Jan, 2024

能源负荷分解的综述研究

PDF
TL;DR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。
energy load disaggregationdemand-side managementelectricity-saving behaviordomestic electricity consumptionartificial neural networks
发现论文，激发创造
  • UK-DALE 数据集：来自五个英国家庭的家电电力需求和整个住宅需求

    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

  • 朝着值得信赖的能源分解：非侵入式负荷监测的挑战、方法和前景综述

    该研究综述了近期针对住宅电器的非侵入式负载监测方法，分析总结了大量发表的学术文章，讨论了方法的亮点和应用问题，并强调了传统分解模型向实际可信框架的转化的必要性。

    Jul, 2022

  • 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

    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

  • 数据驱动的电力管理：多区域协调数据和知识图谱

    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

  • 借助实用数据驱动工具赋能汇聚者：利用聚合和分解的灵活性进行需求响应

    通过数据驱动技术和工业及住宅建筑的案例研究，本文不仅揭示了在平衡和新兴灵活性市场中机构的关键机遇，还成功开发了机构的端到端实用工具，验证了其操作能力，并为弹性和高效能源系统的演进作出了贡献。

    Jan, 2024

  • 配电网负荷预测的全球建模方法

    该研究提出了一种基于深度学习的全局建模方法、无监督的本地化机制和最优集成构建策略，以有效预测分布式网络中大量负载，该方法通过减少模型训练的计算负担，以及利用不同负载之间的交叉信息共享，能够比竞争方法更好地适用于实际智能电表数据，并提高预测精度。

    Apr, 2022

  • 智能电表数据分析：应用、方法和挑战综述

    本文综述了智能电表数据分析的应用发展以及在负荷分析、负荷预测和负荷管理等方面的技术和方法，并讨论了未来的研究趋势。

    Feb, 2018

  • 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

  • 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

  • 自然语言处理在电力需求分析中的定量探讨

    本文探讨了如何更好地利用新闻中包含的社会信息来理解能源需求方面的人口总体行为，并通过实验分析从国家新闻中提取的预测特征对日前电力需求预测的影响，实验结果表明最佳表现模型可将官方标准误差在 RMSE、MAE 和 SMAPE 方面降低约 4%、11% 和 10%，最佳表现方法包括确定 COVID-19 相关关键字的词频、识别流行病和内部政治新闻的主题分布，识别国际冲突新闻的全球词嵌入，为传统电力需求分析带来了新的视角并确认利用文本中的非结构化信息改进其预测的可行性，具有潜在的社会学和经济学影响。

    Jan, 2023