デンマークの家庭用電力需要家の合成データセット

Scientific Data volume 10、記事番号: 371 (2023) この記事を引用

132 アクセス

1 オルトメトリック

メトリクスの詳細

従来の家庭用電力消費者は、電力を消費するだけでなく発電も行うプロシューマーになりつつあります。この変化は今後数十年間にわたって大規模に起こると予想されており、電力網の運営、計画、投資、実行可能なビジネスモデルに多くの不確実性とリスクをもたらします。この変化に備えるために、研究者、公益事業者、政策立案者、新興企業は、将来の消費者の電力消費を包括的に理解する必要があります。残念ながら、プライバシー上の懸念や、バッテリー電気自動車やホームオートメーションなどの新技術の導入の遅れにより、利用できるデータの量は限られています。この問題に対処するために、このペーパーでは、5 種類の家庭用消費者の輸出入電力データを含む合成データセットを紹介します。このデータセットは、デンマークの実際の伝統的な消費者のデータ、全球太陽エネルギー推定 (GSEE) モデルからの PV 発電データ、emobpy パッケージを使用して生成された電気自動車 (EV) 充電データ、住宅用エネルギー貯蔵システム (ESS) オペレーター、および合成データを生成する敵対的生成ネットワーク (GAN) ベースのモデル。データセットの品質は、定性検査と 3 つの方法 (経験統計、情報理論に基づく指標、機械学習技術に基づく評価指標) によって評価および検証されました。

現代の家庭における再生可能エネルギー源（RES）、電気自動車（EV）、エネルギー貯蔵システム（ESS）の普及の増加に伴い、従来の消費者はプロシューマに変化しており、電力システムはますますダイナミックかつ双方向になっています。 2022 年にも、RES は急速な成長を続け、世界の発電量の 13% を占め、2021 年と比較して 17% 増加しました11。2021 年に発表された国際エネルギー機関 (IEA) の見通しでは、世界の発電量の 56% が RES によるものであると予測されています。 2050 年までに再生可能エネルギーが増加し、太陽光が再生可能資源全体の最大 43% を占めると予測されています2。暖房や交通機関の電化により、世界の電力消費も増加するでしょう。すべての電力使用量の中で、国内の EV が排出削減に大きく貢献していると考えられており、2050 年までに乗用車全体の 70% を占めると予想され、バッテリー電気自動車 (BEV) が全車両販売の 56% を占めると予想されています3。

この予測に基づいて、送電網運営者、政策立案者、電力会社、その他の利害関係者は、将来の家庭用電力消費のダイナミクスを理解することが不可欠です。ただし、これには、主に高品質のデータの可用性に関していくつかの障壁があります。第一に、消費者のプライバシーへの懸念により、専門家や研究者は大規模な個人の電力消費データを利用できません。スマートメーターが広く導入されている国では、インターバル消費量データは、消費者、システムオペレーター、小売業者のみが請求のために利用できます。しかし、いずれの場合も、EV、定置式バッテリー、太陽光発電システムなどのメータービハインド（BTM）機器に基づくユーザーのタイプは不明です。第 2 に、既存の電力需要家のタイプは準動的であり、時間の経過とともに変化し、電力消費者の分類を更新するメカニズムがありません。たとえば、太陽光発電の故障により、太陽光発電ユーザーが一時的に非太陽光発電ユーザーになったり、EV が利用できなくなったことによりユーザーのタイプが一時的に変わったりする可能性があります。システムオペレータ、アグリゲーター、小売業者にとって、プロシューマタイプの動的な知識（時間単位や日単位など）は、計画や運用に向けて数時間から数日先までの需要行動をより適切に推定するために重要となる可能性があります。この点において、さまざまなタイプの消費者の電力消費に関する大規模なラベル付きデータセットは、電力網の近代化を促進します4。

既存の公開データセットは、(1) 実際の研究室から収集されたデータ 5、6、7 と (2) シミュレーション研究 8、9 の 2 つの主要なカテゴリに分類されます。世界中の一部のリビングラボでは、スマートメーターやその他のスマートデバイスを使用してアプライアンスレベルの間隔データを収集しています6、7、10、11。これらは高解像度データを提供できますが、限られた数のプロシューマーにのみ提供されます。プライバシー上の懸念や契約上の義務により、一部の企業はデータを公に共有できません。シミュレーション研究のうち、一部の研究者は、個々の家庭の電力使用量をシミュレーションするために、物理ベースのモデルまたはデータ駆動型のモデルを構築しました8、9、12。物理ベースのモデルには、熱容量、熱抵抗、室内温度などの建物の物理パラメータが必要ですが、実際にはこれらを取得して維持するのは困難です。さらに、物理ベースのモデルは、プロシューマーについての知識が増えるほど、世帯の特定が容易になるため、プライバシーの懸念を悪化させます。物理ベースのモデルと比較して、データ駆動型モデルは消費者/プロシューマーの履歴データのみに依存します。主な問題は、適切な自動化を備えた家庭用 BTM テクノロジーが、特に定置型バッテリーや BEV に対してまだ大規模に採用されていないことです。したがって、データ駆動型モデルには、さまざまな種類のプロシューマの時系列を合成するのに十分な間隔データがありません。

データの可用性の問題を解決するために、まずベンチマークユーザーとしての実世界の消費者のデータに基づいてデータセットを構築し、デンマークからの他の情報を考慮して 3 つの異なる RES 間隔データでそれを集計します。検討されている 3 つの RES は、自動エネルギー貯蔵システム (ESS)、屋上太陽光発電システム、および BEV であり、BEV が将来の自動車市場を支配すると予想されています3。このようにして、完全を期すために、プロシューマーのプロトタイプを 5 つ、コンシューマーのプロトタイプを 1 つ作成します。実世界の消費者のデータを使用する際のプライバシーの懸念に対処するために、私たちはデータを毎日再フォーマットし、条件付き表形式敵対的生成ネットワーク (CTGAN) ベースのデータ合成装置を適用して各プロトタイプの合成データを生成します。この手順により、3 つの理由から現実世界の消費者のプライバシーを保護できます。まず、実際の消費者の電力データを使用して、さまざまなタイプの消費者の電力プロファイルを作成しました。これは、消費者の本当の消費量が RES 時系列と混合することによって隠蔽されることを意味します。第 2 に、データジェネレーターはブラックボックス方式であり、リバースエンジニアリングができず、細分化するのが困難です。さらに、データセットには特定の季節と気温における毎日のプロファイルのみが含まれているため、エンドユーザーのライフスタイルと占有率はデータセットには存在しません。したがって、連続する 2 日の間には関連性がありません。全体として、600,000 日分の送電網からの輸入エネルギーと送電網への輸出エネルギーの合成データセットを作成しました。考案したアルゴリズムにより、平日とそれ以外（祝日、週末を含む）の2種類の曜日、四季、周囲の温度を考慮した6種類の電力使用量プロファイルを生成します。特に、当社の産業パートナーである Watts A/S はデンマーク出身であり、当社のプロジェクトに従来の消費者の時間ごとの使用量データを提供してくれたので、当社はデンマークの住宅消費者をターゲットにしています13。それにもかかわらず、提案されたデータ合成装置は汎用的なものであり、データと必要な情報の入手可能性に応じて、他の地域や国のデータを合成するために使用できます。

いくつかの要因により、この研究とデータセットが重要になります。まず、データセットには、BTM 機器、曜日、季節、毎日の気温によってラベル付けされた、個々の住宅ユーザーの 1 時間ごとの (グリッドから) インポートおよびエクスポートされた (グリッドへ) 電力使用量が含まれています。私たちの知る限り、このようなデータセットは現在、研究開発のために一般公開されていません 7,14。また、このデータセットは、システム計画、市場分析とビジネスモデル開発、BTM 柔軟性モデリング、コミュニティエネルギーハブの設計、マイクログリッドとローカル市場の設計、電化の評価とその温室効果ガス排出への影響など、さまざまなアプリケーションで使用できます。プロシューマーの時代15、16。次に、データセットの品質は、定性的検査、経験統計、機械学習 (ML) ベースの評価指標、情報理論の 4 つの方法で検証されます。最後に、合成データセットは、上で説明した理由により、プライバシーの問題を回避します。

このセクションでは、全体的なワークフロー、住宅用 BEV 消費モデリング、住宅用 PV 発電モデリング、データを合成するための自動 ESS モデリングなど、提案された合成データセットを生成する方法論について説明します。最後に、合成データの生成に使用される CTGAN を紹介します。

図 1 のブロック図は、私たちの方法論のワークフローを示しています。一般に、最終的な合成データセットを取得するには 8 つのフェーズが必要です。これらのフェーズには、データ収集、PV および EV の年間プロファイルの生成、ESS を持つプロシューマーの決定、ESS プロファイルの生成、プロシューマーのタイプの要約、データ分割、データのラベル付け、および合成データの生成が含まれます。データ収集段階では、プロジェクト業界のパートナーから提供される、2019 年の時間単位の解像度で輸出入されたエネルギーデータを含む、2,000 人のデンマークの実際の消費者からのエネルギーデータを利用します。これらのプロファイルはベースロードとして機能します。これらは、同じ気象条件で同じ地域に住むデンマークの住宅世帯です。生データは、業界パートナーのプライバシーポリシー 18、一般データ保護規則 (GDPR) 19、およびデンマークデータ保護法 20 に従って消費者の同意を得て、デンマークの送電システムオペレーター (TSO) EnergiNet の DataHub 17 から収集されました。気象データは、特定の地域 21 について OpenWeather から収集され、エネルギーデータの解像度、つまり時間単位の解像度に一致するようにダウンサンプリングされます。 BEV の導入率はここ数年で急激に増加しています22が、信頼できるデータセットの構築に役立てるためにデータを共有する意欲のある BEV 所有者は不足しています。さらに、現在の BEV 所有者のほとんどは自宅で低速充電器を使用しており、BEV の充電消費量は個別に記録されていません。したがって、さまざまなシナリオの下でデンマークの EV 所有者向けのデータを生成するには、洗練された BEV 充電データモデルが必要です。当社では、デンマークの住宅部門における EV の充電需要を詳細にシミュレートするために、多くの機能を備えた信頼性の高い検証済みのツール 23 を使用しています。デンマークの運転習慣を取り入れるために、1 日あたりの移動回数、距離と所要時間、モーターの種類、バッテリーのサイズ、熱伝達などの BEV の仕様、および充電ステーションの可用性や車両の定格電力などのその他の外部要因に関するデンマークのモビリティ統計を収集しました。統計局からの充電器とデンマークの BEV 市場シェア24、25。 BEV 充電データの詳細については、「EV プロファイルジェネレーター」セクションで説明します。

データ生成プロセスの故障。

住宅用太陽光発電データについても、同様のデータ可用性の問題がありました。 2019 年末までに、デンマークの世帯のわずか 13% が屋上太陽光発電システムを所有していました26。また、PV 発電量は個別に計測されません。エクスポートされたエネルギーデータのみが利用可能です。したがって、地域の気象情報とメテオサットベースの衛星データセットの体系的な偏りを考慮した PV 発電モデルを使用します。 PV 発電データを合成するプロセスについては、「PV プロファイルジェネレーター」セクションで詳しく説明します。 EV と PV のプロファイルを入手したら、プロシューマーが自宅に定置型バッテリーを持っているかどうかをさらに検討します。これは、ESS を備えたプロシューマーを決定する段階で行われます。ここでは、デンマークの住宅用エネルギー貯蔵の現状に関するデータが不足しているため、300 人のプロシューマを ESS ユーザーとして恣意的に選択しました。それにもかかわらず、プロシューマーの輸出入エネルギープロファイルへの影響を確認するために、さまざまな普及レベルを想定することができます。敷地内に定置式バッテリーを所有する消費者向けに、内部消費、PV 発電、BEV 消費 (存在する場合) に応じてバッテリーの充電/放電プロファイルを生成するルールベースの自動化システムが開発されています。住宅用 ESS 操作用のルールベースのコントローラーは、現在業界で最も一般的なアプローチです27。 ESS データの生成については、「ESS プロファイルジェネレーター」セクションで説明します。

3 つのモデルと実際の消費者のデータを使用して、BTM 機器の異なる組み合わせを持つ 5 種類のプロシューマーを含むシードデータセットを構築しました。次に、データセットは 2 種類の日、つまり平日と、休日や週末を含むその他の日の日次プロファイルに分割されます。図1の図に示すように、生成されたデータを2種類の日（平日とその他）、その日の気温の中央値、日気温の標準偏差、および四季に応じてラベル付けし、合成データを生成します。ユーザータイプに基づいた 12 の CTGAN を含むデータセット。詳細については、「合成データ生成モデル」を参照してください。

電力使用状況は、多くの社会経済的、文化的、技術的な理由により、地域ごとに大きく異なります。この研究では、提案されたフレームワークを使用してデンマークの住宅のプロシューマーと消費者のデータを合成しましたが、提案されたフレームワークは、入力パラメーターをカスタマイズすることで、あらゆる地域のプロシューマーと消費者のデータを合成するために適用できます。

BEV の充電アクティビティは、PYTHON の emobpy23 を使用してシミュレートされます。 emobpy は、経験的なモビリティ統計と車両の物理的特性から BEV 充電プロファイルを生成できるオープンソースツールです。これは、4 つの連続モデルを使用して、個々の BEV の走行モビリティ、電力消費量、送電網の可用性、家庭向けの送電網からの輸入エネルギーをモデル化します。具体的には、車両モビリティモデルはサンプリング手法を使用して、経験的な確率分布に基づいて計算期間の毎日の妥当な走行ルーチンを生成します。このモデルの出力は、時間順に並べ替えられた旅行のリストであり、出発時刻、移動距離、および旅行期間で出発地と目的地の位置を接続するエッジで表されます。電力消費モデルは、BEV の走行時の時系列の走行電力消費量を推定します。車両モビリティモデル、車両タイプ、速度、地形によって生成される車両モビリティ時系列を考慮して、車両の牽引、暖房、冷却に必要な電力を定式化します。グリッド可用性モデルは、運転電力消費と充電インフラの可用性を考慮して、特定のエリアで BEV の充電が可能な時間の割合を表すグリッド可用性時系列を決定します。最後に、グリッドモデルからインポートされたエネルギーは、以前のモデルによって生成された駆動電力消費の時系列とグリッドの可用性に基づいて、BEV を充電するためのグリッド電力需要の時系列を生成します。

このツールをアプリケーションに再利用するために、emobpy で導入された 4 つのモデルを 1 つのモデルに統合し、設定をカスタマイズして、BEV の物理的特性と気象条件を入力として取り、住宅用 BEV 充電プロファイルを出力として抽出する新しいモデルを構築しました。図 1 に示す入力パラメータは、デンマークの BEV 市場シェア統計 25 とデンマーク統計局の雇用データ 24 に基づいて収集されています。データの総量を考慮し、失敗例を除外して、フルタイム、パートタイム、フリータイムなどのさまざまな雇用形態、およびさまざまな BEV ブランドを含む 743 人の BEV ユーザーの住宅用充電プロファイルを 1 年間生成しました。上記の統計に基づいています。したがって、538 人のフルタイムユーザー、178 人のパートタイムユーザー、30 人のフリータイムユーザーの BEV 充電プロファイルを作成しました。これらは、後でさらに多くの BEV ユーザーを合成するために使用されます。簡略化のため、またこの研究にはハイブリッド EV が関与していないため、以降のデータセットでは BEV ユーザーを EV ユーザーとしてラベル付けします。さらに、本稿では車両から系統への運用については考慮しません。

Solar Ninja を使用して PV プロファイルを生成しました。このツールは、全球太陽エネルギー推定器 (GSEE) モデルを使用して屋上太陽光発電システムの動作を表し、全球気象再解析およびメテオサットベースの CM-SAF SARAH 衛星データセットと併せて、時間ごとの PV 発電プロファイルを生成します28。より具体的には、このツールは数学的モデリングを使用して、PV 平面上の日射量を計算し、温度依存のパネル効率曲線によって引き起こされるインバーターとシステムの損失を考慮して、PV パネルの電力出力を推定します。したがって、モデルは決定論的であり、拡散放射照度、直接放射照度、温度、緯度、経度、システム損失、傾き、パネルの定格容量、パネルの角度、およびパネルの向きの入力を必要とします。 GSEE モデルは、ヨーロッパのいくつかの国でさまざまな調査研究で検証されています (29、30、31 など)。私たちの研究でこのツールの機能を活用するために、天候と地理的パラメーターを除く他の入力パラメーター (PV 容量、損失、傾きなど) は、住宅用 PV 発電データの公共共有プラットフォームである PV 出力プラットフォーム 32 から取得されます。。さらに、デンマーク TSO のデータシートを使用して、デンマークの小規模住宅用 PV システムの PV 容量、傾き、システム損失などの典型的なパラメーターを抽出しました33。これらの入力を使用して、この研究でさらに使用するために PV 発電データを合成するための代表的なモデルが構築されます。

デンマークにおけるエネルギー貯蔵技術に関する研究のほとんどは、集中型ソリューションと住宅レベルの貯蔵という 2 つのタイプに分類されますが、ESS を使用するユーザーはグループとしてモデル化される傾向があるため、研究は一般に集合レベルから行われます 34,35,36,37。私たちが提案するデータセットでは、ESS は住宅ユーザーによって所有されており、単純なルールベースのコントローラー (業界では一般的な慣行であり、単純な操作方法と呼ばれます) を使用して操作されると想定しています 27。この研究では、ほとんどの場合において、単純な操作方法が複雑な確率的最適化モデルと同等のパフォーマンスを示すことが示されています27。 ESS の動作をシミュレートするには、充電容量 (最大利用可能なエネルギー貯蔵 Smax) と充放電電力制限 Pmax の 2 つのパラメータが必要です。これら 2 つのパラメータは、業界パートナー 13 の市場シェアと ESS 仕様 38、39 に基づいて、さまざまな ESS ブランドの確率分布を使用して生成されます。ルールベースのバッテリーコントローラーは、時間 t における充電状態 (SoC) が St であると仮定して、次のように動作します。

正味需要が正の場合、つまり発電量が需要より大きい場合 (例、t>Ed、t)、バッテリーの充電電力、つまり時間当たりのエネルギーは \({\rm{\min }}\left({E }_{{\rm{g}},t}-{E}_{{\rm{d}},t},{P}_{{\rm{\max }}},{S}_{ {\rm{\max }}}-{S}_{t}\right)\)、ここで、輸入されるエネルギーはゼロで、輸出されるエネルギーは次のようになります。

