CONCLUSION AND FUTURE STEPSWe have

CONCLUSION AND FUTURE STEPS
We have presented a new method for adaptive anomaly detection and re-prediction based on pattern matching techniques.
We evaluated this method in the area of small scale residential electrical demand forecasting, a field of high interest
due to the emergence of important smart grid actors such as microgrids and VPPs.
The results obtained by our method are better than state of the art approaches in small scale, as shown in the results
section. Even more, as far as we know, this is the only forecasting approach in small scale that deals with normal
days as well as anomalous days without classification on a predetermined basis, thus enabling on-the-fly anomaly detection, pattern matching, and re-prediction techniques in case of unanticipated anomalous days occurring. We believe that the electrical demand forecasting results achieved are very good at residential transformer level, which in our case is considered to be of up to 350 kW.
We plan to improve our classification techniques in order for them to be based on seasonality and day of the week
patterns. For such improvements to occur, we need a larger dataset, one which spans several years, unlike our case which was limited to 17 months and therefore didn’t allow too much
tinkering in terms of SOM classes. Ultimately, we will connect our prediction techniques with demand response algorithms.
For this purpose our future work will test demand response multi-agent systems at household and community level based
on accurate power demand predictions, in order to suit the limits of the transformer providing power and also optimize
the use of available renewable sources. Furthermore, intelligent learning techniques involving collaboration should help in
fulfilling primary or critical objectives when combined to appropriate forecasting techniques. Some of our preliminary
tests already point out the benefits of such multi-agent systems in demand shifting [24]. Overall, these developments should all contribute to increased stability of the power system and a lower carbon footprint through efficient use of renewables, reduced user costs, and optimal operation of critical systems

ผลลัพธ์ (ไทย) 1:

ขั้นตอนที่สรุปและอนาคตเราได้นำเสนอวิธีการตรวจหาความผิดปกติที่ปรับตัวและการคาดเดาใหม่อิงเทคนิคการจับคู่รูปแบบใหม่เราประเมินวิธีนี้ในพื้นที่ขนาดเล็กที่อยู่อาศัยไฟฟ้าอุปสงค์การคาดการณ์ ฟิลด์ของดอกเบี้ยสูงเนื่องจากการเกิดขึ้นของนักแสดงสำคัญสมาร์ทกริดเช่น microgrids และ VPPsผลลัพธ์ที่ได้ โดยวิธีการของเราได้ดีกว่าวิธีศิลปะขนาดเล็ก ดังที่แสดงในผลลัพธ์ส่วน ยิ่ง เรารู้ว่า นี้เป็นเพียงวิธีการคาดการณ์ในขนาดเล็กที่ปกติวันเป็นวันผิดปกติ โดยไม่มีการจัดประเภทตามกำหนด เปิดใช้งานการตรวจหาความผิดปกติในการบิน ลายตรง และเทคนิคการทำนายในกรณีไม่คาดคิดวันผิดปกติที่เกิดขึ้น เราเชื่อว่า ผลการคาดการณ์ความต้องการไฟฟ้าที่ได้จะดีมากที่หม้อแปลงไฟฟ้าที่อยู่อาศัยระดับ ซึ่งในกรณีของเราถือว่าเป็นสูงสุดถึง 350 วัตต์เราวางแผนที่จะพัฒนาเทคนิคการจัดประเภทของเราเพื่อให้เป็นไปตามฤดูกาลและวันของสัปดาห์รูปแบบการ สำหรับการปรับปรุงดังกล่าวจะเกิดขึ้น เราต้องการชุดข้อมูลขนาดใหญ่ หนึ่งซึ่งครอบคลุมหลายปี ซึ่งแตกต่างจากกรณีของเราซึ่งถูกจำกัด 17 เดือน และไม่ได้ทำให้มากเกินไปภายหลังในแง่ของระดับชั้นม ในที่สุด เราจะเชื่อมต่อเทคนิคการคาดเดาของเรากับอัลกอริทึมการตอบสนองความต้องการสำหรับวัตถุประสงค์นี้ ทำงานในอนาคตของเราจะทดสอบระบบตัวแทนหลายตอบสนองความต้องการที่บ้านและชุมชนตามระดับจากคาดการณ์อุปสงค์พลังงานถูกต้อง เพื่อให้เหมาะสมกับขีดจำกัดของหม้อแปลงไฟฟ้าที่ให้พลังงาน และยัง เพิ่มประสิทธิภาพการใช้แหล่งพลังงานทดแทนที่มี นอกจากนี้ เทคนิคการเรียนรู้อัจฉริยะที่เกี่ยวข้องกับการทำงานร่วมกันจะช่วยในตอบสนองหลัก หรือสำคัญวัตถุประสงค์รวมกันเพื่อความเหมาะสมเทคนิคการพยากรณ์ บางส่วนของเบื้องต้นของเราทดสอบแล้วชี้ให้เห็นประโยชน์ของระบบหลายตัวแทนดังกล่าวต้องการเลื่อน [24] โดยรวม พัฒนาเหล่านี้ควรนำไปเพื่อเพิ่มเสถียรภาพของระบบพลังงานและการปล่อยก๊าซคาร์บอนต่ำผ่านมีประสิทธิภาพการใช้พลังงานทดแทน ค่าใช้จ่ายของผู้ใช้ลดลง และทำงานของระบบที่สำคัญ

