定され,ニューヨーク市(NYC)における大きな建物が平均して4時間DR事象の間に67kWhを節約できる可能性を示した。さらに,これらのDRプロフィールは,NYCにおいて50,000以上の正方形足のフットプリントを有する9,000以上のデータ-自動車建物に割り当てられ,これらの建物がDRに登録された場合,合計で4.5百万kWh以上の需要シェービング能力を見出した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 自動車 ,  消費者 ,  *電力 ,  発電所 ,  *シェービング ,  電力消費 ,  *電力需要 ,  *都市 ,  都市化 ,  *電力管理 ,  建築物 ,  停電 ,  *機械学習 ,  予測モデル
準シソーラス用語： 推定モデル ,  *需要応答 , 【Automatic Indexing@JST】

著者キーワード (6件)： 需要応答 ,  機械学習 ,  電力需要シェービング容量 ,  スマートグリッド ,  グリッド相互作用の構築 ,  需要応答プロファイル

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (7件)： 学習モデル ,  需要応答 ,  プロファイル ,  建物 ,  電力需要 ,  シェービング ,  推定