Benchmarking air-conditioning energy performance of residential rooms based on regression and clustering techniques
Singapore University of Technology and Design(新加坡科技设计大学);Building and Construction Authority Academy(建设局学院)
空调(AC)占全球能源消耗的关键部分。为了提高其能源绩效,重要的是要公平地衡量其能源绩效,并向用户提供评估反馈。然而,这一任务在住宅部门没有得到很好的解决。在本文中,我们提出了一种数据驱动的方法来公平地基准测试住宅房间的AC能源性能。首先,为每个基准房间建立回归模型,以便在不同的天气条件和AC设置下预测其功耗。然后,所有房间根据其面积和通常的AC温度设置点进行聚类。最后,在每个集群内,房间根据其在统一天气条件和AC设置下的预测功耗进行基准测试。一个真实世界的案例研究进行了从44个住宅房间收集的数据。结果表明,所构建的回归模型在交叉验证测试中的平均预测准确率为85.1%,高斯核支持向量回归是构建回归模型的最佳模型结构。在聚类步骤中,44个房间被成功地聚类为七个聚类。通过比较所提出的方法产生的基准测试分数与从历史功耗数据计算的两组分数,我们表明,所提出的方法能够消除房间面积,天气条件和AC设置对基准测试结果的影响。因此,拟议的基准方法是有效和公平的。作为一个副产品,该方法也被证明是有用的,以调查如何房间面积,天气条件和AC设置影响房间的AC功耗在现实生活中。
2019-10-15 cs.LG cs.SY eess.SY
Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data
Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室);Convergence Data Analytics, LLC(Convergence Data Analytics有限责任公司);Youngstown State University(扬斯敦州立大学);University of Vermont(佛蒙特大学)
由于住宅消费模式的高度波动性以及从公用事业和系统馈线角度对聚合负荷的历史关注,住宅客户传统上不被视为单独的实体。智能电表的大规模部署促使越来越多的研究探索分解的每日负荷模式,这可以揭示不同时间尺度,天气条件以及单个家庭内部和之间的重要异质性。本文旨在阐明电力消费模式表现出可变性的机制和可能影响需求响应(DR)灵活性的不同约束。我们系统地评估日常时间的使用模式和它们的变化之间的关系,外部和内部的影响因素,包括感兴趣的时间尺度,气象条件,和家庭特征的应用程序的自适应K-均值聚类方法的改进版本,以配置文件“家庭日”的夏季高峰实用程序。我们发现,对于这个夏季高峰实用程序,室外温度是最重要的外部驱动程序的负载形状的变化相对于季节性和一周中的一天。前三种消费模式约占最高气温日的50%。夏季负荷形状在客户之间的可变性可以通过家庭对外界温度的响应来解释。我们的研究结果表明,取决于影响因素,并不是所有的消费可变性可以很容易地转化为消费的灵活性。这些信息需要进一步探讨细分客户,以更好地确定计划目标和量身定制,以满足快速发展的电网的需求。
2021-02-16 cs.CY cs.LG stat.AP
Beyond Weather Correlation: A Comparative Study of Static and Temporal Neural Architectures for Fine-Grained Residential Energy Consumption Forecasting in Melbourne, Australia
School of Computing and Information Technology(计算与信息科技学院)
本文比较了MLP和LSTM在墨尔本住宅能源消耗预测中的表现,发现时间自相关性在5分钟粒度下优于静态气象特征,且太阳能发电引入了非对称影响。
2026-04-14 cs.LG cs.SY eess.SY
Functional Model of Residential Consumption Elasticity under Dynamic Tariffs
Faculty of Engineering, University of Porto (FEUP)(波尔图大学工程学院);INESC Technology and Science (INESC TEC)(INESC科技与科学研究院)
零售商的主要障碍之一是了解他们可以期望从他们的合同需求响应(DR)客户的消费弹性。零售商提供的DR产品的当前趋势不是消费者特定的,这对消费者积极参与这些计划构成了额外的障碍。消费者需求行为的弹性因个体而异。公用事业将受益于更准确地了解其价格的变化将如何改变其客户的消费模式。本文提出了一个DR签约消费者的消费弹性函数模型。该模型的目的是确定DR消费者可以提供给零售商或公用事业不同的价格水平的负荷调整。该模型采用贝叶斯概率方法来确定实际的负荷调整,个别合同客户端可以提供不同的价格水平,它可以体验。所开发的框架提供了一个工具,零售商或公用事业公司,以获得个人消费者将如何应对不同的价格水平的关键信息。这种方法能够量化消费者对DR信号做出反应的可能性,并识别单个签约DR客户端针对他们可能经历的不同价格水平提供的实际负载调整。该信息可用于最大化零售商或公用事业公司可提供给系统运营商的服务的控制和可靠性。
2021-11-22 cs.LG cs.SY econ.GN
Distributed Deep Reinforcement Learning for Intelligent Load Scheduling in Residential Smart Grids
University of Oslo(奥斯陆大学);Simula Metropolitan Center for Digital Engineering(Simula大都会数字工程中心)
