本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线，并使用 4 个住宅建筑物的真实数据集将其与 VARMA，Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较，结果表明，在大多数情况下，提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。

Jun, 2021

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

该研究使用统计学和机器学习方法来预测国家电力需求，构建了一个完整的长、中、短期电力需求预测模型，其中跨度长的年度趋势采用宏观经济回归分析，中期模型采用温度和日历回归器，短期模型通过多个 ARMA 模型来捕捉小时级别的季节性，结果表明两年外部采样预测精度可达 96.83％。

Apr, 2023

该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

Apr, 2022

通过使用逆强化学习模型，本文提出了一种在不要求用户明确表明需求和意愿的情况下，通过利用用户过去的消费数据创建用户每日家用电器时间表，并激励他们继续参与需求响应服务的提供。

Oct, 2023

本文提出了 LSTM-BNN 在存在电动汽车时进行家庭负载预测的方法，并检验了 COVID-19 大流行对该模型的影响，结果表明该方法能够提高预测精度并得出预测间隔。

Jun, 2023

本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

Jul, 2019

该研究提出了两种互补的灵活性测量指标，并使用主流的基于机器学习的模型预测住宅建筑物在四小时和 24 小时预测时段内的时间变化和间歇性灵活性。长短期记忆（LSTM）模型在功率灵活性方面表现最佳，可以在 24 小时内准确预测功率灵活性，平均误差约为 0.7 千瓦。然而，在能源灵活性方面，LSTM 模型只能成功预测具有一致运行模式的负荷，并且在预测与暖通空调系统相关的能源灵活性时面临挑战。

Mar, 2024

通过使用语言模型进行能量负荷预测，本文提出了一种新颖的方法，通过利用教导技术将能量消耗数据转化为描述性的句子，实现语言模型的微调，并采用自回归生成方法，能够对未来能量负荷消耗的各种时间段进行预测。通过对真实数据集的大量实验，我们证明了我们提出方法的有效性和准确性。结果表明，利用语言模型进行能量负荷预测有望提高能源效率，并促进能源系统的智能决策。

Oct, 2023

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