Ändra sökning
Avgränsa sökresultatet
1 - 2 av 2
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Träffar per sida
  • 5
  • 10
  • 20
  • 50
  • 100
  • 250
Sortering
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
  • Standard (Relevans)
  • Författare A-Ö
  • Författare Ö-A
  • Titel A-Ö
  • Titel Ö-A
  • Publikationstyp A-Ö
  • Publikationstyp Ö-A
  • Äldst först
  • Nyast först
  • Skapad (Äldst först)
  • Skapad (Nyast först)
  • Senast uppdaterad (Äldst först)
  • Senast uppdaterad (Nyast först)
  • Disputationsdatum (tidigaste först)
  • Disputationsdatum (senaste först)
Markera
Maxantalet träffar du kan exportera från sökgränssnittet är 250. Vid större uttag använd dig av utsökningar.
  • 1.
    Crosara, Alessandro
    et al.
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik. Pöyry.
    Tomasson, Egill
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Söder, Lennart
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Generation Adequacy in the Nordic and Baltic Region: Case Studies from 2020 to 2050: Flex4RES Project Report2019Rapport (Övrigt vetenskapligt)
    Abstract [en]

    Generation adequacy is a concern in today's electricity market where intermittent renewable energy sources are rapidly becoming a greater share of the generation mix. This study focuses on the Nordic and Baltic power system that is comprised of the system areas of the Nord Pool spot market. Sequential Monte Carlo Simulation is applied to assess the generation adequacy of this multi-area system for several future case studies, based on scenarios defined within the Nordic Flex4RES project. The report gives insights into the characteristics of these adequacy problems that the system could face in a more sustainable future, quantifies their magnitude and presents their characteristics. Finally, a solution based on the demand flexibility of residential electric heating is discussed, as a way to counter capacity deficit problems.

  • 2.
    Theile, Philipp
    et al.
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Towle, Anna-Linnea
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Karnataki, Kaustubh
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Crosara, Alessandro
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Paridari, Kaveh
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Turk, Graham
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Nordström, Lars
    KTH, Skolan för elektroteknik och datavetenskap (EECS), Elkraftteknik.
    Day-ahead electricity consumption prediction of a population of households: analyzing different machine learning techniques based on real data from RTE in France2018Ingår i: 2018 IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm), Institute of Electrical and Electronics Engineers (IEEE), 2018, artikel-id 8587591Konferensbidrag (Refereegranskat)
    Abstract [en]

    Forecasting of power consumption has been a topic of great interest for the stakeholders of electricity markets. It has an essential role in decision making, including purchasing and generating electric power, load switching, and demand side management. Different algorithms are tested and used for balancing the demand and supply of energy. This research work focuses on predicting power consumption using time series forecasting methods for the Île-de-France region with publicly available energy data from RTE, France. The two machine learning algorithms Support Vector Machine (SVM) and Recurrent Neural Network (RNN) are implemented and tested for their accuracy in predicting day-ahead half-hourly power consumption data. This paper provides brief insights on the algorithms used and further explains the data handling for its implementation. The Mean Absolute Percentage Error (MAPE) is used as the performance measure. The results indicate a higher accuracy of the RNN at the cost of longer computation times.

1 - 2 av 2
RefereraExporteraLänk till träfflistan
Permanent länk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf