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:

ขั้นตอนที่สรุปและอนาคตเราได้นำเสนอวิธีการใหม่ในการปรับตัวผิดปกติตรวจหาและคาดเดาใหม่ที่อิงรูปแบบเทคนิคการจับคู่เราประเมินวิธีนี้ในพื้นที่ของขนาดเล็กความต้องการไฟฟ้าที่อาศัยการพยากรณ์ ฟิลด์ของดอกเบี้ยสูงเนื่องจากการเกิดขึ้นของนักแสดงสมาร์ทกริดสำคัญดังกล่าวเป็น microgrids และ VPPsผลลัพธ์ที่ได้ โดยวิธีการของเราได้ดีกว่ารัฐวิธีศิลปะขนาดเล็ก ตามที่แสดงในผลลัพธ์ส่วน ยิ่ง เรารู้ว่า นี้เป็นเพียงการคาดการณ์ในขนาดเล็กที่ปกติวันเป็นวันผิดปกติ โดยไม่มีการจัดประเภทในการกำหนดพื้นฐาน เปิดใช้งานการตรวจหาความผิดปกติในการบินรูปแบบที่ตรงกัน และเทคนิคการทำนายกรณีไม่คาดคิดวันผิดปกติเกิดขึ้น เราเชื่อว่าการการคาดการณ์ความต้องการไฟฟ้าได้ผลลัพธ์ดีมากที่หม้อแปลงที่อยู่อาศัยระดับ ซึ่งในกรณีของเราถือว่าจะสูงถึง 350 วัตต์เราวางแผนเพื่อปรับปรุงเทคนิคของเราจัดประเภทตามลำดับให้เป็นไปตามฤดูกาลและวันของสัปดาห์รูปแบบการ สำหรับการปรับปรุงดังกล่าวจะเกิดขึ้น เราต้องการขนาดใหญ่ชุดข้อมูล หนึ่งซึ่งครอบคลุมหลายปี ซึ่งแตกต่างจากกรณีของเราซึ่งจำกัด 17 เดือน และไม่ได้ทำให้มากเกินไปภายหลังในแง่ของระดับชั้นม ในที่สุด เราจะเชื่อมต่อเทคนิคของเราทำนาย ด้วยอัลกอริทึมการตอบสนองความต้องการสำหรับวัตถุประสงค์นี้ ทำงานในอนาคตของเราจะทดสอบการตอบสนองความต้องการตัวแทนหลายระบบที่บ้านและชุมชนตามระดับจากคาดการณ์อุปสงค์พลังงานถูกต้อง เพื่อให้เหมาะกับการข้อจำกัดของการให้หม้อแปลงไฟฟ้า และยัง เพิ่มประสิทธิภาพการใช้แหล่งพลังงานทดแทนที่มี นอกจากนี้ อัจฉริยะเรียนรู้เทคนิคที่เกี่ยวข้องกับการทำงานร่วมกันควรช่วยในตอบสนองวัตถุประสงค์หลัก หรือสำคัญเมื่อรวมกับเทคนิคการการคาดการณ์ที่เหมาะสม บางส่วนของเบื้องต้นของเราทดสอบแล้วชี้ให้เห็นประโยชน์ของระบบดังกล่าวหลายตัวแทนต้องการเลื่อน [24] โดยรวม การพัฒนาเหล่านี้ควรนำไปสู่การเพิ่มเสถียรภาพของระบบไฟฟ้า และคาร์บอนต่ำผ่านการใช้มีประสิทธิภาพของพลังงานทดแทนผู้ใช้ลดต้นทุน และการดำเนินการที่เหมาะสมของระบบที่สำคัญ

ผลลัพธ์ (ไทย) 2:

สรุปผลการศึกษาและขั้นตอนในอนาคต
เราได้นำเสนอวิธีการใหม่สำหรับความผิดปกติการปรับตัว
ตรวจสอบและ Re-ทำนายขึ้นอยู่กับรูปแบบเทคนิคการจับคู่.
เราประเมินวิธีนี้ในพื้นที่ของขนาดเล็ก
การพยากรณ์ความต้องการไฟฟ้าที่อยู่อาศัยข้อมูลที่น่าสนใจสูง
เนื่องจากการเกิดขึ้นของสำคัญ นักแสดงมาร์ทกริดดังกล่าว
เป็น microgrids และ VPPs.
ผลที่ได้จากวิธีการของเราจะดีกว่ารัฐ
ของศิลปะในแนวทางขนาดเล็กตามที่ปรากฏในผลการ
ส่วน มากยิ่งขึ้นเท่าที่เรารู้ว่านี้เป็นเพียง
วิธีการคาดการณ์ในขนาดเล็กที่เกี่ยวข้องกับปกติ
วันเช่นเดียวกับวันที่ผิดปกติโดยไม่ต้องจำแนกบน
พื้นฐานที่กำหนดไว้จึงทำให้ on-the-fly ความผิดปกติการตรวจสอบ
การจับคู่แบบอีกครั้ง -prediction เทคนิคในกรณีของ
วันที่ผิดปกติที่ไม่คาดคิดเกิดขึ้น เราเชื่อว่า
ความต้องการไฟฟ้าผลการคาดการณ์ที่ประสบความสำเร็จเป็นอย่างดีใน
ระดับหม้อแปลงที่อยู่อาศัยซึ่งในกรณีของเราคือการพิจารณา
ที่จะให้ได้ถึง 350 กิโลวัตต์.
เราวางแผนที่จะปรับปรุงเทคนิคการจัดหมวดหมู่ของเราเพื่อ
ที่พวกเขาจะต้องขึ้นอยู่กับฤดูกาลและวันที่ สัปดาห์
รูปแบบ สำหรับการปรับปรุงดังกล่าวจะเกิดขึ้นเราต้องมีขนาดใหญ่ที่สุด
ชุดหนึ่งซึ่งครอบคลุมหลายปีซึ่งแตกต่างจากกรณีของเราซึ่ง
ถูก จำกัด ให้ 17 เดือนและดังนั้นจึงไม่อนุญาตให้มีมากเกินไป
tinkering ในแง่ของการเรียน SOM ในท้ายที่สุดเราจะเชื่อมต่อ
เทคนิคการคาดการณ์ของเรามีขั้นตอนวิธีการตอบสนองความต้องการ.
เพื่อจุดประสงค์นี้การทำงานในอนาคตของเราจะทดสอบการตอบสนองความต้องการของ
ระบบตัวแทนหลายที่ใช้ในครัวเรือนและระดับชุมชนตาม
การคาดการณ์ความต้องการใช้ไฟฟ้าที่ถูกต้องในการสั่งซื้อเพื่อให้เหมาะกับ
ขอบเขตของหม้อแปลงไฟฟ้าให้ และยังเพิ่มประสิทธิภาพ
การใช้งานของแหล่งพลังงานทดแทนที่มีอยู่ นอกจากนี้ฉลาด
เทคนิคการเรียนรู้ที่เกี่ยวข้องกับการทำงานร่วมกันจะช่วยใน
การตอบสนองวัตถุประสงค์หลักหรือที่สำคัญเมื่อมารวมกันเพื่อ
เทคนิคการพยากรณ์ที่เหมาะสม บางส่วนของเบื้องต้นของเรา
ทดสอบแล้วชี้ให้เห็นประโยชน์ของระบบตัวแทนหลายดังกล่าว
อยู่ในความต้องการขยับ [24] โดยรวม, การพัฒนาเหล่านี้ควร
มีส่วนร่วมเพื่อความมั่นคงที่เพิ่มขึ้นของระบบพลังงานและ
การปล่อยก๊าซคาร์บอนไดออกไซด์ต่ำผ่านการใช้งานที่มีประสิทธิภาพของพลังงานหมุนเวียน,
ค่าใช้จ่ายในการใช้ลดลงและการดำเนินงานที่ดีที่สุดของระบบที่สำคัญ