家庭用电量多年来一直在不断增长。为了应对这种增长,有必要对家庭的消费情况进行智能管理,以便家庭可以节省电费,并可以减少高峰时段对电网的压力。然而,实现这样的方法是具有挑战性的,由于存在随机性的电价和消费的电器。为了应对这一挑战,我们采用了一种无模型的方法,该方法适用于有关不确定因素的有限信息的家庭。更具体地说,家庭和电网之间的相互作用可以被建模为一个非合作的随机对策,其中的电价被视为一个随机变量。为了寻找博弈的纳什均衡(NE),我们采用了一种基于分布式深度强化学习的方法。此外,所提出的方法可以保护家庭的隐私。然后,我们利用Pecan Street Inc.的真实数据,其包含超过1000个家庭的电力消耗概况,以评估所提出的方法的性能。平均而言,结果表明,我们可以实现约12%的峰均比(PAR)和11%的负载方差减少。通过这种方法,可以降低电网的运行成本和家庭的用电成本。
2020-06-29 cs.LG math.OC
Experimental Investigation of Variational Mode Decomposition and Deep Learning for Short-Term Multi-horizon Residential Electric Load Forecasting
University of North Dakota(北达科他大学);Czech Technical University in Prague(捷克布拉格技术大学);International University of Rabat(拉巴特国际大学);University of Leeds(利兹大学);Mohammed V University in Rabat(拉巴特穆罕默德五世大学)
随着先进数字技术的蓬勃发展,用户和能源分销商可以及时获得有关家庭用电量的详细信息。这些技术也可以用来预测家庭的用电量(也称为“用电量”)。负载)。在本文中,我们研究了使用变分模式分解和深度学习技术来提高负荷预测问题的准确性。虽然这个问题已经在文献中进行了研究,但选择适当的分解级别和提供更好预测性能的深度学习技术相对较少受到关注。这项研究通过研究六个分解层次和五个不同的深度学习网络的效果来弥合这一差距。原始的负载配置文件首先分解成固有模式的功能,使用变分模式分解,以减轻其非平稳方面。然后,天,小时,和过去的电力消耗数据作为一个三维输入序列馈送到一个四级小波分解网络模型。最后,将与不同内在模式函数相关的预测序列组合形成聚合预测序列。所提出的方法进行了评估,从摩洛哥建筑物的电力消耗数据集(MORED)的五个摩洛哥家庭的负载配置文件,并对国家的最先进的时间序列模型和基线持久性模型的基准。
2022-09-15 cs.LG eess.SP
FedAR+: A Federated Learning Approach to Appliance Recognition with Mislabeled Data in Residential Buildings
Indian Institute of Technology (BHU)(印度理工学院(贝拿勒斯印度教大学));Missouri University of Science and Technology(密苏里科技大学)
随着人们生活水平的提高和通信技术的快速发展,住宅环境变得智能化和互联化,整体能源消耗大幅增加。由于家用电器是主要的能源消费者,因此对它们的识别对于避免无人看管的使用至关重要,从而节约能源并使智能环境更具可持续性。传统上,通过从客户端(消费者)收集经由智能插头记录的电力消耗数据,在中央服务器(服务提供商)处训练电器识别模型,从而导致隐私泄露。除此之外,当设备连接到非指定的智能插头时,数据容易受到噪音标签的影响。在共同解决这些问题的同时,我们提出了一种新的联邦学习方法来进行设备识别,称为FedAR+,即使使用错误标记的训练数据,也可以以隐私保护的方式跨客户端进行分散的模型训练。FedAR+引入了一种自适应噪声处理方法,本质上是一种结合权重和标签分布的联合损失函数,以增强电器识别模型对噪声标签的能力。通过在公寓大楼中部署智能插件,我们收集了一个标记的数据集,以及两个现有的数据集,用于评估FedAR+的性能。实验结果表明,我们的方法可以有效地处理高达$30\%$浓度的噪声标签,同时优于以前的解决方案的准确性大幅度提高。
2022-09-03 cs.LG
Hourly Short Term Load Forecasting for Residential Buildings and Energy Communities
Software Competence Center Hagenberg GmbH(哈根伯格软件能力中心有限公司)
本文研究住宅建筑和能源社区的每小时短期电力负荷预测,引入了PAR和SPR等结合领域知识的简单模型,相比现有方法预测准确率提升15-30%。
2025-01-31 cs.LG
Synthetic Data Generation for Residential Load Patterns via Recurrent GAN and Ensemble Method
Monash University(莫纳什大学)
本文提出集成循环生成对抗网络ERGAN,通过集成多个循环GAN并结合对抗损失与统计差异损失,生成高保真、多样化的住宅负荷合成数据,并在多项指标上优于现有基准。
2024-10-20 cs.AI cs.LG
Intelligent Residential Energy Management System using Deep Reinforcement Learning
Indian Institute of Technology Patna(印度理工学院巴特那分校)
