电力负载配置中的行为变异性;哪些人每天都在同一时间做相同的事情?
通过使用智能电表数据推导的负荷曲线,在实际案例研究中,我们提出了一种新颖的基于机器学习的框架,以实现通过适用于伦敦近 5000 个家庭的数据从而获得最佳负荷剖析。我们应用了四种广泛使用的聚类算法:K-means、K-medoids、层次凝聚聚类和基于密度的空间聚类。通过经验分析和多个评估指标来评估这些算法,并将问题重新定义为概率分类问题,并借助可解释的 AI(xAI)来提高解决方案的可解释性。根据聚类算法的分析,此案例的最佳聚类数为七个,但是我们的方法表明其中两个聚类,约占数据集的 10%,存在显着的内部差异,因此我们将其进一步划分为总共九个聚类。我们的解决方案具有可扩展性和多功能性,使其成为希望为用户细分以创建更有针对性的需求响应计划的电力公用事业公司的理想选择。
Oct, 2023
通过对电力负荷预测的广泛技术进行综述,本文测试了人工智能驱动的短期负荷预测方法,包括 Facebook 的 Prophet 和 LSTM 模型,基于季节的 SARIMA 和平滑 Holt-Winters 模型,以及利用领域知识的经验回归模型。结果表明,在负荷预测任务中将持续性和回归项相结合可以实现最佳的预测准确性。
Feb, 2024
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
从低频电力消耗数据中提取空置家居时间间隔的新方法,包括变点检测、分类、周期检测和周期性尖峰检索等多种算法,对模拟和真实消耗曲线均取得了令人鼓舞的结果。该方法为能源利用的优化提供了实用见解,并有潜在的节能成本和可持续性效益,但在不同场景和大型数据集上仍需要进一步的研究以提高可应用性。
Dec, 2023
介绍了一种将自组织映射和 K 均值聚类相结合的新方法来有效聚类月度能源消耗模式,通过该方法可以增强难以找到模式的数据集的聚类结果的准确性和可解释性。实验证明了该方法在聚类任务中的有效性。
Nov, 2023
通过在德克萨斯州的背景下研究电动汽车(EVs)、可再生能源和智能电网技术的融合,本研究探讨了阻碍 EVs 广泛采用的挑战。通过动态时间扭曲(DTW)聚类和 k-means 聚类方法,根据总负荷和净负荷将每天进行分类,提供了关于日常电力消费和可再生能源产生模式的细致深入的洞察。通过建立根据特定负荷特性进行优化的充电和车辆对电网(V2G)窗口,该研究为能源消费和可再生能源整合的战略决策提供了复杂的方法。研究结果对于将 EVs 无缝融入智能电网,实现可持续和有弹性的能源未来的话题做出了贡献。
Oct, 2023