Forecasting and Assessing Risk of Individual Electricity Peaks

ویرایش: [1st ed. 2020] 
نویسندگان: Maria Jacob,  Cláudia Neves,  Danica Vukadinović Greetham  
سری: Mathematics of Planet Earth 
ISBN (شابک) : 9783030286682, 9783030286699 
ناشر: Springer International Publishing 
سال نشر: 2020 
تعداد صفحات: XII, 97
[108] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 Mb 

قیمت کتاب (تومان) : 52,000



هدف کلی این کتاب دسترسی آزاد ارائه نظریه و الگوریتم‌های مستقل برای بررسی و پیش‌بینی پیک‌های تقاضای الکتریکی است. مقطعی از الگوریتم‌های پیش‌بینی تقاضای رایج از آمار، یادگیری ماشین و ریاضیات ارائه می‌شود و به دنبال آن تکنیک‌های نظریه ارزش شدید همراه با مثال‌هایی ارائه می‌شود.

برای دستیابی به اهداف کربن، پیش‌بینی خوب اوج‌ها ضروری است. به عنوان مثال، تغییر تقاضا یا شارژ باتری به پیش‌بینی صحیح تقاضا در زمان بستگی دارد. اکثر الگوریتم‌های پیش‌بینی از لحاظ تاریخی بر پیش‌بینی میانگین بار متمرکز بودند. به منظور مدل‌سازی پیک‌ها، روش‌هایی از نظریه ارزش افراطی استفاده می‌شود. این به ما امکان می دهد تا افراط ها را بدون هیچ گونه فرضی در مورد بخش های مرکزی توزیع تقاضا مطالعه کنیم و فراتر از محدوده داده های موجود را پیش بینی کنیم.

در حالی که روی بارهای جداگانه اعمال می شود، تکنیک های شرح داده شده در این کتاب را می توان به طور طبیعی به ایستگاه های فرعی یا تنظیمات تجاری گسترش داد. تکنیک‌های نظریه ارزش افراطی ارائه شده می‌تواند در سایر رشته‌ها نیز استفاده شود، به عنوان مثال برای پیش‌بینی بارش‌های شدید، سرعت باد، تابش خورشیدی و رویدادهای شدید آب و هوایی. این کتاب برای دانشجویان، دانشگاهیان، مهندسان و متخصصانی که به پیش بینی بار کوتاه مدت، تجزیه و تحلیل داده های انرژی، کنترل باتری، پاسخ طرف تقاضا و به طور کلی علم داده علاقه مند هستند، در نظر گرفته شده است.

The overarching aim of this open access book is to present self-contained theory and algorithms for investigation and prediction of electric demand peaks. A cross-section of popular demand forecasting algorithms from statistics, machine learning and mathematics is presented, followed by extreme value theory techniques with examples.

In order to achieve carbon targets, good forecasts of peaks are essential. For instance, shifting demand or charging battery depends on correct demand predictions in time. Majority of forecasting algorithms historically were focused on average load prediction. In order to model the peaks, methods from extreme value theory are applied. This allows us to study extremes without making any assumption on the central parts of demand distribution and to predict beyond the range of available data.

While applied on individual loads, the techniques described in this book can be extended naturally to substations, or to commercial settings. Extreme value theory techniques presented can be also used across other disciplines, for example for predicting heavy rainfalls, wind speed, solar radiation and extreme weather events. The book is intended for students, academics, engineers and professionals that are interested in short term load prediction, energy data analytics, battery control, demand side response and data science in general.

Front Matter ....Pages i-xii
 Introduction  (Maria Jacob, Cláudia Neves, Danica Vukadinović Greetham)....Pages 1-14
 Short Term Load Forecasting  (Maria Jacob, Cláudia Neves, Danica Vukadinović Greetham)....Pages 15-37
 Extreme Value Theory  (Maria Jacob, Cláudia Neves, Danica Vukadinović Greetham)....Pages 39-60
 Extreme Value Statistics  (Maria Jacob, Cláudia Neves, Danica Vukadinović Greetham)....Pages 61-84
 Case Study  (Maria Jacob, Cláudia Neves, Danica Vukadinović Greetham)....Pages 85-96
Back Matter ....Pages 97-97