当今世界对电力及其基本性质的需求不断增长,需要能够减少能源使用的智能家庭能源管理(HEM)系统。这涉及从能量消耗处于其最高时的一天的高峰时间到能量消耗相对较低时的一天的较低非高峰时段的负载调度,从而降低系统的峰值负载需求,这将因此导致更少的能量账单,并改善负载需求曲线。这项工作介绍了一种新的方法来开发一个学习系统,可以从经验中学习,将负载从一个时间实例转移到另一个时间实例,并实现最小化总峰值负载的目标。本文提出了一种用于需求响应的深度强化学习(DRL)模型,其中虚拟代理像人类一样学习任务。智能体在环境中采取的每一个行动都会得到反馈;这些反馈将驱使智能体学习环境,并在学习阶段的后期采取更明智的步骤。我们的方法优于国家的最先进的混合整数线性规划(MILP)的负荷峰值降低。作者还设计了一个智能体来学习同时最小化消费者的电费和公用事业公司的系统峰值负荷需求。所提出的模型进行了分析,从五个不同的住宅消费者的负载,所提出的方法增加了每个消费者的每月储蓄,减少他们的电费大幅减少,同时最大限度地减少系统上的峰值负荷时,所提出的方法处理的时移负载。
2020-05-28 cs.AI cs.LG eess.SP
Non-Intrusive Load Monitoring (NILM) using Deep Neural Networks: A Review
Qom University of Technology(库姆理工大学);London South Bank University(伦敦南岸大学)
本文综述基于深度学习的非侵入式负荷监测方法,梳理住宅负荷分解的高精度方案、公共评估数据库及标准指标对比。
2023-06-08 cs.LG eess.SP
Quantifying and Predicting Residential Building Flexibility Using Machine Learning Methods
Colorado School of Mines(科罗拉多矿业学院)
针对住宅建筑灵活性量化与预测不足的问题,本文提出功率和能量灵活性指标,并比较多种机器学习模型,发现LSTM在24小时功率灵活性预测中表现最佳。
2024-03-04 cs.LG cs.SY eess.SY
Learning Task-Aware Energy Disaggregation: a Federated Approach
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
我们考虑的问题,学习住宅负荷数据的能量分解信号。这样的任务被称为非侵入式负载监测(NILM),并且为了基于聚集的仪表测量来找到各个设备的功耗简档,通常基于来自多个住宅的大量训练数据来训练机器学习模型。然而,收集这样的住宅负荷数据集需要巨大的努力和客户对共享计量数据的批准,而来自不同地区或电力用户的负荷数据可能会表现出异构的使用模式。这两个实际问题使得训练一个单一的、集中的NILM模型具有挑战性。在本文中,我们提出了一个分散的和任务自适应学习计划NILM任务,嵌套元学习和联邦学习步骤设计用于学习特定于任务的模型集体。基准数据集上的仿真结果验证了所提出的算法的性能,有效地推断各种家庭和电器的电器级消费。
2022-11-27 cs.LG cs.SY eess.SY
Spatiotemporal Graph Neural Networks in short term load forecasting: Does adding Graph Structure in Consumption Data Improve Predictions?
Interdisciplinary Centre for Security, Reliability and Trust - SnT, University of Luxembourg(卢森堡大学安全、可靠性与信任跨学科中心 - SnT);University of Luxembourg(卢森堡大学)
本文综述并基准测试用于短期负荷预测的时空图神经网络,发现加入图结构可提升居民层级预测精度,但对聚合层级无明显改善。
2025-02-14 cs.AI cs.LG
Occupancy Detection Based on Electricity Consumption
Hello Watt(Hello Watt公司)
本研究提出一种结合变点检测等多种算法的低频电力数据住宅空置时段提取方法,在模拟与真实数据上效果良好,为能源优化提供实用思路,仍需拓展适用场景。
2023-12-13 cs.LG cs.SY eess.SP
Proactive Load-Shaping Strategies with Privacy-Cost Trade-offs in Residential Households based on Deep Reinforcement Learning
The University of Manchester(曼彻斯特大学);KU Leuven(鲁汶大学);COSIC(计算机与安全集成中心)
针对智能电表隐私泄露问题,提出基于深度强化学习的主动负荷整形算法PLS-DQN,通过制造虚假负荷特征误导攻击者,在保护隐私的同时兼顾成本,优于现有方法。
2024-05-29 cs.LG cs.SY eess.SY
Full-Feature versus Limited-Input Machine Learning for Residential Energy Estimation: A Comparative Analysis of RECS and ResStock Under Realistic Input Constraints
本研究对比RECS与ResStock数据集,发现树集成模型在住宅能源估算中,全特征性能优异,有限输入下精度收敛,同质队列建模可提升精度,需关注特征与数据集来源。
2026-08-11 cs.LG
LoaDiff: Conditional Generation of Electricity Consumption Time Series for Energy Analytics
EDF R&D(法国电力集团研发部);Université Paris Cité(巴黎西岱大学)
LoaDiff是一种基于扩散的生成模型,用于生成亚小时级居民电耗曲线,支持静态和动态条件控制,在保真度、多样性和下游应用上表现优异。
2026-09-11 cs.AI cs.LG eess.SP
Digital Twin for Grey Box modeling of Multistory residential building thermal dynamics