正味需要が負の場合、つまり発電量が需要以下である場合 (Eg,t > Ed,t)、輸出されるエネルギーはゼロになります。したがって、バッテリーの放電電力は \({\rm{\min }}\left({E}_{{\rm{d}},t}-{E}_{{\rm{g}} ,t},{P}_{{\rm{\max }}},{S}_{t}\right)\)、インポートされるエネルギーは次のようになります。

上で説明した単純な操作方法を使用すると、過剰な PV 発電が利用可能になったときにバッテリーが充電されます。家庭の電力需要が太陽光発電よりも高い場合、バッテリーは放電され、グリッドからの輸入エネルギーが最小限に抑えられます。

EV、PV、ESS のプロファイルジェネレーターを使用して、5 種類のプロシューマーと 1 種類の消費者を含むデータセットを構築します。「背景と概要」で説明したプライバシーの懸念に対処するために、各ユーザーの時系列を別々の日に分割し、これらを毎日のプロファイルに集約し、合成データセットを生成するための入力として使用しました。他の入力パラメーターは、連続変数としての気温の毎日の中央値と標準偏差、およびカテゴリ変数である季節です。要約すると、パラメータは次のとおりです。

曜日の種類

稼働日 (252 日): 休日を除くすべての平日。

その他の日 (113 日): 祝日および週末。

主要BTM装置

PV&ESS

太陽光発電とEV

PV&EV&ESS

従来の消費者

温度

毎日の気温の中央値

気温の毎日の標準偏差

季節（春、夏、秋、冬）

時系列を合成するには、コピュラベースのモデル 40、41、フローベースのモデル 42、拡散モデル 43、44、GAN モデル 45、46、47 など、多くの手法があります。合成画像の生成では拡散モデルの方がパフォーマンスが優れていますが、さまざまな高忠実度のデータを一般化して生成できるため、時系列の合成では GAN ベースのモデルが好まれます 48、49、50。このペーパーでは、条件付き GAN と表形式の実データから合成データを生成する 2 つの手法を含む CTGAN モデルを使用します。より具体的には、CTGAN はカテゴリ列にサンプリングによるトレーニング手法を適用し、数値列には GMM (ガウス混合モデル) の代わりに変分ガウス混合モデル (VGM) を使用して、複雑な分布を正確にモデル化します。この調査では、12 種類のプロシューマー/消費者がいます (BTM 機器と上記の日のタイプに基づいています)。したがって、図 1 に示すように、12 の CTGAN になります。次に、12 の CTGAN モデルが、ユーザーの各タイプのデータに基づいてトレーニングされます。これら 12 種類のユーザーモデルを使用して、バランスの取れた合成データセットを生成します。実際のデータセットと合成データセット間のユーザー分配率を図 4 に示します。CTGAN のハイパーパラメータは 12 モデルすべてで同一であり、表 1 に示すように設定されています。

図 1 で説明したフレームワークを使用して、最終的な合成データセットが生成されました。このデータセットは、図 2 と同じ構造を持つ PYTHON 専用の pickle ファイルと、計算ツールに詳しくないユーザー向けの XLSX ファイルの 2 つの形式で Figshare51 で公開されています51。具体的には、ピクルスファイルは、主要な機器ごとに 6 種類のユーザー、つまり、それぞれ PV ユーザー、PV および ESS ユーザー、PV および EV ユーザー、PV および EV および ESS ユーザー、EV ユーザー、従来の消費者を含むネストされたオブジェクトです。各タイプのユーザーには、勤務日とその他の日の 2 種類の日があり、輸出入エネルギー、毎日の平均気温、毎日の気温標準偏差、季節が含まれます。一方、XLSX ファイルは、ユーザーがインポートおよびエクスポートした 6 種類のエネルギーを 2 種類の日ごとに表示し、それぞれが独自の形式のスプレッドシートを備えています。特に、EV ユーザーと従来の消費者には再生可能エネルギーがないため、エネルギーの輸出がないため、スプレッドシート/タブは合計 20 個あります。各スプレッドシートの列は、1 日の 24 時間ごとのタイムスタンプ、つまり 0 ～ 23、気温の中央値、気温の標準偏差、およびその日の季節です。オンラインリポジトリ 51 では、PYTHON 以外の計算ツールを適用するユーザーの便宜のために、XLSX ワークシートを CSV ファイルに変換する方法も説明しました。

提案されたデータセットの構造。

パブリックリポジトリには、図 3 に示すようなファイルが含まれています。Data フォルダーには、pickle と XLSX51 を含む 2 つの形式で提案されたデータセットが含まれています。 Resources フォルダーには、データ変換とデータ分析のための PYTHON のコードが含まれています。出力フォルダーには、リソースフォルダー内のプロット分析コード「generate_plots_analysis.py」を実行して生成された視覚化された結果が含まれています。要件ファイルには、このプロジェクトで使用される依存関係の概要が記載されています51。

データセットのファイル構造。

ユーザータイプの分布 (内側のドーナツ: 実際のデータ、外側のドーナツ: 合成データ)。

私たちは、定性的検査と 3 つの数値分析 (経験統計、情報理論に基づくメトリクス、ML ベースの評価メトリクス) を使用して合成データの品質を検証しました52。「背景と概要」で説明したように、ラベル付きの大規模な実際のプロシューマーデータセットは存在しません。したがって、検証を目的として、合成データ生成モデルの入力シードデータセットを実際のデータセットとして採用します。以下の 4 つのサブセクションで、それぞれの検証方法について説明します。

図 5 では、平日の従来の消費者の季節平均消費量を比較しました。この平均プロファイルは調査され、集計レベルで実際のデンマークの住宅電力消費特性と比較されます 11,53。全体的なプロファイルの形状と午後 7 時の輸入電力のピーク時間は類似しています。平均的な消費者プロファイルに加えて、洗練されたモチーフ (RM) と呼ばれるプロシューマータイプごとに最も頻繁に使用される毎日のパターンを、実際のデータセットと合成データセットの間で比較しました4。さまざまなタイプのプロシューマおよび日についての結果を図 6 に示します。合成データと実際のデータの RM は同様の振幅と傾向を共有しており、これは合成データセットが実際のデータセットと同様の形状をしていることを示しています4。

