LoadCNN: A Low Training Cost Deep Learning Model for Day-Ahead Individual Residential Load Forecasting
University of Chinese Academy of Sciences(中国科学院大学)
准确的日前居民负荷预测对于智能电网在日前市场的各种应用具有重要意义。深度学习作为一种强大的机器学习技术,在负荷预测任务中显示出巨大的优势和广阔的应用前景。然而,深度学习是一种计算量巨大的方法,并且需要高成本(例如,时间、能量和CO2排放)来训练深度学习模型,这加剧了能源危机并给环境带来了巨大负担。因此,深度学习方法难以在真实的智能电网环境中推广应用。在本文中,我们提出了一个低训练成本的卷积神经网络模型,即LoadCNN,为第二天的负荷预测的个人居民与减少训练成本。实验表明,LoadCNN的训练时间仅为其他最先进模型的1/54左右,能耗和CO2排放量仅为基于相同指标的其他最先进模型的1/45左右。同时,我们的模型的预测精度与当前最先进的模型相当,使LoadCNN成为第一个同时实现高预测精度和低训练成本的负荷预测模型。LoadCNN是一种高效的绿色模型,能够在现实的智能电网环境中快速、经济、环保地部署。
2019-12-20 cs.LG cs.NE eess.SP
Electric Vehicle Identification from Behind Smart Meter Data
School of Engineering, RMIT University(工程学院,皇家墨尔本理工大学)
本文提出基于异常检测的无监督深度时间卷积编码解码网络,利用低频智能电表数据非侵入式识别电动汽车充电负荷,无需充电曲线先验,在澳大利亚维多利亚州家庭数据上表现优越。
2025-09-11 cs.LG eess.SP
A Global Modeling Approach for Load Forecasting in Distribution Networks
高效的负荷预测是必要的,以确保更好的可观察性在配电网络,而这样的预测是可能的智能电表安装数量的增加。由于配电网包括大量不同的负载在不同的聚合水平,如个人消费者,Transformer站和馈线负载,这是不切实际的开发单独的(或所谓的本地)预测模型为每个负载分开。此外,这样的局部模型忽略了可能由于其空间接近性和配电网络的特性而存在的不同负载之间的强依赖性。为了解决这些问题,本文提出了一种基于深度学习的全局建模方法,用于有效预测配电网中的大量负荷。通过这种方式,可以大大减少训练大量局部预测模型的计算负担,并且可以利用不同负荷之间共享的跨系列信息。此外,一个无监督的本地化机制和最佳的集成构建策略也提出了本地化/个性化的预测模型,以不同的负荷组,以进一步提高预测精度。在真实的智能电表数据上进行了全面的实验,以证明所提出的方法相比竞争方法的优越性。
2022-04-01 cs.AI cs.LG
Daily peak electrical load forecasting with a multi-resolution approach
CELESTE, Inria Saclay(法国国家信息与自动化研究所萨克雷研究中心,CELESTE);School of Mathematics, University of Bristol(布里斯托大学数学学院);EDF Lab(法国电力集团研究院)
在智能电网和负载均衡的背景下,每日峰值负载预测已成为能源行业利益相关者的关键活动。了解峰值大小和时间对于实施智能电网策略(如调峰)至关重要。本文提出的建模方法利用高分辨率和低分辨率信息来预测每日高峰需求的大小和时间。由此产生的多分辨率建模框架可以适应不同的模型类。本文的主要贡献是:a)一般和正式介绍的多分辨率建模方法,b)在不同的分辨率通过广义加性模型和神经网络和c)从英国电力市场的真实数据的实验结果实现的建模方法的讨论。结果证实,所提出的建模方法的预测性能是有竞争力的低和高分辨率的替代品。
2021-12-08 cs.LG stat.ME
Enhanced spatio-temporal electric load forecasts using less data with active deep learning
Swiss Federal Institute of Technology (ETH Zurich)(苏黎世联邦理工学院)
对抗全球变暖和减缓气候变化的一个有效方法是使我们的能源部门多样化,并从可再生风能和太阳能中提供电力。电力负荷的时空预测对于规划这一过渡变得越来越重要,而深度学习预测模型为其提供越来越准确的预测。然而,用于训练深度学习模型的数据通常是使用被动学习方法随机收集的。这自然会导致对智能电表等传感器的数据和相关成本的大量需求,从而为电力公司的电网脱碳带来巨大障碍。在这里,我们测试主动学习,其中我们利用额外的计算来收集更多信息的数据子集。我们展示了电力公司如何应用主动学习来更好地分配智能电表,并收集他们的数据,以便更准确地预测负载,与应用被动学习时相比,数据减少了一半。
2022-01-23 cs.LG stat.ML
Universal Differential Equations for Scientific Machine Learning of Node-Wise Battery Dynamics in Smart Grids
