Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Bibliometric Analysis of the Explainable Artificial Intelligence Research Field Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Forecasting Energy Demand by Clustering Smart Metering Time Series

verfasst von : Christian Bock

Erschienen in: Information Processing and Management of Uncertainty in Knowledge-Based Systems. Theory and Foundations

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Current demands on the energy market, such as legal policies towards green energy usage and economic pressure due to growing competition, require energy companies to increase their understanding of consumer behavior and streamline business processes. One way to help achieve these goals is by making use of the increasing availability of smart metering time series. In this paper we extend an approach based on fuzzy clustering using smart meter data to yield load profiles which can be used to forecast the energy demand of customers. In addition, our approach is built with existing business processes in mind. This helps not only to accurately satisfy real world requirements, but also to ease adoption by the industry. We also assess the quality of our approach using real world smart metering datasets.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Independence of Sources in Social Networks
Nächstes Kapitel Linguistic Description of the Evolution of Stress Level Using Fuzzy Deformable Prototypes
Literatur
1.
2.
Andersen, F., Larsen, H., Boomsma, T.: Long-term forecasting of hourly electricity load: identification of consumption profiles and segmentation of customers. Energy Convers. Manag. 68, 244–252 (2013)CrossRef
3.
Arthur, D., Vassilvitskii, S.: K-means++: the advantages of careful seeding. In: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, SODA 2007, Philadelphia, PA, USA, pp. 1027–1035. Society for Industrial and Applied Mathematics (2007)
4.
Beckel, C., Sadamori, L., et al.: Revealing household characteristics from smart meter data. Energy 78, 397–410 (2014)CrossRef
5.
Benítez, I., Quijano, A., et al.: Dynamic clustering segmentation applied to load profiles of energy consumption from Spanish customers. Int. J. Electr. Power Energy Syst. 55, 437–448 (2014)CrossRef
6.
7.
8.
Bouguessa, M., Wang, S., Sun, H.: An objective approach to cluster validation. Pattern Recogn. Lett. 27(13), 1419–1430 (2006)CrossRef
9.
10.
Diamantoulakis, P.D., Kapinas, V.M., Karagiannidis, G.K.: Big data analytics for dynamic energy management in smart grids. CoRR, abs/1504.02424 (2015)CrossRef
11.
12.
Fernandes, M.P., Viegas, J.L., Vieira, S.M., Sousa, J.M.C.: Seasonal clustering of residential natural gas consumers. In: Carvalho, J.P., Lesot, M.-J., Kaymak, U., Vieira, S., Bouchon-Meunier, B., Yager, R.R. (eds.) IPMU 2016. CCIS, vol. 610, pp. 723–734. Springer, Cham (2016). https://​doi.​org/​10.​1007/​978-3-319-40596-4_​60CrossRef
13.
Fusco, F., Wurst, M., Yoon, J.: Mining residential household information from low-resolution smart meter data. In: 2012 21st International Conference on Pattern Recognition (ICPR), pp. 3545–3548, November 2012
14.
Hathaway, R.J., Bezdek, J.C.: Fuzzy c-means clustering of incomplete data. IEEE Trans. Syst. Man Cybern. Part B: Cybern. 31(5), 735–744 (2001)CrossRef
15.
Hayn, M., et al.: Electricity load profiles in Europe: the importance of household segmentation. Energy Res. Soc. Sci. 3, 30–45 (2014)CrossRef
16.
Hernández, L., Baladrón, C., et al.: Classification and clustering of electricity demand patterns in industrial parks. Energies 5(12), 5215 (2012)CrossRef
17.
Hoffman, P., Frey, G., Friedrich, D.M., Kerber-Clasen, S., Marschall, J., Geiger, D.M.: Praxistest “Moderne Energiesparsysteme im Haushalt” (2012)
18.
Kolo, A., Kretschmann, C.: Hebung finanzieller Potentiale in der Strombilanzierung. et - Energiewirtschaftliche Tagesfragen 7, 43–45 (2015)
19.
Zhou, K., Yang, S., et al.: A review of electric load classification in smart grid environment. Renew. Sustain. Energy Rev. 24, 103–110 (2013)CrossRef
20.
López, J.J., Aguado, J.A., et al.: Hopfield-k-means clustering algorithm: a proposal for the segmentation of electricity customers. Electr. Power Syst. Res. 81(2), 716–724 (2011)CrossRef
21.
Mahmoudi-Kohan, N., Moghaddam, M.P., Sheikh-El-Eslami, M.: An annual framework for clustering-based pricing for an electricity retailer. Electr. Power Syst. Res. 80(9), 1042–1048 (2010)CrossRef
22.
Viegas, J.P.L., Vieira, S.M., Sousa, J.M.C.: Fuzzy clustering and prediction of electricity demand based on household characteristics. In: 2015 World Congress of the International Fuzzy Systems Association and Conference of the European Society for Fuzzy Logic and Technology (IFSA-EUSFLAT 2015) (2015)
23.
24.
Zhang, X., Sun, C.: Dynamic intelligent cleaning model of dirty electric load data. Energy Convers. Manag. 49(4), 564–569 (2008)CrossRef
Metadaten
Titel
Forecasting Energy Demand by Clustering Smart Metering Time Series
verfasst von
Christian Bock
Copyright-Jahr
2018
Buch
Information Processing and Management of Uncertainty in Knowledge-Based Systems. Theory and Foundations

Print ISBN: 978-3-319-91472-5

Electronic ISBN: 978-3-319-91473-2

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-91473-2_37

Premium Partner

    Bildnachweise