従来の消費者の季節需要プロファイルの比較。

実データと合成データの RM 比較 (青: 合成データ、オレンジ: 実データ)。

まず、箱ひげ図を使用して、2 つのデータセットの分散 (広がり) の程度と歪度、第 1 四分位数と第 3 四分位数、四分位範囲、平均値、中央値、最小値、最大値、および異常値。最初の比較は、図 7 に示されている集計データに対して、さまざまな種類の日と輸出入エネルギーごとに個別に行われます。全体として、合成データ統計は実際のデータセットの値に従います。 Workday にインポートされたエネルギーデータセットでは、PV、EV、ESS ユーザーの誤差が最も高くなっていますが、他の日の統計はほぼ同じです。また、図 8 に示すように、合成データセットと実際のデータセットでユーザーのタイプごとに、時間ごとにインポートおよびエクスポートされたエネルギーの箱ひげ図を比較しました。合成データは、どの図でも一般的な傾向に従っています。実際のデータ分布と合成データ分布の違いを定量化するために、2 つの確率分布間の距離の指標であるワッサーシュタイン距離 54 が区間ごとに計算されます。ワッサースタイン距離の値が低いほど、実データと合成データの分布間の類似性または重複が大きいことを示します。図 8 の箱ひげ図から、一部のユーザータイプ (PV & EV & ESS ユーザーや PV& EV ユーザーなど) では、合成データセットの最大値が実際のデータよりも低いことがわかります。理由の 1 つは、最適化プロセスで実際のデータセットから異常なデータを除外する下限 (ELBO) 損失の証拠である CTGAN の損失関数である可能性があります。 Wasserstein の距離から見ると、PV、EV、ESS ユーザーは、すべてのタイプのユーザーの中で合成データセットと実際のデータセットの間で最も大きな違いを示しています。この観察は、四分位範囲の違いに関する詳細な情報を提供する毎日のデータ箱ひげ図によってさらに裏付けられます。具体的には、PV、EV、ESS のユーザー間で最も大きなミスマッチが発生するのは、輸出電力の場合は午前 8 ～ 11 時頃、輸入電力の場合は午後 7 ～ 8 時頃である傾向があります。これらの期間は、太陽光発電、EV の充電、および ESS の動作の影響により、消費者の発電および需要データの高い確率性と一致します。その結果、この不一致により、合成データセットと実際のデータセットの間の集約レベルの経験統計の差が大きくなります。

毎日の統計 (青: 合成データ、オレンジ: 実際のデータ)。

就業日の時間ごとの統計。 (緑: 合成データと実データ間のワッサーシュタイン距離。青: 合成データの箱ひげ図、オレンジ: 実データの箱ひげ図)。

順列エントロピー (PE) は、時系列の値間の順序関係を捕捉し、順序パターンの確率分布を抽出することによって動的システムの複雑さを定量化する、よく知られた時系列情報理論の指標です52。いくつかの制限、たとえば、個別のパターンを区別できないことや、ノイズフロアに近いパターンに鈍感であるため、電力システムデータ分析などのアプリケーションには適さないなどの制限を克服する試みとして、重み付け順列エントロピー (WPE) が提案されました。振幅情報を組み込むことで、より堅牢性と安定性を高めて測定します55、56。

WPE 測定を使用して、ユーザーのタイプごとに合成データセットの複雑さを実際のデータセットと比較しました。 WPE ハイパーパラメータは、57、58 の推奨事項に基づいて、6 のオーダーと τ = 1 の遅延に設定されます。実際のデータと合成データの比較を表 3 に示します。理想的な条件では、両方のデータセットが同様の複雑さ (WPE 値) を持つことが予想されます。表から、合成データセットの WPE が高いため、合成データセットは実際のデータよりも複雑であることがわかります。ただし、異なるタイプのユーザー間の相対関係は、実際のデータセットから合成データセットまで一貫しており、ユーザータイプに関係なく、合成データセットは常により複雑です。この機能の堅牢性を証明するために、実際のデータセットと合成データセットの両方について、1 年分のデータを含むデータセットを 50 の時系列に分割しました。次に、各時系列の WPE を計算しました (図 10 を参照)。予想どおり、合成データセットは、さまざまなタイプのユーザー間で常により高い複雑さを示していますが、平均 WPE 値は実際のデータセットと合成データセットの間で近似しています。これは、CTGAN が一般的に実際のデータセットの複雑さを過大評価していることを示しています。ただし、合成されたデータセット内のより複雑なユーザータイプは、実際のデータセット内の同じタイプに対応します。これは、モデルが各タイプのユーザーの特徴と相対的な複雑さをうまくキャプチャできることを意味します。

4 番目で最後の比較研究では、ML 分類モデルを使用して 2 つのデータセット間の特徴の類似性を評価します。より具体的には、合成でトレーニング、実数でテスト (TSTR)、および実数でトレーニング、実数でテスト (TRTR) を使用しました59。 TSTR は、合成データを使用してモデル (分類器) をトレーニングし、それを実際のデータでテストすることによって、合成データのパフォーマンスを評価します。このように、合成データセットは、合成データでトレーニングされた分類器が実際のデータ (TRTR) でトレーニングされた分類器に近いパフォーマンスを発揮する場合にのみ高品質となります。 1D 畳み込みニューラルネットワーク (CNN) を適用して、表 2 に報告されているハイパーパラメーターを使用して 5 つのタイプのプロシューマーを分類しました。

同じ分類子を適用して、平日とその他の日のデータセットで消費者のタイプを判断しようとしました。 4 つの組み合わせの結果を混同行列として図 9 に示します。ほとんどのユーザータイプについて、分類器は TRTR と TSTR で同様の結果を示し、実際のデータセットと合成データセットの両方に同様の特徴が存在することが証明されています。図 9 の TSTR と TRTR を比較すると、予測結果とグランドトゥルースの一般的な数値関係が実際のデータと合成データの間で非常に類似していることがわかります。全体の精度、精度、感度 (リコール)、および特異度も表 4、5 に示します。合成データセットと実際のデータセットの間の精度には 10% のギャップがあることがわかり、これは合成データセットでは許容可能です。たとえば、60 の表 6 を参照してください。図 9 の平日の分類では、PV ユーザーが TSTR と比較して EV、PV、ESS として誤って識別される可能性があります。潜在的な理由の 1 つは、表 3 で報告されているように、実際のデータセットと比較して合成データセット内の 2 つのユーザータイプの複雑さの値が類似していることです。これは、変動の周波数と振幅が類似していることを示しています。