Kaunas University of Technology(考纳斯理工大学);Frederick University(弗雷德里克大学);Linkoping University(林雪平大学)
本研究提出一种集成实时物联网数据与3D建筑表示的数字孪生架构,实现建筑热动力学的灰盒建模,并通过案例验证,支持供暖能源优化决策。
2024-02-05 cs.LG stat.AP
Energy Efficiency in Reinforcement Learning for Wireless Sensor Networks
University of Bristol(布里斯托大学)
随着用于健康监测的传感器网络变得越来越普遍,因此需要控制其使用和能源消耗。本文提出了一种方法,利用该算法的性能和能量消耗。通过利用强化学习(RL)技术,我们提供了一个自适应框架,该框架在能量感知系统中连续执行弱训练。我们激励这一点使用一个现实的例子,基于接收信号强度(RSS)的住宅定位。该方法在工时、校准和能源使用方面都很便宜。它通过利用环境中可用的其他传感器来实现这一点。这些其他传感器提供弱标签,然后用于采用状态-动作-奖励-状态-动作(SARSA)算法,并随着时间的推移训练模型。我们的方法是在模拟的本地化环境中进行评估,并在广泛使用的普适健康数据集上进行验证,该数据集使用RSS实现了现实的住宅本地化。我们表明,我们的方法是更便宜的实施,需要更少的努力,而在同一时间提供了一个性能增强和节能随着时间的推移。
2018-11-19 cs.LG eess.SP stat.ML
Power Management in Smart Residential Building with Deep Learning Model for Occupancy Detection by Usage Pattern of Electric Appliances
Electronics and Telecommunications Research Institute (ETRI)(韩国电子通信研究院);Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
随着智能建筑应用的增长,住宅建筑中的占用信息变得越来越重要。在智能建筑范例的背景下,这种信息需要用于各种目的,包括提高能源效率和居住者舒适度。在这项研究中,居住建筑中的占用检测是使用深度学习的基础上的技术信息的电器。为此,提出了一种新的智能住宅建筑系统的占用检测方法。使用智能计量系统测量的电器、传感器、光和HVAC的数据集,从50个家庭收集,用于模拟。利用支持向量机和自编码算法对数据集的占用率进行分类。混淆矩阵用于准确率,精度,召回率和F1,以证明所提出的方法在占用检测的比较性能。该算法利用电器产品的技术信息实现了95.7~ 98.4%的占用检测。为了验证占用检测数据,主成分分析和t分布随机邻居嵌入(t-SNE)算法。通过使用占用检测,智能建筑中可再生能源系统的功耗降低到11.1%~13.1%。
2022-09-23 cs.HC cs.LG eess.SP
Home Electricity Data Generator (HEDGE): An open-access tool for the generation of electric vehicle, residential demand, and PV generation profiles
University of Oxford(牛津大学)
针对住宅能源研究中可用数据匮乏、单户连续数据缺失的问题,本文提出开源工具HEDGE,基于英国真实数据集经预处理、行为聚类后用GAN生成单户一致的多日住宅能源数据序列。
2023-10-02 cs.LG cs.SY eess.SY
Uncertainty-Cognizant Model Predictive Control for Energy Management of Residential Buildings with PVT and Thermal Energy Storage
Niroo Research Institute (NRI)(尼鲁研究所)
建筑业占全球能源消耗的近40%。这揭示了在建筑物中利用可再生能源以实现气候目标的绝佳机会。在这种情况下,本文提供了一种建筑能源系统,包括热泵,热能储存系统以及并网光伏热(PVT)收集器,以最小的运营成本提供电力和热能需求的建筑物。为此,本文开发了一种随机模型预测控制(MPC)策略,以最佳地确定整个建筑能源系统的设定点,同时考虑与PVT能量生成相关的不确定性。该系统使建筑物能够1-将其电力需求从高峰时间转移到非高峰时间,2-将电力出售给电网以进行能源套利。
2022-01-21 cs.LG cs.SY eess.SY
Deep Learning Innovations for Energy Efficiency: Advances in Non-Intrusive Load Monitoring and EV Charging Optimization for a Sustainable Grid
National Technical University of Athens(雅典国立技术大学)
本论文针对能源转型中住宅能耗和道路交通两大高耗能领域,研究新型深度学习技术,通过非侵入式负荷监测降低住宅能耗,并利用深度强化学习优化电动汽车充电以推动交通脱碳。
2025-05-07 cs.LG
Using Reinforcement Learning for Demand Response of Domestic Hot Water Buffers: a Real-Life Demonstration
Flemish Institute for Technological Research (VITO)(佛兰德斯技术研究院(VITO))
本文提出了一种数据驱动的控制方法,用于现实住宅建筑中的负荷响应,通过优化热水器加热周期以最大化本地光伏生产自用电量。
2017-03-16 cs.LG cs.SY eess.SY
Constructing dynamic residential energy lifestyles using Latent Dirichlet Allocation
