英语原文共 29 页，剩余内容已隐藏，支付完成后下载完整资料
一个高分辨率的国内建设占用模型对能源需求分析
摘 要
家庭中的能源使用是碳排放的主要来源，并且高度依赖于居民的活动。更具体地说，能源使用的时机，尤其是电力，高度依赖于居住者活动的时间。因此,为了高时间分辨率模型内需的概要文件,例如在设计和评估需求侧管理系统(包括需求的改变),是大有好处的考虑居民的行为而言,当他们可能使用家用电器,照明和取暖。本文提出了一种详细的、详细的方法，为英国家庭提供真实的居住数据，基于调查的时间使用数据，描述了人们的行为和时间。该方法以10分钟的分辨率生成统计占用时间序列数据，并考虑到工作日和周末之间的差异。该模型还指出了在给定时间内在房子内活动的住户数量，这一点很重要，例如，为了模拟能源使用的共享(共享使用电器等)。该模型的数据可以作为任何使用占用时间序列作为基础变量的国内能源模型的输入，或者任何其他需要详细占用数据的应用程序。该模型已在Excel中实现，可免费下载。家庭中的能源使用是碳排放的主要来源，并且高度依赖于居民的活动。更具体地说，能源使用的时机，尤其是电力，高度依赖于居住者活动的时间。因此,为了高时间分辨率模型内需的概要文件,例如在设计和评估需求侧管理系统(包括需求的改变),是大有好处的考虑居民的行为而言,当他们可能使用家用电器,照明和取暖。本文提出了一种详细的、详细的方法，为英国家庭提供真实的居住数据，基于调查的时间使用数据，描述了人们的行为和时间。该方法以10分钟的分辨率生成统计占用时间序列数据，并考虑到工作日和周末之间的差异。该模型还指出了在给定时间内在房子内活动的住户数量，这一点很重要，例如，为了模拟能源使用的共享(共享使用电器等)。该模型的数据可以作为任何使用占用时间序列作为基础变量的国内能源模型的输入，或者任何其他需要详细占用数据的应用程序。该模型已在Excel中实现，可免费下载。
关键词 国内占用；能源模拟
1、介绍
摘要国内住宅的详细电力和热需求概况是准确分析新低碳技术和战略的重要前提，如分布式发电和需求侧管理。
建筑物内的电器、照明、供暖和家庭热水的使用在时间上有很大的不同，主要是根据建筑居民的活动。在国内部门，这不仅取决于居住在房产上的人的数量，还取决于他们是否在家和活跃(也就是不睡觉)。一些现有的能源使用模式支持这一前提，一个例子是Tyndall中心的报告“微网格:分布式现场发电”，该报告评论说“电力负荷配置主要取决于家庭规模和占用模式。”
我们把一个“积极的居住者”定义为一个在屋子里不睡觉的人。
对于准确的需求模型，同样重要的是要考虑到家电的照明和加热的共享。例如，一幢房子里的活跃住户增加一倍，不太可能使照明需求增加一倍，因为在普通房间里，居住者会共用照明设备。共享依赖于给定时间内的活动占用者的数量，以及问题的设备类型。
不幸的是，也许并不令人意外的是，大量的数据描述了房子里的活跃住户的数量是不容易获得的。Paatero和Paatero在构建“自下而上”的电能使用模型时，讨论了关于家庭的详细数据的要求。这样的模型集合了单个设备的负载，超过了时间序列，并从“基层消费细节”中获益，或者在“统计平均数”上详细说明了模型的配置。Paatero和Paatero提到的其他工作是Paatero等人，他们详细描述了一种复杂的居住负载模型，需要计算占用者的数据，比如每个人的“家庭概况”。Stokes等人说，“考虑到
这些占用模式将改善多样性的模型。类似的，姚明和斯特恩的5人说，“负荷状况很大程度上取决于入住模式。”“因此，很明显，在能源使用模型的背景下，生成人工占用数据的能力在很大程度上是有益的;在其他研究领域，它也可能是有价值的。”
摘要基于英国6人的时间使用调查数据，提出了一种基于人的时间使用数据的模型。一种马尔科夫链技术用于生成合成数据，使其具有与原始调查数据相同的总体统计数据。
时间使用调查(图)数据
一项关于人们如何使用时间的大型调查于2000年在英国进行，被称为“时间使用调查”(TUS)。它包含详细的24小时日记，由成千上万的参与者完成10分钟的解析。数据包括参与者的位置，在每10分钟的日记周期中，因此可以被用来确定一个房子里的活跃居住者的数量。(在数据的位置字段中，“2”的值表明，参与者在家中，而不是在睡觉，在学习或工作中)。
