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

该研究提出了一种多目标仿真模型和不侵入式的基于占用状态预测的方法，以开发一种适用于智能住宅的 DRP 应用程序，其中同时考虑了不确定性和鲁棒性，并通过将一些电器操作移至低峰时段，降低了成本 13.2％，并降低空调温度设定点。

May, 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

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

通过使用残差自举算法进行区间估计，本研究介绍了一种用于获取电力需求的未来估计值的算法。该算法使用机器学习算法获取训练集上的点估计值和对应的残差，并通过无监督学习算法将残差进行分组和分区，以获取最接近测试日的相似日的残差进行自举操作。该算法使用 EULR（终端负荷研究）的真实电力需求数据进行评估，并与其他自举方法在不同置信区间上进行比较。

Sep, 2023

文章提出了一种基于 DTW K-means 的无监督方法，旨在对光伏电池组的严重故障进行检测。

Jun, 2023

论文介绍了一个利用分布式深度强化学习模型实现智能管理家庭用电的方法，这个方法可以保护用户隐私，以降低电网运营成本，减少家庭用电费用，实现用电峰谷负荷比例和负荷方差分别降低 12% 和 11% 的效果。

Jun, 2020

本文提出了一种新型的供需响应问题的全自动能源管理系统的调度问题的强化学习方法，并以 Q 学习算法为例，通过对代表性例子的模拟结果进行了演示。

Jan, 2014

本文提出一种使用智能电表数据和功能，同时确定投标和购买策略，基于历史招标经验学习的双代理深度确定性策略梯度方法来优化招标和购买决策，并通过在线学习确保趋势跟踪和自适应，结果表明该模型可以通过离线 / 在线学习投标规则并稳健地进行适当的出价，在面对多种情况时获得最优利润。

Feb, 2022