Oct, 2023

基于机器学习的框架，用于聚类住宅电力负载曲线以提升需求响应计划

PDF
TL;DR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。
发现论文，激发创造
  • 利用聚类技术实现智能社区实时需求响应框架

    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

  • 一种基于混合 SOM 和 K-means 模型的时间序列能耗聚类

    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

  • 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？

    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

  • 用基于聚类的自助法学习电力需求的区间预测

    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

  • 住宅电器的数据驱动负荷建模和预测

    本文提出了一种基于条件隐马尔可夫模型的短期负荷预测算法，该模型可描述住宅设备需求的概率特征，并利用可扩展的统计学习方法直接从用电数据中估算模型参数，运用多种类型的电器的 1 分钟功率消耗数据的情况研究证实了该模型在负载预测和异常检测方面的有效性。

    Oct, 2018

  • 能源负荷分解的综述研究

    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

  • 智能化电力负荷预测在用户社区的应用

    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

  • 使用能力问题来选择最优的住宅能源消费模式聚类结构

    本文介绍了如何使用能力问题来规范专家知识和应用需求，以在住宅能源消费领域对聚类应用进行上下文特定评估。

    Jun, 2020

  • 基于机器学习算法的低碳节能旅游数据特征分析与挖掘

    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

  • 基于深度强化学习的住宅家庭中隐私代价权衡的主动负载整形策略

    提出了一种基于深度强化学习的负载整形算法 (PLS-DQN)，通过主动创建人工负载签名来误导潜在攻击者，旨在保护用户隐私，同时保持成本效益。评估结果表明，该方法不仅有效隐藏真实能源使用模式，而且在提高用户隐私的同时也超越了最先进的方法。

    May, 2024