Indian Institute of Science, Bengaluru, India(印度科学研究院,班加罗尔)
本文提出将神经残差嵌入物理电池ODE的UDE方法,以学习智能电网中节点特定电池动态,实验证明其预测准确、收敛平滑且长期稳定。
2025-06-09 cs.LG eess.SP
Real-time Load Prediction with High Velocity Smart Home Data Stream
本文讨论了使用智能家居传感器流连续预测的能源负荷的个别家庭参与作为代理在当地市场。我们引入了一个新的设备级能耗数据集,记录了三年多的时间,其中包括从试点计划中收集的电气设备的高分辨率能量测量。使用该试点的数据,我们分析了各种机器学习机制对连续负荷预测的适用性。具体来说,我们解决短期的负载预测,需要在微电网的负载均衡。我们报告的预测性能和广泛的预测机制的计算要求。此外,我们提出了一个架构和实验评估时,这种预测应用在流中。
2017-08-12 cs.LG
Electrical Load Forecasting over Multihop Smart Metering Networks with Federated Learning
Department of Electrical and Computer Engineering, University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校电气与计算机工程系);Computer Science and Mathematics Division, Oak Ridge National Laboratory(橡树岭国家实验室计算机科学与数学 division);Department of Electrical and Computer Engineering, Kansas State University(堪萨斯州立大学电气与计算机工程系)
本文提出一种基于元学习的个性化联邦学习方法,解决多跳智能电表网络中异构数据分布导致的负荷预测难题,并优化资源分配以降低预测延迟。
2025-11-04 cs.LG
Secure short-term load forecasting for smart grids with transformer-based federated learning
Karlsruhe Institute of Technology (KIT)(卡尔斯鲁厄理工学院)
本文针对智能电网短期负荷预测中的隐私问题,提出基于Transformer的联邦学习方法,在保护用户数据隐私的同时实现准确预测,并通过与集中式学习、本地学习、LSTM和CNN的对比验证其有效性。
2023-10-26 cs.LG
Privacy-Preserving Collaborative Split Learning Framework for Smart Grid Load Forecasting
Department of Electrical and Computer Engineering, National University of Singapore(新加坡国立大学电子与计算机工程系)
针对智能电网负荷预测中集中式训练带来的隐私与通信问题,提出基于分割学习的协同框架,由电网站和服务提供商分别持有模型分割,仅共享激活值,并结合差分隐私,在达到或超过集中训练性能的同时保护本地数据隐私。
2025-07-06 cs.LG
Characterizing Residential Load Patterns by Household Demographic and Socioeconomic Factors
Monash University(莫纳什大学)
智能电表的广泛采用使得住宅负荷数据可用,从而提高了对能源消耗行为的理解。许多现有的研究都集中在智能电表数据分析,但能源消费行为的驱动因素还没有得到很好的理解。本文旨在根据用户的人口统计和社会经济信息来描述和估计用户的负载模式。我们采用符号聚集近似(SAX)的方法来处理负载数据,并使用K-Means方法来提取关键的负载模式。我们开发了一个深度神经网络(DNN)来分析用户的负载模式与他们的人口统计和社会经济特征之间的关系。使用现实世界的负载数据,我们验证我们的框架,并证明负载模式和家庭人口和社会经济特征之间的联系。我们还采取了两个回归模型作为比较的基准。
2021-06-04 cs.LG
Electrical Load Forecasting in Smart Grid: A Personalized Federated Learning Approach
University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校);Pacific Northwest National Laboratory(西北太平洋国家实验室)
本文提出一种基于元学习的个性化联邦学习方法,解决智能电网中异构智能电表非独立同分布数据下的负荷预测问题,在保护隐私的同时提升了预测精度。
2024-11-15 cs.LG eess.SP
DRP-FLR: Data-Driven Assessment of Demand Response Potential for Flexible Load Regulation in Smart Grids