Stanford University(斯坦福大学)
高级仪表基础设施(AMI)的快速扩展极大地改变了能源信息的格局。然而,我们利用这些信息来生成有关住宅电力需求的可操作见解的能力仍然有限。在这项研究中,我们提出并测试了一个新的框架,通过使用一个动态的能源生活方式的方法,是迭代和高度可扩展的理解居民用电需求。为了获得能源的生活方式,我们开发了一种新的方法,适用于潜在的Dirichlet分配(LDA),通常用于推断文本数据的潜在主题结构的方法,提取一系列潜在的家庭能源属性。通过这样做,我们提供了一个家庭用电的新视角,其中每个家庭的特点是混合的能源属性,形成了用于识别能源生活方式的稀疏集合的构建块。我们通过对来自60,000个家庭的每小时智能电表数据进行一年的实验来研究这种方法,并提取了描述一般日常使用模式的六个能源属性。然后,我们使用聚类技术,从能量属性比例中获得六种不同的能量生活方式。我们的生活方式方法也灵活地适应不同的时间间隔长度,我们按季节(秋季,冬季,春季和夏季)测试我们的生活方式方法,以跟踪家庭内部和家庭之间的能量生活方式动态,发现大约73%的家庭在一年内表现出多种生活方式。这些能源的生活方式,然后比较不同的能源使用特点,我们讨论了他们的需求响应程序设计和生活方式的变化分析的实际应用。
2022-04-22 cs.CY cs.LG
A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs
National Technical University of Athens(雅典国立技术大学)
本文提出一种基于机器学习的住宅负荷聚类框架,利用伦敦近5000户家庭智能电表数据,结合四种聚类算法与可解释AI,将用户从七个聚类细分为九个,以支持更精准的需求响应项目。
2023-10-31 cs.AI cs.LG
Activity Detection And Modeling Using Smart Meter Data: Concept And Case Studies
Stanford University(斯坦福大学);Total, R&D(道达尔研发中心)
住宅消费者消耗的电力占全球电力消耗的很大一部分,由于广泛部署的先进计量基础设施,公用事业公司可以收集高分辨率的负载数据。通过非侵入式负载监控对设备负载分解的研究兴趣越来越大。由于电器的用电量与消费者的活动直接相关,本文提出了一种新的更有效的方法,即,活动分解我们提出了活动分解的概念,并讨论了它的优势,传统的设备负载分解。我们开发了一个框架,利用机器学习的活动检测的基础上住宅负荷数据和功能。我们通过数值案例研究来证明活动检测方法的有效性,并通过时间依赖的活动建模来分析消费者行为。最后但并非最不重要的是,我们讨论了一些潜在的用例,可以受益于活动分解和一些未来的研究方向。
2021-03-10 cs.HC cs.LG
Data-Driven Heat Pump Management: Combining Machine Learning with Anomaly Detection for Residential Hot Water Systems
Department of Mathematics and Computer Science, Karlstad University(数学与计算机科学系,卡尔斯塔德大学);Department of Research and Development, Thermia AB(研发部,Thermia AB)
本文提出结合机器学习与孤立森林异常检测的热水需求预测方法,在真实家庭数据上验证,LightGBM模型RMSE改进达9.37%,iForest误报率仅5.2%,实现自适应热泵控制。
2025-06-03 cs.LG
Federated Learning for Short-term Residential Load Forecasting
Keele University(基尔大学)
负荷预测是能源行业内执行的一项重要任务,有助于平衡供需并维持电网的稳定负荷。随着供应向不太可靠的可再生能源发电过渡,智能电表将成为促进这些预测任务的重要组成部分。然而,智能电表在注重隐私的消费者中的采用率很低,他们担心自己的细粒度消费数据会受到入侵。在这项工作中,我们提出并探索了一种基于联邦学习(FL)的方法,用于以分布式协作方式训练预测模型,同时保留底层数据的隐私。我们比较两种方法:FL,和集群的变体,FL+HC对一个非私人的,集中的学习方法和一个完全私人的,本地化的学习方法。在这些方法中,我们使用RMSE和计算效率来衡量模型性能。此外,我们建议FL策略之后是个性化步骤,并表明模型性能可以通过这样做来提高。我们表明,FL+HC其次是个性化可以实现$\sim$ 5\%的模型性能的改善与$\sim$ 10倍减少计算相比,本地化学习。最后,我们提供建议,私人聚合的预测,建立一个私人的端到端的负荷预测应用程序。
2022-09-08 cs.CY cs.LG
Appliance Operation Modes Identification Using Cycles Clustering
The University Of Western Ontario(西安大略大学)
不断增加的成本、能源需求和环境问题促使许多研究人员寻找能源监测的方法,从而节约能源。物联网(IoT)和机器学习(ML)的新兴技术提供了具有有效节约能源和提高能源消耗利用率的潜力的技术。灵巧家庭能源管理系统(SHEMS)具有通过在住宅部门中应用需求响应(DR)来促进节能的潜力。在本文中,我们提出了家电操作模式识别使用周期聚类(OMICC),这是SHEMS的基本方法,利用感测到的住宅分解功耗支持DR,为消费者提供选择更轻的家电操作模式的机会。提取电器的单次使用简档(Single Usage Profile,缩写为REQ)的周期,并将其重组为周期集群的特征。然后,这些特征用于使用K最近邻(KNN)识别每次出现时使用的操作模式。运行模式识别被认为是SHEMS中面向消费者或供应商的许多潜在智能DR应用的基础
2021-01-25 cs.AI cs.LG