ユーザーのための混同マトリックス。

さまざまなタイプのユーザー (50) の年間 WPE (青: 合成データ、オレンジ: 実際のデータ)。

合成データセットの最初の制限は時間単位の分解能であり、エネルギー分解や電力品質分析などの一部のアプリケーションには不十分です。また、調査によると、PV ユーザーの自己消費量の推定に時間ごとのデータを使用すると、情報損失により最大 9% の過大推定が生じる可能性があります61。ただし、提示された合成データセットは、需要応答、消費者からの逆潮流、さまざまな導入率の影響の調査、需要側管理などの多くの研究に使用できます。もう 1 つの制限は、「データ検証」セクションで説明したように、CTGAN の構造により合成データの複雑さが過大評価される傾向があることです。最後に重要なことですが、シードデータセットには各エンドユーザーのアプライアンスのラベルがないため、データセットはプロシューマの行動習慣やアプライアンスレベルでの時間の経過による変化を完全には考慮していません。家電製品の電力需要に関連する追加の行動確率論を含めるための潜在的な改善の 1 つは、ユーザーが詳細な物理パラメーターの分布に関する知識を備えた特定の家電製品を追加したい場合に、ボトムアップの物理ベースのモデル、たとえば StROBe ライブラリを使用することです。ただし、これにより、「情報理論メトリクス」セクションで報告された結果よりも複雑な合成データセットが生成されるため、望ましくありません。

CTGAN の入力として使用される実際のデータは、消費者のプライバシーに関する規制のため利用できません18。作業を繰り返したり、生データを使用して研究を実行したい場合は、Watts A/S13 に問い合わせる必要があります。データ検証と分析用のコードは、Figshare51 のパブリックリポジトリで入手できます。

血圧世界のエネルギーの統計的レビュー、https://www.bp.com/en/global/corporate/energy-economics/statistical-review-of-world-energy.html (2022)。

Nalley, S. & Larose, A. 2021 年の国際エネルギー見通し。Tech. 議員 https://www.eia.gov/outlooks/ieo/pdf/IEO2021_ReleasePresentation.pdf (2021)。

ウッド・マッケンズ。バッテリー電気自動車が 2050 年までに自動車販売の主流となる、https://www.woodmac.com/press-releases/battery-electric-vehicles-to-dominate-vehicle-sales-by-2050/ (2021)。

Yuan, R.、Pourmousavi, SA、Soong, WL、Nguyen, G. & Liisberg, JA Irmac: スマートグリッドアプリケーション向けの二項分類における解釈可能な洗練されたモチーフ。人工知能の工学的応用 117、11、https://doi.org/10.1016/j.engappai.2022.105588 (2023)。

記事 Google Scholar

ショー、M.ら。オーストラリアで行われている次世代エネルギー貯蔵試験。未来エネルギーシステムに関する第 10 回 ACM 国際会議議事録、e-Energy' 19、439–442、https://doi.org/10.1145/3307772.3331017 (Association for Computing Machinery、ニューヨーク州ニューヨーク州、米国、2019 年)。

Jim, M. & Russo, S. ピーカンストリート年次報告書 2020 ～ 2021 年度。技術。 Pecan Street Inc. 代表 https://www.pecanstreet.org/wp-content/uploads/2022/06/Pecan-Street-Annual-Report-20-21.pdf (2021)。

Kapoor, S.、Sturmberg, B.、Shaw, M. 公開されているエネルギーデータセットのレビュー。技術。議員 00120、オーストラリア国立大学、キャンベラ ACT 2601 Australia。 https://arena.gov.au/projects/wattwatchers- (2021)。

Li, H.、Wang, Z.、Hong, T. 合成建物運用データセット。科学データ 8、1–13、https://doi.org/10.1038/s41597-021-00989-6 (2021)。

記事 ADS Google Scholar

建物のエネルギー需要モデリング: 個々の建物から都市規模まで。 Eicker, U. (編) 低炭素都市のための都市エネルギーシステム、79–136、https://doi.org/10.1016/B978-0-12-811553-4.00003-2 (Academic Press、2019)。

Pereira, L.、Costa, D.、Ribeiro, M. スマートメーターデータ分析用の住宅ラベル付きデータセット。科学データ 9、1–11、https://doi.org/10.1038/s41597-022-01252-2 (2022)。

記事 Google Scholar

Andersen, FM、Gunkel, PA、Jacobsen, HK & Kitzing, L. 住宅の電力消費量と世帯の特性: デンマークのスマートメーターデータの計量経済分析。エネルギー経済 100、105341、https://doi.org/10.1016/j.eneco.2021.105341 (2021)。

記事 Google Scholar

Baetens, R. & Saelens, D. 確率論的な住宅居住者の行動による地域エネルギーシミュレーションの不確実性のモデリング。 Journal of Building Performance Simulation 9、431–447、https://doi.org/10.1080/19401493.2015.1070203 (2016)。

記事 Google Scholar

アンダース、SH、ジョン、L. & ジュリアン、LV Watts A/S、一緒に変化を起こしませんか?、https://watts.dk/ (2021)。

リー、Ｈら。エネルギーの柔軟性を構築するためのデータ主導の主要業績評価指標とデータセット: レビューと展望 https://doi.org/10.48550/ARXIV.2211.12252 (2022)。

記事 Google Scholar

Qiu, Y. & Kahn, ME 高周波データによるグリーンビルディングの持続可能性評価の向上。 Nature Sustainability 1、642–649、https://doi.org/10.1038/s41893-018-0169-y (2018)。

記事 Google Scholar

コンサルティング、NE オーストラリアの再生可能エネルギー機関向けに準備された NEM における負荷の柔軟性を重視しています。技術。オーストラリア再生可能エネルギー庁、フェブラリー議員。 https://arena.gov.au/assets/2022/02/valuing-load-flexibility-in-the-nem.pdf (2022)。