2.1个人占用的概要文件
图1显示了从图1中获取的50个示例活动占用配置文件。每个水平条表示那个人在那个时候是活跃的。正如预期的那样，在晚上(00:00-07:00)，一些活动(在家里)白天活动，晚上大部分活动都有活动。
图1所示。从图中提取的50个示例活动占用配置文件
2.2房子占用概要文件
很自然的是，住在同一地址的人的活动是相互关联的，这一点很重要，这个特点包括在占用模型中，以便在以后的能源使用模型中能够恰当地体现出电器的共享。幸运的是，图中数据显示了在同一地址的人，因此提供了一种直接的方法来了解每10分钟内每栋房子里的活跃居住者的数量。
|
0 |
2 |
4 |
6 |
8 |
10 |
12 |
14 |
16 |
18 |
20 |
22 |
24 |
|
Hour of day (h) |
||||||||||||
图2展示了图2所示的一个示例房屋。可以看到，在早上8点(可能他们起床)，两个人都很活跃，而且他们都在14:00离开了房间(或者不太可能睡觉)。这种关联行为是调查数据中的一个常见特征。
2.3总入住率概要文件
在整个图中，每10分钟的日记中，至少有一个活跃的占有者，被总结为工作日和周末组，结果如图3所示。这些曲线显示了一些预期的特征，包括:夜间活动非常低，周末延迟，以及早餐、午餐和晚餐的高峰。此外，有趣的是，这一占用率与典型的国内电力需求状况惊人地相似，这明显增加了早先的断言，即电力需求应该以活跃的占用为基础。
图3所示。在工作日和周末的时候，所有的调查参与者都要聚集在活动中。
构造模型
该模型的目的是生成具有与时间使用调查数据相同特征的随机占用数据，从而允许创建更大的数据集。一阶马氏链法是一种很好的随机方法，它是一种很好的数据生成的随机方法。
摘要数据是十分钟时间,因此一天的活动占用时间序列数据对于一个给定的房子(如图2所示)包含144整数数字,这被称为“国家”和整数是活跃的人的数量为十分钟。一阶马尔科夫链技术的概念是，每个状态仅依赖于前一个状态，以及状态变化的概率。这些概率是在“过渡概率矩阵”中进行的，这是表1中给出的一个例子。
这个例子适用于一个人的家庭，从午夜开始。如果这个人在00:00睡觉，那么他们很可能在00:10的时候还在睡觉。这表示左上角的0。994的概率。或者，如果这个人在00:00醒着，那么他们在00:10上退休的概率是0。207，就像左下方的细胞所显示的那样。(为了简单起见，在上面的讨论中省略了进入或离开房间的可能性。)十分钟后，这个概念是相似的，但是概率稍微改变了。因此，为了表示一整天，需要144个转换概率矩阵。注意，在最简单的Markov模型中，过渡矩阵是不变的。然而，这样的模型并不能捕获过程中明显的时间依赖性。
为了生成合成数据，在每一次步骤中选择一个随机数(从0到1)，并使用适当的转换概率矩阵和当前时间步骤中的状态，来确定下一个步骤的状态。这通常被称为马氏链-蒙特卡罗技术，910。一个两个人的家庭类似的，但有3乘3的跃迁概率矩阵。同样的,大的家庭需要更大的矩阵。
3.1构建过渡概率矩阵
从图2所示的例子中可以看出，转换概率矩阵是从图中得到的。有144个这样的计算来完成一天的表现。
本文中描述的占用模型的目的是:“图中源数据”被分类:
家庭居民的数量(1到6);
无论这一天是工作日还是周末。
对于一些在图中数据的家庭来说，可用的日记的数量少于记录的家庭居民的数量(例如，由于年幼的孩子)。在这些情况下，该模型仅基于可用的日记。
表2所展示的144个计算在每个类别中重复，产生一组矩阵，如表3所述。
3.2开始状态
为了生成Markov的链，有必要提供一个启动状态:在00:00的时候，有多少活跃的人在房子里。这当然是随机的，但应该与原始图中所发现的概率匹配。图4显示了从图中得到的概率分布。如预期的那样，大多数的居住者在00:00不活动。
图4所示。活动占用率的百分比分布在00:00
3.3生成数据
从图4中所示的概率分布中选择随机数量的活动占用者，选择开始状态。链中的后续状态是根据每个时间步骤选择一个随机数来确定的，并使用适当的转移概率矩阵(给定一周的时间和众议院的总人数)。
