通过使用合成数据，本文介绍了基于 Variational Auto-encoder (VAE) 模型的 Faraday，该模型通过训练英国一个能源供应商的 3 亿次智能电表数据读数，并结合属性和低碳技术的信息，产生与实际数据相当的家庭负荷曲线，为未来能源网络的网格建模人员提供了实际应用的参考。

Apr, 2024

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

本篇研究介绍了一种低成本的无线系统，并利用已收集的数据集 (UK-DALE) 提出了一种能够通过整个家庭的电表信号来估算每个电器用电量的计算技术 - 能源分解技术，并发现消费者通过个性化的电器用电量信息最有效地提高他们的能源效率。

Apr, 2014

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

本文介绍了 Home Electricity Data Generator (HEDGE)，一种用于生成真实住宅能源数据的开放访问工具。HEDGE 基于英国真实数据，生成了住宅光伏发电、家庭电负荷、电动车消耗和在家可用性的真实日常数据。我们利用 HEDGE 填补了可用数据的不足，为住宅分布式能源资源特性和协调的研究提供了数据支持。

Oct, 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

本文介绍了一个基于本体论的方法，用于在分散的家庭能源系统中管理分辨率为设备级别的数据，以便更好地利用来自互联网和 Web 的各种数据，促进能源可持续发展。

Aug, 2022

社会科学中的调查经常依赖于对家庭和个人的调查，但这些独立的、不相关的样本只限于能够通过单一调查回答的问题。fusionACS 项目试图通过在美国社区调查（ACS）微观数据上统计 “融合” 来自 “捐赠者” 调查的变量，从而将多个美国家庭调查数据整合起来，从而解决目前无法解决的研究问题。所提供的数据包括 2015 年住宅能源消费调查（RECS），2017 年国家家庭交通调查（NHTS），2019 年美国住房调查（AHS）和 2015-2019 年的消费支出调查 - 采访（CEI）中的部分捐赠者变量融入 ACS 的结果。底层统计技术包含在一个开源的 R 包 fusionModel 中，提供了对融合微观数据的创建、分析和验证的通用工具。

Sep, 2023

本论文提出一个可公开获取的带有真实合成功率数据的时间序列数据集，其中包括 120 个太阳能和 273 个风电站，并使用物理模型和真实气象测量值进行了虚拟电厂的仿真，同时结合物理模型和机器学习模型对天气预报为基础的功率预测进行了评估。

Apr, 2022

本研究提出了一种基于条件扩散模型的定制化负荷曲线合成方法，支持异质性用户的生成以及根据其应用需求的独特负荷曲线。实验结果验证了该方法的有效性和优越性。

Apr, 2023