Participants were employees of a te

Participants were employees of a technology company in Silicon
Valley and voluntarily participated in the experiment. They all paid
for their own electricity bill. More than 50% of the participants
reported income levels higher than $150,000. However, it is worth
mentioning that the mix of households in our study (i.e., welleducated,
upper and middle class families who are also early
adopters of new technologies such as home energy monitoring
systems) is also more likely to respond to energy efficiency programs
by investing in energy-efficient products [34]. Hence, the
results of our analysis can be particularly helpful to energy efficiency
program managers and policy makers to develop programs
specifically targeted towards the households represented by our
sample.
After collecting the data, 952 households for which reliable
smart meter and survey data were available were selected for the
analysis. Less than 3% of survey responses were inconsistent or
missing, for which we imputed data using iterative model-based
imputation techniques ([35,36]). After the initial screening, we
did not observe any outliers in the data set. Selected households
were located in 419 different Zip Codes, 140 different counties, 26
different states, and were spread across all six climate zones
defined by the Department of Energy [1]. California had the largest
representation (53% of households) of all states in the data set.
During the data collection process, the weather conditions in most
areas where participant households resided were similar to the 30-
year average climatic conditions; however, some areas, especially
in the north east of the U.S., experienced slightly higher-thannormal
temperatures [37]. Average electricity consumption in our
sample lied between California and US averages. Some structural
determinants such as household size, square footage of the house,
and the proportion of single family detached units in our sample
were close to US population averages [33].
We analyzed the consumption data at hourly level to ensure that
the fluctuations in electricity consumption are considered, but not
obscured by sudden spikes in the consumption. This also makes the
results of our analysis comparable with those of previous studies on
smart meter data and electricity market analysis [38].
We transformed some variables to better reflect the technical
characteristics of buildings. For example, we transformed the
construction year to a categorical variable that indicated the residential
building code that was effective at the time of the construction
(i.e., different revisions of ASHRAE 90.2 [1]). We also
included a categorical variable for House Size to capture the effects
of the floor area that are not completely explained by square
footage. For example, when a building’s floor area passes a certain
threshold, the type of structural and architectural material that is
used in the building often changes significantly. Since we do not
have a separate variable for floor area and are not dividing the
electricity consumption of the dwelling by its floor area, introducing
the House Size variable does not create a multicollinearity
problem (Table 1).

ผลลัพธ์ (ไทย) 1:

เข้าร่วมเป็นพนักงานของ บริษัท เทคโนโลยีในซิลิคอน
หุบเขาและสมัครใจเข้าร่วมในการทดลอง พวกเขาทั้งหมดจ่าย
สำหรับค่าไฟฟ้าของพวกเขาเอง มากกว่า 50% ของผู้เข้าร่วม
รายงานระดับรายได้สูงกว่า $ 150,000 แต่มันเป็นมูลค่าการกล่าวขวัญว่า
ผสมของครัวเรือนในการศึกษาของเรา (เช่น welleducated
บนและครอบครัวชนชั้นกลางที่ยังต้น
ซึ้อของเทคโนโลยีใหม่เช่นการตรวจสอบพลังงานที่บ้านระบบ
) ก็ยังมีแนวโน้มที่จะตอบสนองต่อการโปรแกรมพลังงานอย่างมีประสิทธิภาพ
โดยการลงทุนในผลิตภัณฑ์พลังงานอย่างมีประสิทธิภาพ [34] ด้วยเหตุนี้ผล
จากการวิเคราะห์ของเราสามารถเป็นประโยชน์อย่างยิ่งเพื่อประสิทธิภาพการใช้พลังงาน
ผู้จัดการโครงการและผู้กำหนดนโยบายในการพัฒนาโปรแกรม
เป้าหมายที่เฉพาะเจาะจงไปยังผู้ประกอบการแสดงโดยตัวอย่างของเรา
.
