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
ATZ-Fachkongress

Chassis.tech plus 2024


4 Kongresse in einer Veranstaltung

Treffen Sie in München die Fachleute von Chassis, Lenkung, Bremsen sowie Reifen/Räder.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Optimal Control of a Ball and Beam Nonlinear Model Based on Takagi-Sugeno Fuzzy Model Kapitel lesen Erstes Kapitel lesen

2018 | Supplement | Buchkapitel

Generating Load Profiles Using Smart Metering Time Series

verfasst von : Christian Bock

Erschienen in: Advances in Fuzzy Logic and Technology 2017

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In this work we present a practice-oriented approach for generating load profiles as a means to forecast energy demand by using smart metering time series. The general idea is to apply fuzzy clustering on historic consumption time series. The segmentation yielded helps electricity companies to identify customers with similar consumption behavior. This knowledge can be used to plan available energy capacities in advance. What makes this approach special is that this approach segments consumption time series by time in addition to identifying customer groups. This is done not only to accommodate for customers potentially behaving completely different on working days than on local holidays for example, but also to build the resulting load profiles in a way the electricity companies can adapt with minimal adjustments. We also evaluate our approach using two real world smart metering datasets and discuss potential improvements.

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 A Fuzzy Linguistics Supported Model to Measure the Contextual Bias in Sentiment Polarity
Nächstes Kapitel Uninorms on Bounded Lattices – Recent Development
Literatur
1.
2.
Andersen, F., Larsen, H., Boomsma, T.: Long-term forecasting of hourly electricity load: identification of consumption profiles and segmentation of customers. Energ. Convers. Manag. 68, 244–252 (2013)CrossRef
3.
Beckel, C., Sadamori, L., et al.: Revealing household characteristics from smart meter data. Energy 78, 397–410 (2014)CrossRef
4.
Benítez, I., Quijano, A., et al.: Dynamic clustering segmentation applied to load profiles of energy consumption from Spanish customers. Int. J. Electr. Power Energ. Syst. 55, 437–448 (2014)CrossRef
5.
Bezdek, J.C.: Pattern Recognition with Fuzzy Objective Function Algorithms. Springer, New York (1981)CrossRefMATH
6.
Bock, C.: Clustering-Ansatz zur Erstellung von Lastprofilen zur Vorhersage des Stromverbrauchs. In: Proceedings of the 28th GI-Workshop Grundlagen von Datenbanken (GvDB 2016), pp. 21–26 (2016)
7.
Bouguessa, M., Wang, S., Sun, H.: An objective approach to cluster validation. Pattern Recogn. Lett. 27(13), 1419–1430 (2006)CrossRef
8.
9.
Chicco, G., Ilie, I.S.: Support vector clustering of electrical load pattern data. IEEE Trans. Power Syst. 24(3), 1619–1628 (2009)CrossRef
10.
Diamantoulakis, P.D., Kapinas, V.M., Karagiannidis, G.K.: Big data analytics for dynamic energy management in smart grids (2015). CoRR, abs/1504.02424
11.
Figueiredo, V., Rodrigues, F., et al.: An electric energy consumer characterization framework based on data mining techniques. IEEE Trans. Power Syst. 20(2), 596–602 (2005)CrossRef
12.
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
13.
Gath, I., Geva, A.: Unsupervised optimal fuzzy clustering. IEEE Trans. Pattern Anal. Mach. Intell. 11, 773–780 (1989)CrossRefMATH
14.
Hathaway, R.J., Bezdek, J.C.: Fuzzy c-means clustering of incomplete data. IEEE Trans. Syst. Man Cybern. Part B Cybern. 31–35, 735–744 (2001). IEEE
15.
Hayn, M., et al.: Electricity load profiles in Europe: the importance of household segmentation. Energ. 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.
Himmelspach, L.: Fuzzy clustering of incomplete data. Ph.D. thesis, Heinrich-Heine-University, Institute of Computer Science (2016)
18.
Kolo, A., Kretschmann, C.: Hebung finanzieller Potentiale in der Strombilanzierung. et – Energiewirtschaftliche Tagesfragen 7, 43–45 (2015)
19.
Yang, S.L., Shen, C., et al.: A review of electric load classification in smart grid environment. Renew. Sustain. Energ. Rev. 24, 103–110 (2013)
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.
Misiti, M., Misiti, Y., et al.: Optimized clusters for disaggregated electricity load forecasting. Revstat 8(2), 105–124 (2010)MathSciNetMATH
23.
Rodrigues, F., Duarte, J., et al.: Proceedings of Machine Learning and Data Mining in Pattern Recognition: Third International Conference, MLDM 2003, Leipzig, Germany, 5–7 July 2003, pp. 73–85. Springer (2003)
24.
Rudin, C., Waltz, D., et al.: Machine learning for the New York city power grid. IEEE Trans. Pattern Anal. Mach. Intell. 34(2), 328–345 (2012)CrossRef
25.
Räsänen, T., Voukantsis, D., et al.: Data-based method for creating electricity use load profiles using large amount of customer-specific hourly measured electricity use data. Appl. Energ. 87(11), 3538–3545 (2010)CrossRef
26.
Schäfer, H., et al.: Analysing the segmentation of energy consumers using mixed fuzzy clustering. In: Fuzzy Systems (FUZZ-IEEE), pp. 1–7, August 2015
27.
Viegas, J.P.L., Vieira, S.M., Sousa, J.M.C.: Fuzzy clustering and prediction of electricity demand based on household characteristics. In: 2015 Conference on International Fuzzy Systems Association and European Society Fuzzy Logic and Technolgy (IFSA-EUSFLAT-15)
28.
29.
Zhang, X., Sun, C.: Dynamic intelligent cleaning model of dirty electric load data. Energ. Conver. Manag. 49(4), 564–569 (2008)CrossRef
Metadaten
Titel
Generating Load Profiles Using Smart Metering Time Series
verfasst von
Christian Bock
Copyright-Jahr
2018
Buch
Advances in Fuzzy Logic and Technology 2017

Print ISBN: 978-3-319-66829-1

Electronic ISBN: 978-3-319-66830-7

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-66830-7_20

Premium Partner

    Bildnachweise