ผลลัพธ์ (ไทย) 2:

สรุปผลการศึกษาและขั้นตอนในอนาคต
เราได้นำเสนอวิธีการใหม่สำหรับการตรวจสอบความผิดปกติของการปรับตัวและอีกทำนายขึ้นอยู่กับรูปแบบเทคนิคการจับคู่.
เราประเมินวิธีนี้ในพื้นที่ของขนาดเล็กการพยากรณ์ความต้องการไฟฟ้าที่อยู่อาศัยข้อมูลของดอกเบี้ยสูงที่
เกิดจากการเกิดขึ้นของสำคัญ นักแสดงมาร์ทกริดเช่น microgrids และ VPPs.
ผลที่ได้จากวิธีการของเราจะดีกว่าสถานะของศิลปะในแนวทางขนาดเล็กตามที่ปรากฏในผลการ
ส่วน มากยิ่งขึ้นเท่าที่เรารู้ว่านี้เป็นวิธีการคาดการณ์เฉพาะในขนาดเล็กที่เกี่ยวข้องกับปกติ
วันเช่นเดียวกับวันที่ผิดปกติโดยไม่ต้องจำแนกบนพื้นฐานที่กำหนดไว้จึงทำให้ on-the-fly ความผิดปกติการตรวจสอบการจับคู่แบบอีกครั้ง -prediction เทคนิคในกรณีของวันที่ผิดปกติที่ไม่คาดคิดเกิดขึ้น เราเชื่อว่าความต้องการไฟฟ้าผลการคาดการณ์ที่ประสบความสำเร็จเป็นสิ่งที่ดีมากในระดับหม้อแปลงที่อยู่อาศัยซึ่งในกรณีของเราถือว่าเป็นของได้ถึง 350 กิโลวัตต์.
เราวางแผนที่จะปรับปรุงเทคนิคการจัดหมวดหมู่ของเราเพื่อให้พวกเขาให้เป็นไปตามฤดูกาลและวันที่ สัปดาห์
รูปแบบ สำหรับการปรับปรุงดังกล่าวจะเกิดขึ้นเราต้องมีชุดข้อมูลที่มีขนาดใหญ่หนึ่งซึ่งครอบคลุมหลายปีซึ่งแตกต่างจากกรณีของเราซึ่งถูก จำกัด ให้ 17 เดือนและดังนั้นจึงไม่อนุญาตให้มีมากเกินไป
tinkering ในแง่ของการเรียน SOM ในท้ายที่สุดเราจะเชื่อมต่อเทคนิคการคาดการณ์ของเรามีขั้นตอนวิธีการตอบสนองความต้องการ.
เพื่อจุดประสงค์นี้การทำงานในอนาคตของเราจะทดสอบการตอบสนองความต้องการของระบบตัวแทนหลายที่ใช้ในครัวเรือนและระดับชุมชนตาม
การคาดการณ์ความต้องการใช้ไฟฟ้าที่ถูกต้องในการสั่งซื้อเพื่อให้เหมาะกับขอบเขตของหม้อแปลงไฟฟ้าให้ และยังเพิ่มประสิทธิภาพ
การใช้งานของแหล่งพลังงานทดแทนที่มีอยู่ นอกจากนี้เทคนิคการเรียนรู้มีความคิดสร้างสรรค์ที่เกี่ยวข้องกับการทำงานร่วมกันจะช่วยใน
การตอบสนองวัตถุประสงค์หลักหรือที่สำคัญเมื่อรวมกับเทคนิคการคาดการณ์ที่เหมาะสม บางส่วนของเบื้องต้นของเรา
ทดสอบแล้วชี้ให้เห็นประโยชน์ของระบบตัวแทนหลายดังกล่าวอยู่ในความต้องการขยับ [24] โดยรวม, การพัฒนาเหล่านี้ทุกคนควรมีส่วนร่วมเพื่อความมั่นคงที่เพิ่มขึ้นของระบบพลังงานและการปล่อยก๊าซคาร์บอนไดออกไซด์ต่ำผ่านการใช้งานที่มีประสิทธิภาพของพลังงานหมุนเวียน, ค่าใช้จ่ายในการใช้ลดลงและการดำเนินงานที่ดีที่สุดของระบบที่สำคัญ