エネルギーグリッド。 DATAHUB とは何ですか?、https://en.energinet.dk/energy-data/datahub/ (2019)。

ワッツ。 Watts の個人データポリシー、https://watts.dk/en/persondata/ (2022)。

欧州議会と欧州連合理事会。欧州データ保護規制、https://gdpr-info.eu/ (2018)。

デンマーク議会。個人データの処理およびそのようなデータの自由な移動に関する個人の保護に関する規制を補足する法律 (データ保護法)、https://www.retsinformation.dk/eli/lta/2018/502 (2018 年) ）。

天気を開く。 OpenWeather: 高速かつエレガントな方法での天気予報、ナウキャスト、履歴、https://openweathermap.org/ (2019)。

TCP、H. デンマークの年別 EV 導入状況、https://ieahev.org/countries/Denmark/ (2019)。

Gaete-Morales, C.、Kramer, H.、Schill, WP & Zerrahn, A. 実証データからバッテリー電気自動車の時系列を作成するオープンツール emobpy。科学データ 8、1–18、https://doi.org/10.1038/s41597-021-00932-9 (2021)。

記事 Google Scholar

デンマークの統計。労働と収入、https://www.dst.dk/en/Statistik/emner/arbejde-og-indkomst。

Hall, D.、Wappelhorst, S.、Mock, P.、Lutsey, N. 欧州電気自動車ファクトブック 2019/2020。クリーン交通に関する国際評議会 19、https://theicct.org/sites/default/files/publications/EV-EU-Factbook-2020.pdf (2020)。

Jaganmohan, M. 2019 年のデンマークにおけるグリーンエネルギー源を持つ世帯の割合、https://www.statista.com/statistics/1088463/share-of-households-with-green-energy-sources-in-denmark (2019)。

Lemos-Vinasco, J.、Schledorn, A.、Pourmousavi, SA & Guericke, D. 現実的なローリングホライズン設定における確率的家庭用エネルギー管理システムの経済的評価 https://doi.org/10.48550/ARXIV.2203.08639 (2022) 。

記事 Google Scholar

Pfenninger, S. & Staffell, I. 30 年間の検証済みの毎時再分析と衛星データを使用した、ヨーロッパの太陽光発電出力の長期パターン。エネルギー 114、1251–1265、https://doi.org/10.1016/j.energy.2016.08.060 (2016)。

記事 Google Scholar

Grams, CM、Beerli, R.、Pfenninger, S.、Staffell, I. & Wernli, H. 気象状況に基づいた空間配置を通じてヨーロッパの風力発電出力のバランスをとる。自然の気候変動 7、557–562、https://doi.org/10.1038/nclimate3338 (2017)。

記事 PubMed PubMed Central Google Scholar

ゼイリンガー、M.、プライス、J.、ファイス、B.、リー、P.-H. & Sharp, E. 2050 年の英国向けに、時空間的および年々の天候変動に強い低炭素電力システムを設計します。 Nature Energy 3、395–403、https://doi.org/10.1038/s41560-018-0128-x (2018)。

記事 ADS CAS Google Scholar

Brown, T.、Schlachtberger, D.、Kies, A.、Schramm, S. & Greiner, M. コストが最適化された再生可能性の高いヨーロッパのエネルギーシステムにおけるセクター結合と送電強化の相乗効果。エネルギー 160、720–739、https://doi.org/10.1016/j.energy.2018.06.222 (2018)。

記事 Google Scholar

PVOutput: PV 出力データを共有および比較するための無料サービス、https://pvoutput.org/about.html (2022)。

デンマークのエネルギー庁とエナジーネット。技術データ - 発電と地域暖房。技術。代表者 https://ens.dk/en/our-services/projections-and-models/technology-data/technology-data-generation-electricity-and (2016)。

Sorknæs, P.、Mæng, H.、Weiss, T. & Andersen, AN デンマークの電力システムの現状と将来の開発シナリオの概要 - 大量の風力発電の統合を可能にします。 https://www.store-project.eu/documents/target-country-results/en_GB/energy-storage-needs-in-denmark (2013)。

ペダーセン、AS et al. デンマークにおけるエネルギー貯蔵技術の研究開発の状況と推奨事項。技術。エナジー・フェブラリー議員。 http://energinet.dk/SiteCollectionDocuments/Danskedokumenter/Forskning-PSO-projekter/RDD Energy storage_ex app.pdf (2014)。

EA エネルギー分析。蓄電の価値 - デンマークおよび国際電力市場におけるサービスと市場機会の見通し。技術。エナジネット議員。 https://en.energinet.dk/Analysis-and-Research/Analyses/The-value-of-electricity-storage/ (2020)。

Dinh、NT et al. 地元市場内のコミュニティバッテリーストレージの最適なサイジングとスケジュール。未来エネルギーシステムに関する第 13 回 ACM 国際会議議事録、e-Energy' 22、34 ～ 46、https://doi.org/10.1145/3538637.3538837 (Association for Computing Machinery、ニューヨーク、ニューヨーク、米国、2022)。

C.ラングビー。家庭用バッテリーストレージ、https://mozo.com.au/energy/guides/home-battery-storage (2021)。

エネルギー、V. ESS の設計および設置マニュアル。技術。ビクトロンエナジー議員。 https://www.solar-electric.com/lib/wind-sun/VE-ESS_design_and_installation_manual.pdf (2018)。

Abraj, M.、Wang, YG & Thompson, MH OPEN 環境アプリケーションで空間的に相関する複数の変数のための新しい混合コピュラモデル。 Scientific Reports 1–10、https://doi.org/10.1038/s41598-022-18007-z (2022)。

Lemos-Vinasco, J.、Bacher, P.、Møller, JK 時間相関を考慮した確率的負荷予測: 家庭の電気負荷を予測するためのオンラインモデル。応用エネルギー 303、117594、https://doi.org/10.1016/j.apenergy.2021.117594 (2021)。

記事 Google Scholar

Rezende, DJ & Mohamed, S. フローを正規化した変分推論。第 32 回機械学習国際会議、ICML 2015 2、1530 ～ 1538 (2015)。

Google スカラー

Tahiro, Y.、Song, J.、Song, Y. & Ermon, S. Csdi: 確率的時系列補完のための条件付きスコアベースの拡散モデル。神経情報処理システムの進歩 34、24804–24816、https://arxiv.org/abs/2107.03502 (2021)。