หลังจากที่เก็บรวบรวมข้อมูล, 952 ครัวเรือนที่เชื่อถือได้
ข้อมูลเมตรสมาร์ทและการสำรวจที่มีอยู่ถูกเลือกสำหรับการวิเคราะห์
น้อยกว่า 3% ของการตอบสนองการสำรวจมีความไม่สอดคล้องกันหรือ
หายไปที่เราใช้ข้อมูลในตั๋วซ้ำรูปแบบที่ใช้เทคนิคการใส่ร้าย
([35,36]) หลังจากการตรวจคัดกรองเบื้องต้น
เราไม่ได้สังเกตค่าผิดปกติใด ๆ ในชุดข้อมูล เลือกครัวเรือน
ที่ตั้งอยู่ใน 419 รหัสไปรษณีย์ที่แตกต่างกัน 140 มณฑลที่แตกต่างกัน 26
รัฐที่แตกต่างและได้แผ่กระจายไปทั่วทั้งหกอากาศโซน
ที่กำหนดโดยกระทรวงพลังงาน [1] แคลิฟอร์เนียมีการแสดง
ที่ใหญ่ที่สุด (53% ของครัวเรือน) ของรัฐทั้งหมดในชุดข้อมูล
ระหว่างกระบวนการเก็บรวบรวมข้อมูลสภาพอากาศในพื้นที่มากที่สุด
ที่ผู้ประกอบการมีส่วนร่วมอาศัยอยู่มีความคล้ายคลึงกันถึง 30 -.
ปีสภาพภูมิอากาศเฉลี่ย; แต่บางพื้นที่โดยเฉพาะอย่างยิ่ง
ในตะวันออกเฉียงเหนือของเรามีประสบการณ์ที่สูงกว่าเล็กน้อย-thannormal อุณหภูมิ
[37] ปริมาณการใช้ไฟฟ้าเฉลี่ยในตัวอย่างของเรา
โกหกระหว่างแคลิฟอร์เนียและค่าเฉลี่ยเรา บางปัจจัย
โครงสร้างเช่นขนาดครัวเรือนพื้นที่เป็นตารางฟุตของบ้าน
และสัดส่วนของหน่วยครอบครัวเดี่ยวเดี่ยวในตัวอย่างของเรา
อยู่ใกล้กับเราค่าเฉลี่ยประชากร [33].
เราวิเคราะห์ข้อมูลการใช้ในระดับชั่วโมงเพื่อให้แน่ใจว่า
ความผันผวนของปริมาณการใช้ไฟฟ้าได้รับการพิจารณา แต่ไม่บดบังด้วย
spikes ฉับพลันในการบริโภค นี้ยังทำให้ผล
จากการวิเคราะห์ของเราเปรียบได้กับผู้ที่จากการศึกษาก่อนหน้านี้
ข้อมูลเมตรสมาร์ทและการวิเคราะห์ตลาดไฟฟ้า [38].
เราเปลี่ยนตัวแปรบางอย่างให้ดีขึ้นสะท้อนลักษณะ
ทางเทคนิคของอาคาร เช่นเราเปลี่ยนปีการก่อสร้าง
เป็นตัวแปรที่ระบุเด็ดขาด
รหัสที่อยู่อาศัยอาคารที่มีประสิทธิภาพในช่วงเวลาของการก่อสร้าง
(เช่นการแก้ไขที่แตกต่างกันของ ASHRAE 90.2 [1]) เรายัง
รวมตัวแปรเด็ดขาดสำหรับบ้านขนาดในการจับภาพผลกระทบ
ของพื้นที่ที่ไม่ได้อธิบายอย่างสมบูรณ์โดยตารางภาพ
ตัวอย่างเช่นเมื่อพื้นที่ชั้นของอาคารที่ผ่านเกณฑ์
บางประเภทของวัสดุโครงสร้างและสถาปัตยกรรมที่
ที่ใช้ในอาคารมักจะมีการเปลี่ยนแปลงอย่างมีนัยสำคัญ เนื่องจากเราไม่ได้
มีตัวแปรแยกต่างหากสำหรับพื้นที่ชั้นและไม่ได้แบ่งการใช้ไฟฟ้า
อยู่อาศัยตามพื้นที่ของทาง บริษัท ,แนะนำ
ตัวแปรบ้านขนาดไม่ได้สร้างปัญหาพหุ
(ตารางที่ 1)

ผลลัพธ์ (ไทย) 2:

ผู้เข้าร่วมมีพนักงานของบริษัทเทคโนโลยีในซิลิคอน
หุบเขา และร่วมมือตามด้วยความสมัครใจในการทดลอง พวกเขาทั้งหมดจ่าย
สำหรับไฟฟ้าของตนเอง มากกว่า 50% ของผู้เข้าร่วม
รายงานระดับรายได้ที่สูงขึ้นกว่า $150000 อย่างไรก็ตาม มีมูลค่า
กล่าวถึงที่ผสมของครัวเรือนในการศึกษาของเรา (เช่น welleducated,
ครอบครัวบน และชั้นกลางที่มีต้น
ผู้รับบุตรบุญธรรมของเทคโนโลยีใหม่เช่นการตรวจสอบพลังงานที่บ้าน
ระบบ) เป็นแนวโน้มที่จะตอบสนองต่อพลังงานประสิทธิภาพโปรแกรม
โดยลงทุนในผลิตภัณฑ์ที่ประหยัดพลังงาน [34] ดังนั้น
ผลการวิเคราะห์ของเราสามารถเป็นประโยชน์ต่อประสิทธิภาพการใช้พลังงาน
โปรแกรมผู้บริหารและผู้กำหนดนโยบายในการพัฒนาโปรแกรม
โดยเฉพาะเป้าหมายต่อครัวเรือนที่แสดงโดยเรา
ตัวอย่างได้
หลังจากรวบรวมข้อมูล ครัวเรือน 952 ที่เชื่อถือได้
สมาร์ทมิเตอร์และสำรวจข้อมูลมีเลือกสำหรับการ
วิเคราะห์ น้อยกว่า 3% การตอบแบบสำรวจได้สอดคล้อง หรือ
หายไป ในที่ที่เรา imputed ข้อมูลซ้ำโดยใช้เซ
เทคนิค imputation ([35,36]) หลังจากตรวจครั้งแรก เรา
ไม่ปฏิบัติใด ๆ outliers ในชุดข้อมูล เลือกครัวเรือน
มีอยู่ใน 419 ต่าง ๆ รหัสไปรษณีย์ เขตต่าง ๆ 140, 26
อเมริกาแตกต่างกัน และได้แพร่กระจายไปทั่วทุกภูมิอากาศ 6 เขต
กำหนด โดยพลังงาน [1] แคลิฟอร์เนียได้ใหญ่ที่สุด
แทน (53% ของครัวเรือนของอเมริกาทั้งหมดในชุดข้อมูล
ในระหว่างกระบวนการเก็บรวบรวมข้อมูล อากาศเงื่อนไขในที่สุด
พื้นที่ที่ครัวเรือนร่วมอยู่ได้คล้ายกับ 30-
ปีเฉลี่ยเงื่อนไข climatic อย่างไรก็ตาม บางพื้นที่ โดยเฉพาะอย่างยิ่ง
เหนือตะวันออกสหรัฐฯ ประสบการณ์เล็กน้อยสูง thannormal
อุณหภูมิ [37] เฉลี่ยปริมาณการใช้ไฟฟ้าของเรา
ตัวอย่างโกหกระหว่างแคลิฟอร์เนียและค่าเฉลี่ยของเรา โครงสร้างบาง
ดีเทอร์มิแนนต์เช่นขนาดของครัวเรือน ตารางฟุตของเฮาส์,
และสัดส่วนของครอบครัวเดี่ยวเดี่ยวในตัวอย่างของเรา
ได้ใกล้เคียงกับ [33] หาค่าเฉลี่ยของประชากรสหรัฐฯ
เราวิเคราะห์ข้อมูลปริมาณการใช้ในระดับชั่วโมงที่
ความผันผวนในปริมาณการใช้ไฟฟ้ากำลัง แต่ไม่
บดบัง โดย spikes ฉับพลันในการใช้ มีการ
ผลการวิเคราะห์ของเราเทียบได้กับการศึกษาก่อนหน้านี้
ข้อมูลสมาร์ทมิเตอร์และไฟฟ้าตลาดวิเคราะห์ [38]
เราเปลี่ยนตัวแปรบางอย่างดีขึ้น ถึงด้านเทคนิค
ลักษณะของอาคาร ตัวอย่าง เราเปลี่ยน
ปีตัวแปรแตกที่ระบุที่อยู่อาศัยก่อสร้าง