University of Science and Technology of China (USTC)(中国科学技术大学);Anhui Zhongxin Jiyuan Information Technology Co., Ltd.(安徽中信济源信息技术有限公司)
针对智能电网供需不平衡及现有需求响应方法的局限,提出DRP-FLR。该方法通过嵌入外部知识实现短期负荷预测,构建负荷模式配置文件估计DR潜力,将其作为混合整数优化问题求解,实验证明能有效降低调节偏差、提高参与者收益。
2026-07-28 cs.LG math.OC
Task-Aware Machine Unlearning and Its Application in Load Forecasting
Imperial College London(帝国理工学院)
针对负荷预测中模型训练后需遗忘部分数据的需求,提出考虑电力系统调度成本的任务感知机器遗忘方法,通过三层优化与样本重加权平衡遗忘效果与运行成本。
2024-03-11 cs.LG cs.SY eess.SY
Smart Home Energy Management: Sequence-to-Sequence Load Forecasting and Q-Learning
University of Central Florida(中佛罗里达大学);University of Ottawa(渥太华大学)
智能家居能源管理系统(HEMS)可以有助于降低客户的能源成本;然而,HEMS在能源生产和消费模式方面都存在不确定性。在本文中,我们提出了一种基于顺序到顺序(Seq 2Seq)学习的供应和负载预测以及基于强化学习的HEMS控制。我们调查的预测方法如何影响HEMS操作。首先,我们使用Seq 2Seq学习来预测光伏(PV)功率和家用设备的负载。然后,我们根据预测结果将Q学习应用于HEMS的离线优化。最后,我们用实际的PV和负荷数据测试了训练好的Q学习方案的在线性能。Seq 2Seq学习在预测和操作层面上与VARMA,SVR和LSTM进行了比较。仿真结果表明,Seq 2Seq算法具有较低的预测误差和在线运行性能。
2021-09-25 cs.LG cs.SY eess.SY
Few-Shot Load Forecasting Under Data Scarcity in Smart Grids: A Meta-Learning Approach
Aristotle University of Thessaloniki(亚里士多德大学塞萨洛尼基分校);Democritus University of Thrace(色雷克斯德谟克利特大学);NET2GRID BV(NET2GRID BV公司)
本文提出一种基于模型无关元学习的少样本短期负荷预测方法,通过为循环神经网络学习最优初始参数实现快速适应,并在真实数据上以新指标验证其优于迁移学习和任务特定方法12.5%。
2024-06-09 cs.AI cs.LG
Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data
Monash University(莫纳什大学)
本文提出利用天气数据与联邦序列到序列学习框架L2GD,在不共享数据的低分辨率智能电表场景下实现12种高低耗能电器的负荷分解,有效处理统计异质性并显著提升NILM性能。
2024-08-15 cs.AI cs.LG eess.SP
Capacity-constrained demand response in smart grids using deep reinforcement learning
Lincoln AI Lab, University of Lincoln(林肯AI实验室,林肯大学)
本文提出一种基于深度强化学习的容量受限需求响应方法,通过经济激励减少峰值需求并优化电网负荷
2026-02-18 cs.LG
Short-Term Load Forecasting for Smart HomeAppliances with Sequence to Sequence Learning
University of Central Florida(中佛罗里达大学);University of Ottawa(渥太华大学)
负荷预测在住宅能源管理中起着至关重要的作用,除了具有显着的重要性,由公用事业公司执行的辅助服务。在本文中,我们建议使用基于LSTM的序列到序列(seq2seq)学习模型,可以捕获设备的负载配置文件。我们使用了一个从四个住宅楼收集的真实数据集,并将我们提出的方案与其他三种技术,即VARMA,一维卷积神经网络和LSTM模型进行了比较,结果表明,在大多数情况下,基于LSTM的seq2seq模型在预测误差方面优于其他技术。
2021-06-26 cs.LG cs.SY eess.SP
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
Machine Learning Approach to Uncovering Residential Energy Consumption Patterns Based on Socioeconomic and Smart Meter Data
Tsinghua Berkeley Shenzhen Institute(清华-伯克利深圳学院);Monash University(莫纳什大学);National Cheng Kung University(台湾成功大学)