Neural Network-Based Detection and Multi-Class Classification of FDI Attacks in Smart Grid Home Energy Systems
West Virginia University(西弗吉尼亚大学)
本文提出一种基于机器学习的框架,利用轻量级ANN和双向LSTM对智能电网家庭区域网络中的虚假数据注入攻击进行实时检测与多类分类,有效提升电网边缘防御弹性。
2025-08-09 cs.CR cs.LG cs.SY
Energy consumption forecasting using a stacked nonparametric Bayesian approach
The Commonwealth Scientific and Industrial Research Organisation (CSIRO)(联邦科学与工业研究组织)
本文在非参数高斯过程(GP)的框架内,使用多个短时间序列数据的家庭能源消费量的预测过程进行了研究。随着我们开始使用智能电表数据来更清晰地描绘住宅用电情况,越来越明显的是,我们还必须构建一个详细的画面,了解消费者与天然气消费的复杂关系。电力和天然气的消费模式高度依赖于各种因素,这些因素之间错综复杂的相互作用是复杂的。此外,由于典型的天然气消费数据是具有非常少的时间点的低粒度数据,因此传统时间序列预测技术的简单应用可能导致严重的过拟合。考虑到这些因素,我们构建了一个堆叠GP方法,其中每个GP应用于每个任务的预测后验用于下一级GP的先验和可能性。我们将我们的模型应用于真实世界的数据集,以预测澳大利亚几个州的家庭能源消耗。我们将直观吸引人的结果与其他常用的机器学习技术进行比较。总体而言,结果表明,所提出的堆叠GP模型优于我们测试的其他预测技术,特别是当我们有多个短时间序列实例时。
2020-11-11 cs.AI cs.LG
Electrical Behavior Association Mining for Household ShortTerm Energy Consumption Forecasting
College of Electrical Engineering, Zhejiang University(浙江大学电气工程学院);Polytechnic Institute, Zhejiang University(浙江大学理工学院)
针对家庭短期能耗预测因用户行为随机性而准确度低的问题,提出基于用电行为关联挖掘与CNN-GRU模型的新方法,通过概率关联建模生成关联簇并捕捉时间相关性,显著提升了日前预测精度。
2024-01-26 cs.AI cs.LG cs.SY
Low-Cost HEM with Arduino and Zigbee Technologies in the Energy Sector in Colombia
Universidad de Sucre(苏克雷大学);University of Vigo(维戈大学)
本文针对哥伦比亚住宅电力消耗问题,设计实现了一种基于Arduino和Zigbee的低成本家庭能源管理系统(HEMS),通过监测典型家用设备能耗帮助用户制定节能策略,实验表明该系统可使家庭能耗降低27%。
2023-11-24 cs.AI cs.LG cs.SY
Just In Time Transformers
University of Salento(萨伦托大学);Inmatica S.p.A.(因马蒂卡股份公司)
本文提出JITtrans变压器模型,先对智能电表用户按能耗行为聚类,再实现住宅能源负荷的高精度预测,以支持可持续能源管理。
2024-11-22 cs.LG
A Novel Hybrid Deep Learning Approach for Non-Intrusive Load Monitoring of Residential Appliance Based on Long Short Term Memory and Convolutional Neural Networks
University of Glasgow(格拉斯哥大学)
能量分解或非侵入式负载监测(NILM),是一个单输入盲源鉴别问题,旨在将干线用户的电力消耗解释为设备水平测量。本文提出了一种通过使用深度递归长短期记忆(LSTM)网络结合卷积神经网络(CNN)进行功率分解的新方法。深度神经网络由于其复杂性和大量的可训练参数,已被证明是解决这类问题的重要方法。本文提出的混合方法可以显著提高NILM的整体精度,因为它受益于两个网络的优点。所提出的方法使用序列到序列学习,其中输入是电源的窗口,输出是目标设备的窗口。所提出的深度神经网络方法已被应用于现实世界的家庭能源数据集“REFIT”。本文描述的REFIT电力负荷测量数据集包括整个房屋的总负荷和9个单独的电器测量,每个房子在8秒的时间间隔,连续收集了超过两年的时间从英国各地的20所房子。所提出的方法取得了显着的性能,提高准确率和F1分数的措施,分别为95.93%和80.93%,这表明所提出的方法的有效性和优越性的家庭能源监测。所提出的方法和其他最近公布的方法的比较已经提出和讨论的基础上的精度,所考虑的器具和深度神经网络可训练参数的大小的数量。与以往的方法相比,该方法具有显著的性能。
2021-04-15 cs.LG cs.SY eess.SY
Knowledge Distillation for Efficient Transformer-Based Reinforcement Learning in Hardware-Constrained Energy Management Systems
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文通过知识蒸馏将高容量决策变压器策略转化为紧凑模型,提升能源管理系统的部署效率,减少参数和内存消耗,同时保持控制性能。
2026-03-27 cs.LG
Short-term Prediction of Household Electricity Consumption Using Customized LSTM and GRU Models