ผลลัพธ์ (ไทย) 3:

สรุปขั้นตอนในอนาคตเราได้นำเสนอวิธีใหม่สำหรับความผิดปกติที่ปรับตัวได้การตรวจสอบและการทำนายจะขึ้นอยู่กับการจับคู่รูปแบบเทคนิคเราใช้วิธีนี้ในพื้นที่ขนาดเล็กการพยากรณ์ความต้องการไฟฟ้าที่อยู่อาศัย สนามของดอกเบี้ยสูงเนื่องจากการเพิ่มขึ้นของสำคัญสมาร์ทกริดนักแสดงเช่นและเป็น microgrids vpps .ผลลัพธ์ที่ได้โดยวิธีของเราได้ดีกว่ารัฐของศิลปะแนวทางในขนาดเล็กที่แสดงในผลลัพธ์ส่วน มากขึ้น เท่าที่เรารู้ นี่เป็นเพียงการพยากรณ์วิธีการในขนาดเล็กที่เกี่ยวข้องกับปกติวันเช่นเดียวกับที่วันที่ไม่มีหมวดหมู่บนพื้นฐานที่กำหนดไว้จึงทำให้ตรวจจับความผิดปกติในการบิน ,รูปแบบการจับคู่ และเป็นเทคนิคในการพยากรณ์กรณีศึกษาไม่คาดคิดว่าวันเกิดขึ้น เราเชื่อว่าผลการพยากรณ์ความต้องการไฟฟ้าได้เป็นอย่างดีที่ระดับหม้อแปลงที่อยู่อาศัยซึ่งในกรณีของเราคือถือว่าเพื่อจะได้ถึง 350 กิโลวัตต์เราวางแผนที่จะปรับปรุงเทคนิคการจำแนกของเราเพื่อพวกเขาจะขึ้นอยู่กับฤดูกาลและวันของสัปดาห์รูปแบบ เช่นการปรับปรุงจะเกิดขึ้น เราต้องมีขนาดใหญ่ชุดข้อมูลหนึ่งซึ่งครอบคลุมหลายปี ไม่เหมือนของเรา ซึ่งในกรณีนี้ถูก จำกัด ถึง 17 เดือนและดังนั้นจึงไม่อนุญาตให้มากเกินไปtinkering ในแง่ของส้มในชั้นเรียน ในที่สุด เราก็จะเชื่อมต่อเทคนิคการพยากรณ์ความต้องการของเรากับขั้นตอนวิธีการตอบสนองสำหรับวัตถุประสงค์นี้การทำงานในอนาคตของเราจะทดสอบการตอบสนองความต้องการแบบจำลองชนิดหลายตัวแทนระบบในระดับครัวเรือน ชุมชนการคาดการณ์ความต้องการใช้ไฟฟ้าที่ถูกต้อง เพื่อให้เหมาะสมกับขอบเขตของการให้อำนาจ และยังเพิ่มประสิทธิภาพของหม้อแปลงการใช้แหล่งพลังงานหมุนเวียนที่ใช้ได้ นอกจากนี้ , ฉลาดเรียนรู้เทคนิคที่เกี่ยวข้องกับความร่วมมือจะช่วยในปฏิบัติตามหลักสำคัญเมื่อรวมกับวัตถุประสงค์หรือเทคนิคการพยากรณ์ที่เหมาะสม . บางส่วนของเราในเบื้องต้นทดสอบแล้วชี้ให้เห็นประโยชน์ของหลายระบบตัวแทน เช่นในความต้องการการขยับ [ 24 ] การพัฒนาเหล่านี้ควรรวมทั้งหมดมีส่วนร่วมเพื่อเพิ่มเสถียรภาพของระบบไฟฟ้ากำลัง และราคาคาร์บอนผ่านการใช้งานที่มีประสิทธิภาพของพลังงานสะอาด ,ลดต้นทุนการใช้ และการดำเนินงานที่เหมาะสมของระบบสำคัญ