智能电表数据分析有助于更好地规划和运营电力系统。本研究旨在基于消费和人口统计数据,使用机器学习从社会经济角度识别住宅能源消费模式的驱动因素。我们的消费模式的代表性负载和揭示负载模式和社会经济特征之间的关系。具体来说,我们分析了现实世界的智能电表数据,并提取负载模式的聚类在一个强大的方式。我们进一步确定影响社会经济属性的负载模式,以提高我们的方法的可解释性。通过机器学习模型来表征消费者的负载模式和所选择的社会经济特征之间的关系。研究结果如下。(1)12个负荷集群,包括6个工作日和6个周末,表现出不同的生活方式和工作日和周末之间的差异。(2)在各种社会经济特征中,年龄和教育水平可能会影响负荷模式。(3)我们提出的分析模型,使用特征选择和机器学习被证明是更有效的比XGBoost和传统的神经网络模型在负载模式和社会经济特征之间的映射关系。
2021-11-01 cs.AI cs.LG cs.NA
Learning Defensive Policies against Diverse Inference Attacks for Smart Meter Privacy
The University of Manchester(曼彻斯特大学);KU Leuven(鲁汶大学)
针对智能电表隐私保护,提出代理引导的分层强化学习框架,通过电池负荷整形注入误导性设备签名,有效防御多样且未知的NILM推断攻击,在真实数据集上显著提升设备级误差并降低F1分数。
2026-09-23 cs.LG
FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning
University of Essex(埃塞克斯大学);Durham University(杜伦大学);University College Cork(科克大学学院)
非侵入式负载监测(NILM)通常利用机器学习方法,并有效地将智能电表读数从家庭级别分解为电器级别的消耗,可以帮助分析用户的用电行为,并实现实际的智能能源和智能电网应用。然而,智能电表是私有和分布式的,这使得NILM的实际应用具有挑战性。为此,本文提出了一种分布式隐私保护的联邦深度学习框架(FederatedNILM),将联邦学习与最先进的深度学习架构相结合,进行NILM,用于家电典型状态的分类。通过大量的对比实验,证明了所提出的FederatedNILM框架的有效性。
2021-08-08 cs.AI cs.LG eess.SP
Uncovering Residential PV-EV Co-Adoption from Smart-Meter Data: Load Archetypes and Detection for Demand-Side Planning
Monash University(莫纳什大学);Monash Energy Institute(莫纳什能源研究所)
本文利用智能电表数据,通过DTW聚类和BiLSTM检测,揭示住宅光伏与电动汽车共同采用模式,助力需求侧规划。
2026-09-25 cs.LG
Privacy-Preserving Load Forecasting via Personalized Model Obfuscation
University of California, Santa Cruz(加州大学圣克鲁兹分校);Argonne National Laboratory(阿贡国家实验室)
本文提出隐私保护联邦学习(PPFL),通过个性化层和差分隐私机制在异构智能电表数据上实现短期负荷预测,并在NREL ComStock数据集上验证了其有效性。
2023-11-21 cs.CR cs.LG
Deep Learning-Based Cyber-Attack Detection Model for Smart Grids
University of Calgary(卡尔加里大学)
针对智能电网SCADA系统负荷数据面临的数据完整性攻击问题,提出结合负荷预测与无监督聚类的检测模型,对比三种回归方法后验证EE-BiLSTM方案的检测鲁棒性与准确率更优。
2023-12-14 cs.CR cs.LG
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
DP$^2$-NILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring
University of Essex(埃塞克斯大学);Durham University(杜伦大学);University of Sheffield(谢菲尔德大学)
本文提出DP2-NILM分布式隐私保护框架,首次在联邦学习NILM中同时优化效用与隐私,测试两种联邦策略及两级差分隐私,在三个真实数据集上开展对比验证。
2022-06-30 cs.AI cs.LG
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
Forecasting what Matters: Decision-Focused RL for Controlled EV Charging with Unknown Departure Times
Ghent University -- imec Ghent Belgium;Ghent University\,---\,imec Gent Belgium;Ghent University -- imec;Ghent University\,---\,imec