随着电力系统的发展,它变得更加智能和交互式系统,同时随着可再生能源的更大渗透而增加灵活性,短期解决方案的需求预测在未来电网的设计和管理中将不可避免地变得越来越重要,特别是当涉及到单个家庭时。预测单一能源用户的电力需求,而不是大规模住宅负荷的总电力消耗,是困难的,因为有相当多的波动和不确定因素。本文提出了一种定制的GRU(门控递归单元)和长短期记忆(LSTM)架构来解决这个具有挑战性的问题。LSTM和GRU相对较新,也是最常用的深度学习方法之一。用电量数据集来自单个家庭智能电表。比较表明,在这种情况下,LSTM模型在家庭级预测方面的表现优于替代预测技术GRU。为了将基于NN的模型与传统的基于统计技术的模型进行比较,还开发了基于ARIMA的模型,并在本研究中使用LSTM和GRU模型结果进行基准测试,以显示所提出的模型在收集的时间序列数据上的性能。
2022-12-16 cs.LG cs.NE eess.SP
DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings
Indian Institute of Science Education and Research (IISER), Bhopal(印度科学教育与研究学院(IISER)博帕尔分校)
本文提出一种基于LSTM的模型,利用历史数据、占用模式和天气预测建筑能耗,在住宅和商业建筑中实现高精度预测,R2达0.97,MAE为0.007,优于线性回归、决策树和随机森林,且在小数据集上表现高效。
2024-02-06 cs.AI cs.LG
Physics-informed linear regression is competitive with two Machine Learning methods in residential building MPC
Empa(瑞士联邦材料科学与技术研究所);ETH Zürich(苏黎世联邦理工学院)
由于基于物理的建筑物模型难以获得,因为每个建筑物都是单独的,因此对直接从测量数据生成适合于建筑MPC的模型的兴趣越来越大。机器学习方法已被广泛应用于这一问题,并验证主要是在模拟,但是,很少有研究直接比较不同的模型或验证在真实的建筑物中被发现在文献中。在实际应用中得到验证的方法往往会导致计算复杂的非凸优化问题。在这里,我们比较物理通知自回归移动平均与外源输入(ARMAX)模型的机器学习模型的基础上随机森林和输入凸神经网络和由此产生的凸MPC计划在实验中的实际建筑应用的目标是最大限度地减少能源消耗,同时保持居住者的舒适度,并在数值案例研究。我们表明,预测控制一般导致节省26%和49%之间的加热和冷却能量,相比建筑物的基线滞后控制器。此外,我们表明,所有的模型类型导致令人满意的控制性能方面的约束满足和能源减少。然而,我们也看到,与基于机器学习的模型相比,基于物理的ARMAX模型具有更低的计算负担和更高的样本效率。此外,即使有丰富的训练数据,ARMAX模型的预测误差也明显低于机器学习模型,这表明前者的编码的基于物理的先验不能被后者独立地发现。
2022-01-26 cs.LG cs.SY eess.SY
Agglomerative Hierarchical Clustering with Dynamic Time Warping for Household Load Curve Clustering
Western University(西安大略大学)
能源公司经常实施各种需求响应(DR)计划,通过在关键时期为消费者提供减少需求的激励措施来更好地匹配电力需求和供应。根据客户的消费模式对客户进行分类,可以针对特定的消费者群体进行DR。传统的聚类算法使用标准的距离测量来找到两点之间的距离。聚类算法(如K-means、K-medoids和高斯混合模型)产生的结果取决于聚类参数或初始聚类。相比之下,我们的方法使用基于形状的方法,结合凝聚层次聚类(AHC)与动态时间弯曲(DTW)的住宅家庭的日常负荷曲线分类的基础上,他们的消费模式。虽然DTW寻求两个负载曲线之间的最佳对齐,但AHC提供了一个现实的初始聚类中心。在本文中,我们与其他聚类算法,如K-means,K-medoids,和GMM使用不同的距离措施的结果进行比较,我们表明,AHC使用DTW优于其他聚类算法,需要更少的集群。
2022-10-18 cs.LG
Real-World Implementation of Reinforcement Learning Based Energy Coordination for a Cluster of Households
IDLab, Ghent University–imec(根特大学-imec IDLab)
本文通过真实试点研究,提出一种仅依赖观测数据的强化学习分层控制方法,用于协调8栋住宅的用电以跟踪目标功率信号,并验证了其可行性与有效性。
2023-10-29 cs.LG cs.SY eess.SY
Microgrid management with weather-based forecasting of energy generation, consumption and prices
Liège University(列日大学)
政府间气候变化专门委员会提出了不同的减缓战略,以实现净减排,这是遵循将全球变暖限制在1.5°C而没有或有限超调的途径所必需的。向无碳社会的过渡必然会增加可再生能源发电在能源组合中的份额,并大幅减少化石燃料的总消费。因此,本论文以可再生能源在电力系统的整合为研究对象,探讨预测与决策工具。事实上,与传统发电厂相比,可再生能源具有不确定性。大多数基于可再生能源的发电技术是不可调度的,其生产是随机的,难以提前预测。可再生能源的高份额对于那些为可调度单元设计和调整规模的电力系统来说是一个挑战。在这种情况下,概率预测,旨在模拟所有可能的未来实现的分布,已成为一个重要的工具,以装备决策者,希望导致更好的决策,在能源应用。本论文主要研究两个问题:(1)如何产生可靠的可再生能源发电量、消费量和电价的概率预测?(2)如何使用概率预测做出具有不确定性的决策?论文的范围是“小”系统的能源管理,如微电网在住宅规模的提前一天的基础上。它分为两个主要部分,提出解决这两个研究问题的方向(1)预测部分;(2)规划和控制部分。
2021-12-09 cs.LG cs.SY eess.SY
