دو روش برای ترکیب داده های مصرف انرژی مسکونی مقیاس پذیر
ترجمه نشده

دو روش برای ترکیب داده های مصرف انرژی مسکونی مقیاس پذیر

عنوان فارسی مقاله: دو روش برای ترکیب داده های مصرف انرژی مسکونی مقیاس پذیر
عنوان انگلیسی مقاله: Two approaches for synthesizing scalable residential energy consumption data
مجله/کنفرانس: سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems
رشته های تحصیلی مرتبط: مهندسی کامپیوتر، مهندسی برق، مهندسی انرژی
گرایش های تحصیلی مرتبط: الگوریتم و محاسبات، برق قدرت، سیستم های انرژی
کلمات کلیدی فارسی: مصرف انرژی، سری های زمانی، ترکیب کردن، شبیه سازی، تولید داده ها
کلمات کلیدی انگلیسی: Energy Consumption, Time series, Synthesize, Simulation, Data generation
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.future.2019.01.045
دانشگاه: Technical University of Denmark, Denmark
صفحات مقاله انگلیسی: 31
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2019
ایمپکت فاکتور: 5.341 در سال 2017
شاخص H_index: 85 در سال 2019
شاخص SJR: 0.844 در سال 2017
شناسه ISSN: 0167-739X
شاخص Quartile (چارک): Q1 در سال 2017
فرمت مقاله انگلیسی: PDF
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
کد محصول: E11994
فهرست مطالب (انگلیسی)

Abstract

1. Introduction

2. Related work

3. Methods

4. Parallel data generation

5. Evaluation

6. Conclusions and future work

Acknowledgments

References

بخشی از مقاله (انگلیسی)

Abstract

Many fields require scalable and detailed energy consumption data for different study purposes. However, due to privacy issues, it is often difficult to obtain sufficiently large datasets. This paper proposes two different methods for synthesizing fine-grained energy consumption data for residential households, namely a regression-based method and a probability-based method. They each use a supervised machine learning method, which trains models with a relatively small real-world dataset and then generates large-scale time series based on the models. This paper describes the two methods in details, including data generation process, optimization techniques, and parallel data generation. This paper evaluates the performance of the two methods, which compare the resulting consumption profiles with real-world data, including patterns, statistics, and parallel data generation in the cluster. The results demonstrate the effectiveness of the proposed methods and their efficiency in generating large-scale datasets.