Dhariwal, P. & Nichol, A. 拡散モデルは画像合成において GAN に勝ります。 Advances in Neural Information Processing Systems 34、8780–8794、https://doi.org/10.48550/arXiv.2105.05233 (2021)。

記事 Google Scholar

Alzantot, M.、Chakraborty, S. & Srivastava, M. SenseGen: 合成センサーデータ生成のための深層学習アーキテクチャ。 2017 IEEE International Conference on Pervasive Computing and Communications Workshops、PerCom Workshops 2017 188–193、https://doi.org/10.1109/PERCOMW.2017.7917555 (2017)。

Patki, N.、Wedge, R. & Veeramachaneni, K. GaussianCopula - 合成データボールト SDV。議事録 - データサイエンスと高度な分析に関する第 3 回 IEEE 国際会議、DSAA 2016 399–410 (2016)。

Asre, S. & Anwar, A. 時変生成敵対的ネットワークを使用した合成エネルギーデータの生成。エレクトロニクス (スイス) 11、https://doi.org/10.3390/electronics11030355 (2022)。

Yoon, J. & Jarrett, D. 時系列の敵対的生成ネットワーク。第 33 回神経情報処理システム会議 (NeurIPS 2019) 1–11 (2019)。

Yu, L.、Zhang, W.、Wang, J. & Yu, Y. SeqGAN: ポリシー勾配を備えたシーケンス生成敵対的ネット。第 31 回 AAAI 人工知能会議、AAAI 2017 2852–2858 (2017)。

Ping, H.、Stoyanovich, J. & Howe, B. DataSynthesizer: プライバシーを保護する合成データセット。 ACM 国際会議議事録シリーズパート F1286、https://doi.org/10.1145/3085504.3091117 (2017)。

ユアン、R.ら。デンマークの家庭用電力需要者の合成データセット、figshare、https://doi.org/10.6084/m9.figshare.c.6383862.v1 (2023)。

Bandt, C. & Pompe, B. 順列エントロピー: 時系列の自然な複雑さの尺度。 Physical Review Letters 88、4、https://doi.org/10.1103/PhysRevLett.88.174102 (2002)。

記事 CAS Google Scholar

Andersen, FM、Baldini, M.、Hansen, LG & Jensen, CL デンマークにおける家庭の時間当たりの電力消費量とピーク需要。応用エネルギー 208、607–619、https://doi.org/10.1016/j.apenergy.2017.09.094 (2017)。

記事 Google Scholar

Panaretos, VM & Zemel, Y. ワッサーシュタイン距離の統計的側面。統計とその応用の年次レビュー 6、405–431 (2019)。

記事 ADS MathSciNet Google Scholar

Fadlallah, B.、Chen, B.、Keil, A. & Príncipe, J. 加重順列エントロピー: 振幅情報を組み込んだ時系列の複雑さの尺度。 Physical Review E - 統計、非線形、およびソフトマター物理学 87、1–7、https://doi.org/10.1103/PhysRevE.87.022911 (2013)。

記事 CAS Google Scholar

Vuong, PL、Malik, AS & Bornot, J. さまざまな生理学的状態の脳波時系列の複雑さの尺度としての加重順列エントロピー。 IECBES 2014、会議議事録 - 2014 IEEE Conference on Biomedical Engineering and Sciences: "Miri, Where Engineering in Medicine and Biology and Humanity Meet" 979–984、https://doi.org/10.1109/IECBES.2014.7047658 (2014)。

ying, Y. & Shang, P. 金融時系列に対するさまざまな記号的アプローチに基づいた重み付き順列エントロピー。 Physica A: 統計力学とその応用 443、137–148、https://doi.org/10.1016/j.physa.2015.09.067 (2016)。

記事 ADS Google Scholar

Niu, H.、Wang, J. & Liu, C. 改善されたマルチスケール加重順列エントロピーによる原油市場の分析。 Physica A: 統計力学とその応用 494、389–402、https://doi.org/10.1016/j.physa.2017.12.049 (2018)。

記事 ADS Google Scholar

Hartmann, KG、Schirrmeister, RT & Ball, T. Eeg-gan: 脳波 (EEG) 脳信号の敵対的生成ネットワーク。 arXiv プレプリント https://doi.org/10.48550/arXiv.1806.01875 (2018)。

記事 Google Scholar

チョン、MJ 他 CTGAN VS TGAN? 合成脳波データの生成にはどちらがより適していますか。理論および応用情報技術ジャーナル 99、2359–2372 (2021)。

Google スカラー

アヤラ・ヒラルドン、A.、シドラク・デ・カルドナ、M.、モラ・ロペス、L. 太陽光発電施設の自家消費量と自給自足の推定における時間分解能の影響。応用エネルギー 229、990–997、https://doi.org/10.1016/j.apenergy.2018.08.072 (2018)。

記事 Google Scholar

リファレンスをダウンロードする

このプロジェクトは、アデレード大学の産業博士号助成制度と、従来の消費者のデータを入力データソースとして提供するデンマークの Watts A/S によって共同で資金提供されています。

アデレード大学電気機械工学部、アデレード、オーストラリア

ルイ・ユアン、S. アリ・プルムーサヴィ、ウェン・L・スン

アデレード大学コンピュータ数理科学部、アデレード、オーストラリア

アンドリュー・J・ブラック

Watts A/S、キューゲ、デンマーク

ジョン・AR・リースバーグ & ジュリアン・レモス・ヴィナスコ

PubMed Google Scholar でこの著者を検索することもできます

AP と RY が実験を考案し、RY が実験を実施し、JR と JL がデータを提供して検証し、RY、AP、WS、AB が結果を分析しました。著者全員が原稿をレビューしました。

ルイ・ユアンへの手紙。

著者らは競合する利害関係を宣言していません。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Yuan、R.、Pourmousavi、SA、Soong、WL 他。デンマークの家庭用電力需要家の合成データセット。 Sci Data 10、371 (2023)。 https://doi.org/10.1038/s41597-023-02271-3

引用をダウンロード

受信日: 2023 年 1 月 13 日

受理日: 2023 年 5 月 26 日

公開日: 2023 年 6 月 8 日

DOI: https://doi.org/10.1038/s41597-023-02271-3

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

ブログ

デンマークの家庭用電力需要家の合成データセット