The Forecastability of Underlying Building Electricity Demand from Time Series Data
本文提出一种无需先构建预测模型即可评估建筑未来电力需求可预测性的数据驱动方法,并基于伦敦住宅区半小时间隔用电数据验证其有效性。
2023-11-29 cs.LG
Machine learning methods for modelling and analysis of time series signals in geoinformatics
National Technical University of Athens(雅典国家技术大学)
在这篇论文中,提供了一个比较分析,评估性能的几个深度学习(DL)架构上的大量不同性质的时间序列数据集和不同的应用。这里讨论了两个主要的富有成效的研究领域,这是战略性的选择,以解决当前的跨学科研究的优先事项,吸引了大地测量界的兴趣。第一个问题涉及电离层总电子含量(TEC)建模,这是许多实时的全球导航卫星系统(GNSS)应用中的重要问题。关于电离层变化的可靠和快速的知识变得越来越重要。单频接收器和卫星导航系统的全球导航卫星系统用户需要准确的校正,以消除电离层造成的信号衰减影响。利用信号处理技术的电离层建模是本论文讨论的主题。下一个讨论的问题是能源分解,这是能源效率和能源消费意识的一个重要问题。可靠、快速地了解家用电器层面的住宅能耗变得越来越重要,这是防止能源浪费的重要缓解措施。能量分解或非侵入式负载监测(NILM)是单通道盲声源分离问题,其中任务是在给定总能量消耗的情况下估计每个电器的消耗。对于这两个问题,提出了各种深度学习模型(DL),涵盖了所研究问题的各个方面,而实验结果表明,所提出的方法相比,目前的最先进的优越性。
2021-09-16 cs.LG
An experimental evaluation of Deep Reinforcement Learning algorithms for HVAC control
Universidad de Granada(格拉纳达大学)
本文利用Sinergym框架对多种深度强化学习算法在HVAC控制中的舒适度与能耗表现进行可复现评估,证实SAC和TD3的潜力并揭示泛化与增量学习挑战。
2024-08-31 cs.LG cs.SY eess.SY
An Investigation into Seasonal Variations in Energy Forecasting for Student Residences
Department of Electrical and Computer Engineering(电气与计算机工程系);Western University(西部大学)
本研究评估了多种机器学习模型在学生公寓能源预测中应对季节性变化的表现,发现无单一模型全年最优,并提出基于Hyper Network的LSTM和MiniAutoEncXGBoost模型,有效捕捉夏季能耗突变。
2025-06-29 cs.AI cs.LG
Machine learning approach in the development of building occupant personas
Virginia Tech(弗吉尼亚理工大学);Myers-Lawson School of Construction, Virginia Tech(弗吉尼亚理工大学迈尔斯-劳森建筑学院)
本文提出并评估了一种基于机器学习的半自动化建筑用户画像生成方法,利用五种分类器预测用户特征,验证了其可行性并显著减少人工处理工作。
2022-07-19 cs.HC cs.LG
Domain Knowledge Aids in Signal Disaggregation; the Example of the Cumulative Water Heater
Hello Watt;University of Chicago(芝加哥大学)
在本文中,我们提出了一种无监督的低频方法,旨在检测和分解住宅中累积式热水器(CWH)使用的功率。我们的模型通过使用功率尖峰的形状及其发生时间来可靠地识别CWH的贡献,从而避免了无监督信号分解的固有困难。事实上,法国的许多CHW被配置为仅在非高峰时段自动开启,尽管采样频率较低,但我们能够使用此领域知识来帮助识别峰值。为了测试我们的模型,我们为一个家庭配备了传感器来记录热水器的实际消耗量。然后,我们将该模型应用于Hello Watt用户的更大的能源消耗数据集,其中包括30分钟分辨率的5 k个家庭的一个月的消耗数据。在这个数据集中,我们成功地识别了消费者声明使用它们的大多数情况下的CWH。其余部分可能是由于可能的错误配置的连续卫生设备,因为触发他们在非高峰时间需要特定的布线在配电板的房子。我们的模型,尽管它的简单性,提供了有前途的应用程序:检测非高峰期合同和缓慢的性能下降配置错误的CWH。
2022-03-22 cs.LG cs.SY eess.SP
Machine Learning for Smart and Energy-Efficient Buildings
University of California, Berkeley(加州大学伯克利分校);Xi’an Jiaotong University(西安交通大学);Pacific Northwest National Laboratory(太平洋西北国家实验室);National University of Singapore(新加坡国立大学)
住宅和商业建筑的能源消耗约占美国所有能源使用量的40%,世界各国也报告了类似的数字。这些大量的能量用于为居住者维持舒适、安全和高效的环境。因此,必须优化建筑物的能源消耗,同时保持令人满意的居住者舒适度,健康和安全水平。最近,机器学习已被证明是从数据中获得重要见解和优化各种系统的宝贵工具。在这项工作中,我们回顾了利用机器学习使建筑物智能化和节能的方法。为了方便读者,我们简要介绍了几种机器学习范式以及我们涵盖的每个智能建筑系统的组件和功能。最后,我们讨论了在智能建筑中实施机器学习算法所面临的挑战,并为智能建筑和机器学习的交叉研究提供了未来的途径。
2022-11-27 cs.LG cs.SY eess.SY