3.4可下载的模型
该模型的一个示例实现，以Microsoft Excel工作簿的形式，已经可以免费下载11。它包含了转换概率矩阵、开始状态分布和算法的可视化基本实现。源代码是开放的，可以很容易地适应特定的应用程序，并对作者进行适当的确认。
4、模型的验证和使用
4.1个人住宅用房模拟
图5显示了模型的4个实例的输出，一个工作日的两个人的房子。由于随机生成的随机数，每一次运行都是不同的，但是所有的运行都基于相同的转换概率矩阵，因此具有相似的特征。可以看到，居住者通常在早上起床，之后不久就离开了家，可能还会回来吃午饭，然后回到晚上。
图5所示。4个占用模型的例子运行结果(2个住户，工作日)
将图5中所示的占用模式与图2所示的模式进行比较，首先表明该模型是按预期工作的:夜间活动水平较低，早晨和晚上增加。为了更全面地验证模型，它运行了大量的时间和输出的数据，与原始的图数据相比。
4.2验证
图6显示了两个居民家庭的综合模型输出结果，这两个家庭都是周末和工作日的情况。这显示了2000栋房屋中积极居住者的比例，与该模型所产生的10,000栋房屋中活跃居住者的比例相比。
图6所示。对一个工作日(2个居民家庭)的模拟和调查数据进行比较
对于大量房屋的聚合活动占用情况，图6确认了模拟输出生成的数据与图中的数据几乎相同。模型输出与图的数据之间的密切关联在与其他居民的房子进行比较时也可以看到。
4.3验证转换
模型输出的进一步验证是根据模型生成的每10分钟的占用率，与图的数据进行比较。在图7中显示了活跃和不活跃的人数，这是一个有1000个居民家庭的样本。
图7所示。越来越多的人变得活跃和不活跃(2个居民家庭，工作日)
如图7所示，过渡到一个活跃的占用状态，出现两个高峰:第一个是早餐时间，第二个是下午的第二个高峰。过渡到一个不活跃状态也有两个高峰:一个在早餐时间，另一个在晚上结束。此外，图7显示，模型生成的数据与图中数据具有非常相似的转换特征，尤其是考虑到在每个步骤中，活跃和不活跃的人的数量是这个例子中2000个居民总数的一个子集。
4.4对相关占用率变化的验证
图8显示了该模型对相关占用率变化的模拟验证。这个图表显示了1000户居民家庭的相关占用率的变化，同时也显示了这两种居民同时活跃或不活跃的次数。
图8所示。相关的入住率变化(2个居民家庭，工作日)
清晨的高峰表明，人们往往会起身离开家，这在图中和模型输出数据中都可以看到。同样，模型和原始数据之间的相关性非常明显。
4.5讨论
前面的比较表明，该模型在生成具有与原始数据相似的统计特征的数据方面表现得非常好。它的计算效率也非常高:大量的数据可能会很快生成。这样做的一个原因是，为了生成链中的下一个状态，只需要生成一个随机数，并对适当的转换概率矩阵进行查找和比较。
图中所提供的数据只提供了几天的日记，而不是连续几天。尽管该模型可以用于生成跨越数天的数据，但它不会考虑每天的一致性模式。例如，在现实世界中，一个在08:00开始工作的人第二天可能会做类似的事情，而模型的多次运行却不能反映这一点。也许可以从数据中推断出这样的模式，但这主要是推测性的，并且不被认为是令人满意的增强。
5、结论
摘要提出了一种模型，该模型为英国家庭的主动居住模式提供了一种随机模拟。该模型基于英国2000年时间使用调查(TUS)数据集，并使用一种马尔科夫链技术来生成与原始数据相匹配的统计特征数据。
从源数据中构建交易概率矩阵并利用这些数据生成合成数据序列的技术是非常有效的，而且计算效率很高。原始图数据和仿真结果的统计特征非常密切相关。
该模型的实现，以Microsoft Excel工作簿的形式，可以免费下载，可以采用并适用于特定的应用程序。
该模型产生的占用模式将用于高分辨率的家庭能耗模型等应用程序中，在这些模型中，多样性和共享是重要的因素。考虑到这一点，该数据被分类为:周末/周末，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[486670]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