สร้างรหัสที่มีประสิทธิภาพในการก่อสร้าง
(เช่น อื่นแก้ไขของ ASHRAE 90.2 [1]) เรายัง
รวมตัวแปรที่แน่ชัดสำหรับบ้านขนาดจับผล
ของพื้นที่ที่มีไม่สมบูรณ์อธิบาย โดยสแควร์
ฟุต ตัวอย่าง เมื่อพื้นที่ของอาคารผ่านเป็นบาง
จำกัด ชนิดของวัสดุโครงสร้าง และสถาปัตยกรรมที่
ใช้ในอาคารที่มักจะเปลี่ยนแปลงอย่างมีนัยสำคัญ เนื่องจากเราไม่
มีตัวแปรแยกต่างหากสำหรับพื้นที่ และจะแบ่งการ
ปริมาณการใช้ไฟฟ้าในที่อยู่อาศัยตามพื้นที่ของพื้น แนะนำ
แปรขนาดบ้านสร้างเป็น multicollinearity
ปัญหา (ตารางที่ 1)

ผลลัพธ์ (ไทย) 3:

ผู้ร่วมประชุมเป็นพนักงานของบริษัทด้านเทคโนโลยีในซิลิโคน
Valley และด้วยความสมัครใจเข้าร่วมในการทดลองที่ ห้องพักทั้งหมดชำระเงิน
สำหรับค่าไฟฟ้าของพวกเขาเอง มากกว่า 50% ของผู้เข้าร่วมประชุมได้
รายงานรายได้ระดับที่สูงขึ้นมากกว่า$ 150,000 แต่ถึงอย่างไรก็ตามยังมีมูลค่า
ซึ่งจะช่วยระบุว่าการผสมผสานที่ของครัวเรือนในการศึกษาของเรา(เช่นครอบครัว Class
บนและส่วนกลางที่มีต้น welleducated ยัง
ใช้เทคโนโลยีล้ำสมัยของเทคโนโลยีใหม่ๆเช่นพลังงาน ภายในบ้าน
ซึ่งจะช่วยการตรวจสอบระบบ)จะยังมีแนวโน้มมากขึ้นที่จะตอบสนองต่อโปรแกรมการประหยัดพลังงาน
โดยการลงทุนในด้านพลังงานอย่างมี ประสิทธิภาพ ผลิตภัณฑ์ [ 34 ] ดังนั้น
ซึ่งจะช่วยผลการวิเคราะห์ของเราสามารถที่จะเป็นประโยชน์ในการใช้เครื่องชงโดยเฉพาะนโยบายและผู้จัดการใช้พลังงานอย่างมี ประสิทธิภาพ
ซึ่งจะช่วยในการพัฒนาโปรแกรมโปรแกรม
ซึ่งจะช่วยเฉพาะกลุ่มเป้าหมายไปยังครัวเรือนที่มีผู้แทนโดย
ซึ่งจะช่วยตัวอย่างของเรา.
หลังจากการรวบรวมข้อมูลที่ 952 ครัวเรือนซึ่งข้อมูล
เมตรอย่างชาญฉลาดและเชื่อถือได้มีการสำรวจความคิดเห็นจัดให้บริการอยู่ที่เลือกไว้สำหรับการวิเคราะห์
ซึ่งจะช่วยได้ น้อยกว่า 3% ของการตอบแบบสำรวจได้แย้งหรือไม่มี
ซึ่งจะช่วยให้ข้อมูลซึ่งเราพอพระทัยโดยใช้เทคนิคการฝึกฝนตาม
ยกให้เป็นของรุ่น([ 35,36 ]) หลังจากการตรวจคัดครั้งแรกที่เรา
ไม่ได้สังเกต outliers ใดๆในข้อมูลที่ตั้งค่า เลือกครัวเรือน
ตามมาตรฐานตั้งอยู่ใน 419 รหัสไปรษณีย์แตกต่างกัน 140 ประเทศแตกต่างกัน 26
สถานะการทำงานต่างๆและมีกระจายอยู่ในโซนหก สภาพ อากาศทั้งหมด
ที่กำหนดโดยกรมการพลังงาน[ 1 ] California
ซึ่งจะช่วยได้มากที่สุดเป็นตัวแทน( 53% ของครัวเรือน)ของรัฐทั้งหมดในข้อมูลที่ตั้งค่า.
