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:
Effective Self Attention Modeling for Aspect Based Sentiment Analysis Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Profiling of Household Residents’ Electricity Consumption Behavior Using Clustering Analysis

verfasst von : Christian Nordahl, Veselka Boeva, Håkan Grahn, Marie Persson Netz

Erschienen in: Computational Science – ICCS 2019

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In this study we apply clustering techniques for analyzing and understanding households’ electricity consumption data. The knowledge extracted by this analysis is used to create a model of normal electricity consumption behavior for each particular household. Initially, the household’s electricity consumption data are partitioned into a number of clusters with similar daily electricity consumption profiles. The centroids of the generated clusters can be considered as representative signatures of a household’s electricity consumption behavior. The proposed approach is evaluated by conducting a number of experiments on electricity consumption data of ten selected households. The obtained results show that the proposed approach is suitable for data organizing and understanding, and can be applied for modeling electricity consumption behavior on a household level.

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 Financial Time Series: Motif Discovery and Analysis Using VALMOD
Nächstes Kapitel DNAS-STriDE Framework for Human Behavior Modeling in Dynamic Environments
Literatur
1.
Baya, A.E., Granitto, P.M.: How many clusters: a validation index for arbitrary-shaped clusters. IEEE/ACM Trans. Comput. Biol. Bioinform. 10(2), 401–414 (2013)CrossRef
2.
Chalmers, C., Hurst, W., Mackay, M., Fergus, P.: Profiling users in the smart grid. In: The Seventh International Conference on Emerging Networks and Systems Intelligence (2015)
3.
Chen, T., Mutanen, A., Järventausta, P., Koivisto, H.: Change detection of electric customer behavior based on AMR measurements. In: 2015 IEEE Eindhoven PowerTech, pp. 1–6. IEEE (2015)
4.
Ding, H., Trajcevski, G., Scheuermann, P., Wang, X., Keogh, E.: Querying and mining of time series data: experimental comparison of representations and distance measures. Proc. VLDB Endow. 1(2), 1542–1552 (2008)CrossRef
5.
Halkidi, M., Batistakis, Y., Vazirgiannis, M.: On clustering validation techniques. J. Intell. Inf. Syst. 17(2–3), 107–145 (2001)CrossRef
6.
Handl, J., Knowles, J., Kell, D.B.: Computational cluster validation in post-genomic data analysis. Bioinformatics 21(15), 3201–3212 (2005)CrossRef
7.
MacQueen, J., et al.: Some methods for classification and analysis of multivariate observations. In: 5th Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, pp. 281–297 (1967)
8.
Mega, M.S., Cummings, J.L., Fiorello, T., Gornbein, J.: The spectrum of behavioral changes in Alzheimer’s disease. Neurology 46(1), 130–135 (1996)CrossRef
9.
Nordahl, C., Boeva, V., Grahn, H., Netz, M.: Organizing, visualizing and understanding households electricity consumption data through clustering analysis. In: 2nd Workshop on Aging, Rehabilitation and Independent Assisted Living, IJCAI Workshop (2018)
10.
Nordahl, C., Persson, M., Grahn, H.: Detection of residents’ abnormal behaviour by analysing energy consumption of individual households. In: 2017 IEEE International Conference on Data Mining Workshops (ICDMW), pp. 729–738. IEEE (2017)
11.
Rousseeuw, P.J.: Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. J. Comput. Appl. Math. 20, 53–65 (1987)CrossRef
12.
Sakoe, H., Chiba, S.: Dynamic programming algorithm optimization for spoken word recognition. IEEE Trans. Acoust. Speech Signal Process. 26(1), 43–49 (1978)CrossRef
13.
Zagler, W.L., Panek, P., Rauhala, M.: Ambient assisted living systems-the conflicts between technology, acceptance, ethics and privacy. In: Dagstuhl Seminar Proceedings. Schloss Dagstuhl-Leibniz-Zentrum fr Informatik (2008)
14.
Zhang, Y., Chen, W., Black, J.: Anomaly detection in premise energy consumption data. In: 2011 IEEE Power and Energy Society General Meeting, pp. 1–8. IEEE (2011)
Metadaten
Titel
Profiling of Household Residents’ Electricity Consumption Behavior Using Clustering Analysis
verfasst von
Christian Nordahl
Veselka Boeva
Håkan Grahn
Marie Persson Netz
Copyright-Jahr
2019
Buch
Computational Science – ICCS 2019

Print ISBN: 978-3-030-22749-4

Electronic ISBN: 978-3-030-22750-0

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-030-22750-0_78

Premium Partner

    Bildnachweise