MMDec, 2023

基于电力消耗的占据检测

PDF
TL;DR从低频电力消耗数据中提取空置家居时间间隔的新方法，包括变点检测、分类、周期检测和周期性尖峰检索等多种算法，对模拟和真实消耗曲线均取得了令人鼓舞的结果。该方法为能源利用的优化提供了实用见解，并有潜在的节能成本和可持续性效益，但在不同场景和大型数据集上仍需要进一步的研究以提高可应用性。
vacant homeelectricity consumptioninterval extractionenergy optimizationsustainability
发现论文，激发创造
  • 基于家电用电情况的非侵入式居家离开检测的机器学习方法

    本研究在智能家居安装中探索电器电能使用作为检测居民是否在家的手段，通过非侵入式的消耗功率分解方法，该方法在 UK-DALE 数据集上进行了机器学习算法的评估，结果表明电器电能使用是检测家庭居住与否的可行方法之一。

    Mar, 2022

  • 利用超低频智能电表时间序列进行家电检测

    本文研究了时序分类器在检测低频智能电表数据中多种家电的存在和缺失方面的应用和比较，并提高了关于提高检测性能的建议。

    May, 2023

  • 房间入住预测：探索机器学习和时间洞察的力量

    我们的研究验证了我们对连续和分类任务的预测框架的有效性，并强调通过包含时间方面来提高预测能力的潜力。该研究凸显了机器学习在塑造节能实践和房间占用管理方面的前景。

    Dec, 2023

  • 基于数据挖掘的高级计量系统集成动态异常检测方法

    该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。

    May, 2024

  • 针对鲁棒性能量预测的持续学习越界时空数据

    本研究探讨了在流行期间建筑能源使用的预测方法，使用在线学习和人类迁移数据作为新的预测方法，以适应变化的入住模式，并在六个建筑上进行了广泛的实验。

    Jun, 2023

  • 使用低分辨率智能电表数据的混合 Transformer-RNN 架构进行家庭占用检测

    我们的研究旨在开发一种在当代生活环境中对住宅占用进行隐私保护和有效检测的模型，利用基于深度学习技术的混合 Transformer-RNN 模型，使用每小时的智能电表数据，在具有不同特征的住户中实现近 92％的准确度，并通过与最先进的模型（包括基于注意力的占用检测方法）的比较验证了其有效性。

    Aug, 2023

  • 基于动态阈值的卷积自编码器实时异常检测

    创新的混合建模方法结合统计学和卷积自编码器，利用动态阈值（基于马氏距离和移动平均）检测实时智能计量系统中的异常，从而提供早期预警，以预防灾难并在经济上受益于组织和消费者。

    Apr, 2024

  • 基于 Hoeffding 树和变点检测机制的持续学习情景下的天然气消耗预测系统

    提出一种新的连续学习能力的多步预测天然气消费的方法，采用数据流处理进行模型收集选择，并结合变点检测集成，评估了在天然气消费预测领域的复杂实际案例中的预测模型性能。

    Sep, 2023

  • 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

  • LEAD1.0 商业建筑能耗异常检测大规模标注数据集

    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