Generating hourly electricity demand data for large-scale single-family buildings by a decomposition-recombination method

↓ Direkt till sidans innehåll
↓ Direkt till sidans sekundära innehåll (sidomenyn)

Sökning: id:"swepub:oai:DiVA.org:du-39871" > Generating hourly e...

1 av 1
Föregående post
Nästa post
Till träfflistan

Han, Mengjie,1985-Högskolan Dalarna,Mikrodataanalys,Dalarna University (författare)

Generating hourly electricity demand data for large-scale single-family buildings by a decomposition-recombination method

Artikel/kapitelEngelska2022

Förlag, utgivningsår, omfång ...

Elsevier BV,2022
printrdacarrier

Nummerbeteckningar

LIBRIS-ID:oai:DiVA.org:du-39871
https://urn.kb.se/resolve?urn=urn:nbn:se:du-39871URI
https://doi.org/10.1016/j.enbenv.2022.02.011DOI
https://urn.kb.se/resolve?urn=urn:nbn:se:uu:diva-468707URI

Kompletterande språkuppgifter

Språk:engelska
Sammanfattning på:engelska

Ingår i deldatabas

SwePubSwePub

Klassifikation

Ämneskategori:ref swepub-contenttype
Ämneskategori:art swepub-publicationtype

Anmärkningar

Household electricity demand has substantial impacts on local grid operation, energy storage and the energy performance of buildings. Hourly demand data at district or urban level helps stakeholders understand the demand patterns from a granular time scale and provides robust evidence in energy management. However, such type of data is often expensive and time-consuming to collect, process and integrate. Decisions built upon smart meter data have to deal with challenges of privacy and security in the whole process. Incomplete data due to confidentiality concerns or system failure can further increase the difficulty of modeling and optimization. In addition, methods using historical data to make predictions can largely vary depending on data quality, local building environment, and dynamic factors. Considering these challenges, this paper proposes a statistical method to generate hourly electricity demand data for large-scale single-family buildings by decomposing time series data and recombining them into synthetics. The proposed method used public data to capture seasonality and the distribution of residuals that fulfill statistical characteristics. A reference building was used to provide empirical parameter settings and validations for the studied buildings. An illustrative case in a city of Sweden using only annual total demand was presented for deploying the proposed method. The results showed that the proposed method can mimic reality well and represent a high level of similarity to the real data. The average monthly error for the best month reached 15.9% and the best one was below 10% among 11 tested months. Less than 0.6% improper synthetic values were found in the studied region.

Ämnesord och genrebeteckningar

NATURVETENSKAP Matematik Sannolikhetsteori och statistik hsv//swe
NATURAL SCIENCES Mathematics Probability Theory and Statistics hsv//eng
TEKNIK OCH TEKNOLOGIER Naturresursteknik Energisystem hsv//swe
ENGINEERING AND TECHNOLOGY Environmental Engineering Energy Systems hsv//eng
Data generation
Time series decomposition
Hourly electricity demand
Large-scale buildings

Biuppslag (personer, institutioner, konferenser, titlar ...)

Johari, FatemehUppsala universitet,Byggteknik och byggd miljö,Uppsala University(Swepub:uu)fatjo876 (författare)
Huang, PeiHögskolan Dalarna,Energiteknik,Dalarna University(Swepub:du)phn (författare)
Zhang, XingxingHögskolan Dalarna,Energiteknik,Dalarna University(Swepub:uu)xinzh859 (författare)
Högskolan DalarnaMikrodataanalys (creator_code:org_t)

Sammanhörande titlar

Ingår i:Energy and Built Environment: Elsevier BV2666-1233

Internetlänk

Hitta via bibliotek

Energy and Built Environment (Sök värdpublikationen i LIBRIS)

Till lärosätets databas

1 av 1
Föregående post
Nästa post
Till träfflistan

Hitta mer i SwePub

Av författaren/redakt...: Han, Mengjie, 19 ...; Johari, Fatemeh; Huang, Pei; Zhang, Xingxing

Om ämnet

NATURVETENSKAP: NATURVETENSKAP; och Matematik; och Sannolikhetsteor ...

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Naturresurstekni ...; och Energisystem

Artiklar i publikationen: Energy and Built ...

Av lärosätet: Högskolan Dalarna; Uppsala universitet

Sök utanför SwePub

Sök vidare i:: Google; Google Book Search; Google Scholar

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.

LIBRIS.kb.se