May, 2024

数据驱动的电力管理：多区域协调数据和知识图谱

PDF
TL;DR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。
发现论文，激发创造
  • 基于语义网的分散家庭能源数据提升方法

    本文介绍了一个基于本体论的方法，用于在分散的家庭能源系统中管理分辨率为设备级别的数据，以便更好地利用来自互联网和 Web 的各种数据，促进能源可持续发展。

    Aug, 2022

  • 智能电网知识图谱发展现状及应用前景调查

    本文针对智能电网应用中电力数据语义互操作和互联进行了全面研究，提出了基于知识图谱技术的电力知识挖掘、智能电网中的知识图谱概述、电力知识图谱平台构架，以及知识图谱在智能电网、用电服务、调度决策和设备运维领域的应用前景。同时，总结了面临的问题和挑战。

    Nov, 2022

  • 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

  • 基于大数据和神经网络的智能电网背景下的城市电力消费预测

    基于大数据和神经网络，本文建立了一个模型来预测智能城市中的电力消费，并构建了评估模型来确定电力消费的核心特征值。

    Sep, 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

    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

  • GREEND：意大利和奥地利家庭能耗数据集

    本文介绍了 GREEND 数据集，其中包含奥地利和意大利家庭详细的能耗信息，并讨论了传感器基础设施的设计选择。最后，使用最先进的技术对负荷分解、占用检测和电器使用情况进行了基准测试。

    May, 2014

  • 美国高分辨率合成住宅能源使用概况

    本研究发布了一份大规模、合成的、详细的住宅能源使用数据集，该数据集具有高分辨率和可用性，能够深入探究能源消耗方面的问题。

    Oct, 2022

  • 深度学习在智能需求响应和智能电网方面的应用：综合调查

    本论文综合调查了深度学习在智能电网和需求响应中的应用，主要包括负载预测、状态估计、能量盗窃检测、能源共享与交易等方面，并提出了如何充分利用深度学习技术应对该领域中的重要问题和潜在方向。

    Jan, 2021

  • 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

  • 可再生能源系统和电网优化中的分布式解决方案赋能

    该研究探讨了电力行业由中央集中化向分散化的转变，重点关注了机器学习在推动可再生能源和改善电网管理方面的关键作用。研究使用了人工神经网络、支持向量机和决策树等多种技术，将机器学习模型应用于预测可再生能源的生成和消耗，并采用数据预处理方法提高预测准确性。通过结合大数据和机器学习技术，智能电网能够提高能源效率、更有效地响应需求并更好地整合可再生能源。然而，需要解决大数据处理、网络安全和获取专业技术等挑战。总之，该研究揭示了电力行业由中央集中化向分散化解决方案转变，并通过应用机器学习创新和分布式决策塑造了更高效和可持续的能源未来。

    Oct, 2023