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

采用聚类技术实现需求响应节能项目，并结合预测、聚类和价格策略引擎为参与项目的生产者提供个性化的节约建议和定价策略。

Mar, 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

本文提出了一种基于问卷数据的分析方法，并在投资者数据中应用该方法以发现洞察。该方法通过聚类分析将类别问题归约为二元问题，并使用转化率指标进行规则发现。为验证聚类分析和问题之间的关系发现，提出了创新的可视化表达方式。与金融数据结合后，发现了与已识别的聚类相关的额外洞察。

Feb, 2024

研究发现利用家庭行为的变化模式对家庭进行聚类可以更有效地针对英国电力市场变革为家庭提供干预和调整电力使用模式的机会。

Sep, 2014

利用三种回归模型来预测建筑的主要燃料使用、电能消耗和节约成本，以及通过应用元启发式技术优化决策树算法，研究分析影响能源消耗和成本降低的因素，并评估潜在建筑的实用特征，以减少主要燃料使用、电能消耗和成本。

May, 2023

通过机器学习算法对低碳出行数据进行特征分析和挖掘，本研究旨在研究居民低碳意识形成机制，为交通管理者引导城市居民选择低碳出行方式提供重要依据。实验结果表明，居民低碳出行意愿可分为三类：强烈、中立和不强烈；而职业、居住地、家庭结构和通勤时间是最重要的因素之一。该方法从多个方面为城市交通低碳的发展和管理提供政策建议。

Dec, 2023

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

本文介绍了一个基于图拉索的方法，将能源角色跟踪框架中的玩家机能聚类为一定数量的群组并提供有针对性的奖励，以鼓励更加节能的行为。

Oct, 2019

本研究对 20000 个 Pareto-optimal 的建筑能源管理配置进行了多个概念识别迭代，为决策者提供了决策基础。研究表明，不同的配置描述空间设置揭示了配置数据的几个不同方面。

Jun, 2023