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

本文提出利用宽松度概念量化 HVAC（暖通空调）操作需求的紧急程度，采用基于强化学习的控制器调度总能量，在各种气候和电力市场条件下评估大规模 HVAC 系统的温度控制和节能成果，并实验结果表明该方法在大多数测试场景中胜过集中式方法，并在一些场景中与基于模型的方法表现相当。

Jun, 2023

该研究提出了两种互补的灵活性测量指标，并使用主流的基于机器学习的模型预测住宅建筑物在四小时和 24 小时预测时段内的时间变化和间歇性灵活性。长短期记忆（LSTM）模型在功率灵活性方面表现最佳，可以在 24 小时内准确预测功率灵活性，平均误差约为 0.7 千瓦。然而，在能源灵活性方面，LSTM 模型只能成功预测具有一致运行模式的负荷，并且在预测与暖通空调系统相关的能源灵活性时面临挑战。

Mar, 2024

利用纽约大学校园建筑中收集的需求响应数据，本文研究了基于人工智能的需求响应学习的漏洞，并设计了一种基于数据的攻击策略，展示了对实时响应激励、发送给响应客户的响应事件数据以及响应客户对响应激励的响应进行恶意篡改的可行性和影响。

Jul, 2023

本文提出了一种新的分布式能源聚合框架，其中包括多智能体架构和各种机制，用于有效管理和高效整合 Smart Grid 中的分布式能源，特别是当使用 CRPS 评分规则作为选择机制时，在与传统商业聚合器比较时，我们的框架导致参与者的平均支付增加。

Jul, 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

该研究提出了一种基于监督学习的新策略，利用神经网络和分段线性方程来优化多区域建筑物中 HVAC 系统的需求响应，结果显示该策略在实用性和计算时间方面都非常有效，同时确保了建筑物居民的热舒适性和 HVAC 系统的成本效益。

Apr, 2019

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

本文研究了如何通过反应需求实现频率调控来整合高比例的可再生能源资源对电力网的影响。作者提出一个分散的代理模型，通过多代理近端政策优化和本地化通信进行训练。同时，文中探讨了两种通信框架：手工设计或通过目标化的多代理通信进行学习。最终的政策可以良好地、稳健地完成频率调节，并可以在恒定处理时间下无缝扩展到任意数量的房屋。

Jan, 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