ในระหว่างขั้นตอนการรวบรวมข้อมูลที่ สภาพ อากาศใน
ซึ่งจะช่วยพื้นที่ที่อาศัยอยู่นอกครัวเรือนเป็นผู้มีความคล้ายคลึงกับ 30 -
ได้สภาพ อากาศเฉลี่ยปีแต่ถึงอย่างไรก็ตามพื้นที่บางส่วนโดยเฉพาะ
ซึ่งจะช่วยในด้านตะวันออกเฉียงเหนือของสหรัฐอเมริกาที่มีประสบการณ์มี อุณหภูมิ สูงขึ้นเล็กน้อย - thannormal
[ 37 ] การใช้ไฟฟ้าเฉลี่ยใน
ตัวอย่างของเรามันโกหกระหว่าง California เราเฉลี่ยและ โครงสร้าง
ตัวกำหนดบางอย่างเช่นขนาดครัวเรือน ภาพ Square ของบ้านที่
และสัดส่วนของห้องพักในแบบครอบครัวเดี่ยวในตัวอย่างของเรา
อยู่ใกล้กับเราจำนวนประชากรเฉลี่ย[ 33 ].
เราวิเคราะห์ข้อมูลการใช้ที่อยู่ในระดับทุกชั่วโมงเพื่อไปยังให้ตรวจสอบให้แน่ใจว่าความผันผวนของ
ซึ่งจะช่วยในการใช้ไฟฟ้าที่จะได้รับการพิจารณาให้แต่ไม่คึกคักมากเท่า
ซึ่งจะช่วยในการกระชากอย่างกระทันหันในการ บริโภค โรงแรมแห่งนี้ยัง
ซึ่งจะช่วยทำให้ผลการวิเคราะห์ของเราให้ใกล้เคียงกับผู้ที่มีการศึกษาก่อนหน้าในการวิเคราะห์ตลาด
เมตร Smart ข้อมูลและการไฟฟ้า[ 38 ].
เราปรับเปลี่ยนตัวแปรบางอย่างเพื่อสะท้อนถึงด้านเทคนิค
ลักษณะของอาคารได้ดียิ่งขึ้น ตัวอย่างเช่นเราปรับเปลี่ยนปี
การก่อสร้างที่จะปรับเปลี่ยนหมวดหมู่ที่ระบุรหัส
อาคารที่พักอาศัยที่มี ประสิทธิภาพ ในเวลาที่มีการก่อสร้าง
ซึ่งจะช่วยได้(เช่นการแก้ไขที่แตกต่างของ ashrae 90.2 [ 1 ]) นอกจากนั้นเรายัง
ซึ่งจะช่วยปรับเปลี่ยนหมวดหมู่รวมถึงขนาดไปถ่าย ภาพ ส่งผลให้
ในบริเวณพื้นที่ที่มีขนาดพื้นที่โดยไม่ได้อธิบาย ภาพ อย่างสมบรูณ์แบบ
ซึ่งจะช่วย. ตัวอย่างเช่นเมื่อพื้นที่ชั้นของอาคารที่จะผ่านบางอย่าง
ซึ่งจะช่วยค่าขีดจำกัดที่ ประเภท ของวัสดุเชื่อมต่อในเชิงโครงสร้างและสถาปัตยกรรมที่เป็น
ซึ่งจะช่วยนำไปใช้ในอาคารที่บ่อยครั้งที่ความเปลี่ยนแปลงอย่างเห็นได้ชัด นับตั้งแต่ที่เราทำไม่มี
ซึ่งจะช่วยปรับเปลี่ยนแบบแยกพื้นที่สำหรับพื้นที่ชั้นและไม่ได้แบ่งการใช้
ซึ่งจะช่วยการไฟฟ้าของที่พักได้โดยพื้นที่ชั้นของพื้นที่ขอแนะนำ
ซึ่งจะช่วยปรับขนาดบ้านไม่ได้เป็นการสร้าง multicollinearity
ซึ่งจะช่วยแก้ไขปัญหา(ตารางที่ 1 )