利用太阳能满足空气供暖和生活热水需求在环境和成本方面非常高效，但要确保全年用户需求得到满足，需要结合辅助供暖系统，通常为锅炉和热泵。为了在小型家庭装置中部署先进的控制策略，我们提出了一种利用机器学习自动构建和持续适应预测热量生产模型的方法，该设计基于从低成本仪器中提取的监督信息构建和调整模型，避免了极高的准确性和可靠性要求；在推理时，使用通常在公开的天气预报中提供的输入。通过注意力机制的机器学习解决方案满足了我们的要求，我们提出了解决方案的良好实证结果，并讨论了这些结果对整个系统的影响。

May, 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

本研究旨在探索不同机器学习模型在预测 State Technical University of Quevedo 中心校区太阳辐射方面的有效性，并通过开发基于网络的工具展示该模型在实时太阳辐射预测中的实用性，为高效太阳能管理提供贡献。

Dec, 2023

对太阳能热解淡化领域的机器学习进行了有效的跨学科研究，通过优化的数据采集和分析过程，成功收集并分析了大规模的数据集，探究了数据集规模和范围对预测准确性、影响因素重要性排名和模型泛化能力的影响，为实现太阳能热解淡化的机器学习流程提供了重要的参考。

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

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

本文研究了一种以监督学习为基础的聚类分析方法，该方法结合了回归和分类，采用整数线性规划方法以及高度可扩展的贪心算法，支持不同类型的聚类定义，并能够展示数据中不同的可解释性的离散聚类结构。

May, 2023

该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

Aug, 2022

使用机器学习模型作为仿真器来进行气候预测是当前研究中的一个主要领域，可以帮助决策者做出明智决策。本研究侧重于评估使用非线性回归模型进行气候仿真的能力，并比较了三种非线性回归模型的效果。高斯过程回归模型在气候仿真研究中展现了卓越的性能，但在计算资源方面存在一些问题。另外，支持向量和核岭模型也取得了竞争性的结果，但需要解决一些权衡问题。此外，正在积极研究复合核和变分推断等技术，以进一步提高回归模型的性能，有效地模拟包括降水在内的复杂非线性模式。

Aug, 2023

给出了一种基于 k-means 聚类方法的数据驱动室温预测模型，通过历史数据分析提取系统运行特征并简化系统级模型，提高了泛化能力和计算效率，实验证明该方法能显著减少建模时间而不降低预测准确性。

Feb, 2024