Smart Meter Data Analytics / Wang, Yi  

Público ISBD Ningún comentario para este registro. Título : Smart Meter Data Analytics : Electricity Consumer Behavior Modeling, Aggregation, and Forecasting Tipo de documento: documento electrónico Autores: Wang, Yi, Autor ; Chen, Qixin, Autor ; Kang, Chongqing, Autor Mención de edición: 1 ed. Editorial: Singapore [Malasya] : Springer Fecha de publicación: 2020 Número de páginas: XXI, 293 p. 141 ilustraciones, 125 ilustraciones en color. ISBN/ISSN/DL: 978-981-1526244-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: La política energética  Energía y estado  Electric power production  Recursos de energía  Política  Economía y Gestión Energética  Ingeniería de Energía Eléctrica  Economía de los recursos naturales y la energía Índice Dewey: 333.7 Recursos naturales y energía Resumen: Este libro tiene como objetivo hacer el mejor uso de los datos detallados de los medidores inteligentes para procesarlos y traducirlos en información real e incorporarlos al modelado del comportamiento del consumidor y a las operaciones del sistema de distribución. Comienza con una descripción general de los desarrollos recientes en el análisis de datos de medidores inteligentes. Dado que la gestión de datos es la base de un mayor análisis de datos de medidores inteligentes y sus aplicaciones, posteriormente se estudian tres cuestiones sobre la gestión de datos, es decir, la compresión de datos, la detección de anomalías y la generación de datos. Los siguientes trabajos intentan modelar el comportamiento complejo del consumidor. Los trabajos específicos incluyen perfiles de carga, reconocimiento de patrones, diseño de precios personalizados, identificación de información sociodemográfica y codificación del comportamiento del hogar. Sobre esta base, el libro amplía el comportamiento del consumidor en una escala espacial y temporal. Se introducen trabajos como la agregación de consumidores, la previsión de carga individual y la previsión de carga agregada. Esperamos que este libro pueda inspirar a los lectores a definir nuevos problemas, aplicar métodos novedosos y obtener resultados interesantes con datos masivos de medidores inteligentes o incluso otros datos de monitoreo en los sistemas eléctricos. Nota de contenido: Overview for Smart Meter Data Analytics -- Smart Meter Data Compression Based on Load Feature Identification -- A Combined Data-Driven Approach for Electricity Theft Detection -- GAN-based Model for Residential Load Generation -- Ensemble Clustering for Individual Electricity Consumption Patterns Extraction -- Sparse and Redundant Representation-Based Partial Usage Pattern Extraction -- Data-Driven Personalized Price Design in Retail Market Using Smart Meter Data -- Deep Learning-Based Socio-demographic Information Identification -- Cross-domain Feature Selection and Coding for Household Energy Behavior -- Clustering of Electricity Consumption Behavior Dynamics Toward Big Data Applications -- Enhancing Short-term Probabilistic Residential Load Forecasting with Quantile LSTM -- An Ensemble Forecasting Method for the Aggregated Load With Subprofiles -- Prospects of Future Research Issues on Smart Meter Data Analytics. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Smart Meter Data Analytics : Electricity Consumer Behavior Modeling, Aggregation, and Forecasting [documento electrónico] / Wang, Yi, Autor ; Chen, Qixin, Autor ; Kang, Chongqing, Autor  . -  1 ed.  . - Singapore [Malasya] : Springer, 2020 . - XXI, 293 p. 141 ilustraciones, 125 ilustraciones en color. ISBN : 978-981-1526244-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: La política energética  Energía y estado  Electric power production  Recursos de energía  Política  Economía y Gestión Energética  Ingeniería de Energía Eléctrica  Economía de los recursos naturales y la energía Índice Dewey: 333.7 Recursos naturales y energía Resumen: Este libro tiene como objetivo hacer el mejor uso de los datos detallados de los medidores inteligentes para procesarlos y traducirlos en información real e incorporarlos al modelado del comportamiento del consumidor y a las operaciones del sistema de distribución. Comienza con una descripción general de los desarrollos recientes en el análisis de datos de medidores inteligentes. Dado que la gestión de datos es la base de un mayor análisis de datos de medidores inteligentes y sus aplicaciones, posteriormente se estudian tres cuestiones sobre la gestión de datos, es decir, la compresión de datos, la detección de anomalías y la generación de datos. Los siguientes trabajos intentan modelar el comportamiento complejo del consumidor. Los trabajos específicos incluyen perfiles de carga, reconocimiento de patrones, diseño de precios personalizados, identificación de información sociodemográfica y codificación del comportamiento del hogar. Sobre esta base, el libro amplía el comportamiento del consumidor en una escala espacial y temporal. Se introducen trabajos como la agregación de consumidores, la previsión de carga individual y la previsión de carga agregada. Esperamos que este libro pueda inspirar a los lectores a definir nuevos problemas, aplicar métodos novedosos y obtener resultados interesantes con datos masivos de medidores inteligentes o incluso otros datos de monitoreo en los sistemas eléctricos. Nota de contenido: Overview for Smart Meter Data Analytics -- Smart Meter Data Compression Based on Load Feature Identification -- A Combined Data-Driven Approach for Electricity Theft Detection -- GAN-based Model for Residential Load Generation -- Ensemble Clustering for Individual Electricity Consumption Patterns Extraction -- Sparse and Redundant Representation-Based Partial Usage Pattern Extraction -- Data-Driven Personalized Price Design in Retail Market Using Smart Meter Data -- Deep Learning-Based Socio-demographic Information Identification -- Cross-domain Feature Selection and Coding for Household Energy Behavior -- Clustering of Electricity Consumption Behavior Dynamics Toward Big Data Applications -- Enhancing Short-term Probabilistic Residential Load Forecasting with Quantile LSTM -- An Ensemble Forecasting Method for the Aggregated Load With Subprofiles -- Prospects of Future Research Issues on Smart Meter Data Analytics. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 1 / 1) Par page : 25 50 100 200