- 多变量对抗时间序列预测模型
研究论文通过提出多变量对抗时间序列预测模型来解决工业企业电力系统预测的问题,实验结果显示该方法能够更准确地预测工业企业的电力消耗。
- 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 - 负载预测的自动深度学习
电力消耗预测是确保电网性能和稳定性的关键,本文介绍了自动深度学习在负荷预测中的应用,并通过自动选择特征和优化网络架构和超参数,展示了能够超越现有方法的原创深度学习模型。
- 工业 4.0 应用中的新型混合特征重要性与特征交互检测框架
本文提出了一个新颖的混合框架,将特征重要性检测器 - 局部可解释性模型不可知解释 (LIME) 和特征交互检测器 - 神经交互检测 (NID) 组合,以提高预测准确性,并应用该框架优化铸造加工中的电力消耗预测,实验结果显示 R2 分数增加了 - MM基于电力消耗的占据检测
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 - Watt 为何物:重新思考深度学习的能耗和性能关系
我们研究了深度学习模型在准确性和电力消耗之间的权衡,并提出一种惩罚高电力消耗的度量标准。通过评估单位电力消耗下的准确性,我们展示了更小、更能源高效的模型如何在减缓环境问题的同时显著加快研究进展。这项研究强调了深度学习优化模型效率的重要性,为 - 运用基于代理的建模方法对爱尔兰奶牛农场的电力消耗进行建模
提出了一种代理模型来模拟爱尔兰奶牛场的用电量消耗,并验证了其准确性,该模型考虑了奶牛场的多种因素,如养殖规模、挤奶机台数和时间等。该模型的可解释性较高,相对于其他人工智能技术(如深度学习)具有优势。
- 可解释化人工智能用于定制化用电反馈 -- 可视化实验评估
通过采用机器学习与可解释的人工智能技术,我们创建了五个个性化反馈的可视化方案,以帮助用户准确识别电力消耗数据的特定模式,并显示在具有已知可视化模式的界面上。我们的实验表明,这样的 XAI 可视化方案能够被用户准确理解和应用。
- 本田智能家居房屋用电量预测方法比较
本文通过对多元预测方法在 Honda Smart Home US 数据集中的应用进行对比,发现支持向量回归方法对于电力消耗预测更具优越性。
- 基于多任务优化的协同训练在电量消耗预测中的应用
提出一种基于多任务优化的共同训练(MTO-CT)框架来预测电力消耗,使用长短时记忆(LSTM)模型作为预测器,通过知识传输模块在不同任务之间进行知识共享,通过实际使用澳大利亚的电力消费数据,证明这种方法在预测精度方面具有优越性。
- 基于仿射变换的电力消费时间序列数据分析中占主导地位的数据集选择算法
本文提出面向电力消费时间序列数据的主导数据集选择算法,旨在通过对时间序列数据对象之间的线性相关距离进行选择,有效地减少核心数据集的大小并确保时间序列数据的准确性和效率,该算法在中国哈尔滨城市的实际数据上得到了验证。
- 卷积序列到序列非侵入式负荷监测
提出了一种卷积序列到序列的非侵入式负载监测模型,并成功地将其应用于 REDD 数据集来进行电器分解,并与文献中的卷积序列对点模型进行比较。结果表明,该模型能够为具有不同特征的电器提供令人满意的分解性能。
- 聚合专业专家预测电力消耗
研究了基于专家的任意序列的顺序预测,在固定分享规则和与其他学习规则的相关性方面提出了两个理论结果,并将这些规则应用于电力消费的顺序短期预测。通过在斯洛伐克和法国的数据集上进行实证研究,实验结果表明引入的聚合规则在减小方差误差和改进鲁棒性方面 - 智能电表计费的插件隐私
在不泄露居民用电数据的情况下,借助基于 Pedersen 承诺的零知识证明及插件的隐私保护协议,使用智能电表收集电表数据,并通过实现动态时间使用费率实现计费。