UK-DALE 数据集:来自五个英国家庭的家电电力需求和整个住宅需求
能源负荷分解可以通过增强需求侧管理的有效性和提高消费者意识来平衡电力网,并促进节电行为。本文通过评估 72 篇完整的期刊文章,对负荷分解领域、数据类型和方法进行了范围性回顾。研究发现,国内用电量是研究的重点领域,但其他领域如工业负荷分解很少被讨论。大多数研究使用相对较低频的数据,采样间隔在 1 到 60 秒之间。研究使用了各种方法,其中人工神经网络最常用,其次是优化策略、隐藏马尔可夫模型和图信号处理方法。
Jan, 2024
本文提出了一种基于条件隐马尔可夫模型的短期负荷预测算法,该模型可描述住宅设备需求的概率特征,并利用可扩展的统计学习方法直接从用电数据中估算模型参数,运用多种类型的电器的 1 分钟功率消耗数据的情况研究证实了该模型在负载预测和异常检测方面的有效性。
Oct, 2018
本文提出了一种新颖的局部差分隐私方法(称为 LDP-SmartEnergy),利用滑动窗口和随机响应技术,在不揭示个人用户的设备使用模式的情况下,促进了随时间共享设备级能耗数据。评估结果表明,与基准方法相比,LDP-SmartEnergy 的运行效率高,同时结果还表明我们的解决方案在保护隐私和保持数据有效分析的效用之间取得了平衡。
Nov, 2023
该研究致力于发布一个有注释的 ASHRAE Great Energy Predictor III 数据集版本,其中包含 1,413 个智能电表时间序列,为大规模异常检测的研究工作提供支持,并将八种先进的异常检测方法的性能与数据集进行了比较。
Mar, 2022
由于人口增长和技术进步,全球的电力消耗和二氧化碳排放都在增加。住宅部门占全球电力消耗的 25%,具有提高效率和减少二氧化碳排放的潜力,同时不降低舒适度。然而,缺乏涵盖多个地区的家庭级统一消耗数据,限制了大规模研究和强大的多区域模型开发。本文介绍了一个多区域数据集,该数据集由公开资源编制而成,以统一的格式呈现。这些数据支持诸如细化数据、需求预测、电器开关分类等机器学习任务。此外,我们开发了一个 RDF 知识图谱,描述了各个家庭的电力消耗,并与家庭相关属性进行语境化查询,以及与其他开放知识库(如维基数据和 DBpedia)的互操作性。这种结构化数据可用于基于数据的政策和业务发展,为各利益相关者提供信息支持。
May, 2024
本文介绍了 GREEND 数据集,其中包含奥地利和意大利家庭详细的能耗信息,并讨论了传感器基础设施的设计选择。最后,使用最先进的技术对负荷分解、占用检测和电器使用情况进行了基准测试。
May, 2014
提出了一种用于家庭电器监测和功耗识别的非侵入式负载监测(NILM)方法,通过拆分整个房屋的总功耗信号来识别各种家用电器的状态和功耗。通过有限的标记数据和训练高效的样本增强方法,可以实现体现整体功耗监测的负载识别性能。
Jul, 2023
本研究在智能家居安装中探索电器电能使用作为检测居民是否在家的手段,通过非侵入式的消耗功率分解方法,该方法在 UK-DALE 数据集上进行了机器学习算法的评估,结果表明电器电能使用是检测家庭居住与否的可行方法之一。
Mar, 2022