针对电动汽车充电中离开时间未知导致强化学习策略效果差的问题,提出面向决策的强化学习框架,联合训练预测器与控制器,实现端到端优化,使总奖励提升14%,未供应能量减少55%。
2026-06-18 cs.AI cs.LG
Hierarchical Demand Forecasting Benchmark for the Distribution Grid
SUPSI(瑞士意大利语区高等专业学院);EPFL(洛桑联邦理工学院);Mines ParisTech(巴黎高等矿业学院)
我们提出了一个不同的概率预测技术的任务,预测位于低压配电网的二次变电站和柜的电力负荷,以及他们的总功率分布的比较研究。这些方法使用确定性和概率性预测的标准KPI进行评估。我们还比较了不同层次技术在提高底层预测器性能方面的能力。公开提供原始数据集和经过清理的数据集,包括气象数据,为评估需求方管理应用的预测算法提供标准基准。
2020-04-16 cs.LG stat.ML
Transformer Training Strategies for Forecasting Multiple Load Time Series
Institute for Automation and Applied Informatics(自动化与应用信息研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
针对单用户负荷数据有限的问题,提出基于多用户数据训练全局单变量Transformer的迁移学习策略,在两个数百用户数据集上误差较现有策略低12.8%-21.8%,验证了该策略下Transformer的负荷预测有效性。
2023-07-25 cs.AI 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
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
Variational Autoencoder-Based Approach to Latent Feature Analysis on Efficient Representation of Power Load Monitoring Data
Southwest University(西南大学)
针对高维不完整电力负荷监测数据影响负荷预测的问题,提出基于 VAE 的 VAE-LF 模型,通过编码器-解码器学习低维潜在表示并补全缺失数据,在 UK-DALE 的 5% 和 10% 稀疏度实验中显著优于基准。
2025-06-10 cs.AI cs.LG
Privacy-preserving Federated Learning for Residential Short Term Load Forecasting
FINATRAX, University of Luxembourg(卢森堡大学FINATRAX);University of Luxembourg(卢森堡大学)
由于间歇性发电和动态需求模式的高水平,对住宅负荷的准确预测变得至关重要。智能电表在进行这些预测时可以发挥重要作用,因为它们提供详细的负荷数据。然而,由于数据隐私要求,使用智能电表数据进行负荷预测具有挑战性。本文研究了如何通过结合联邦学习和隐私保护技术(如差分隐私和安全聚合)来满足这些要求。在我们的分析中,我们使用了大量的住宅负载数据,并模拟了不同的联邦学习模型和隐私保护技术如何影响性能和隐私。我们的模拟表明,结合联邦学习和隐私保护技术可以确保高预测准确性和接近完全的隐私。具体来说,我们发现,这种组合使高水平的信息共享,同时确保隐私的处理负荷数据和预测模型。此外,我们确定并讨论了应用联邦学习,差分隐私和安全聚合住宅短期负荷预测的挑战。
2022-09-19 cs.AI cs.LG cs.SY
Detecting Activities of Daily Living and Routine Behaviours in Dementia Patients Living Alone Using Smart Meter Load Disaggregation
人口老龄化的出现是一个重大的公共卫生问题。这导致患有进行性神经退行性疾病(如痴呆症)的人数增加。因此,这对卫生和社会保健服务造成的压力意味着提供24小时监测是不可持续的。正在考虑技术干预,但是没有解决方案可以非侵入性地监测痴呆症患者的独立生活需求。因此,许多患者在提供干预和支持之前就达到了危机点。与此同时,病人护理依赖于非正式护理人员对重大行为变化的反馈。然而,并非所有人都有社会支持网络,而且痴呆症护理的早期干预往往被错过。智能电表的推出有可能改变这一点。使用机器学习和信号处理技术,家庭能源供应可以被分解以检测哪些家用电器被打开和关闭。这将使日常生活活动(ADL)得到评估,如饮食,并观察到日常生活的变化,以进行早期干预。主要目的是帮助减少病情恶化,使患者能够在家中呆更长时间。一个支持向量机(SVM)和随机决策森林分类器建模使用的数据从三个测试家庭。然后,在与Mersey Care NHS Foundation Trust合作进行的为期六个月的临床试验中,使用经过训练的模型来监测两名痴呆症患者。在用于电器检测的负载分解的情况下,实现了SVM(AUC=0.86074,Sen=0.756和Spec=0.92838)。而决策森林达到(AUC=0.9429,Sen=0.9634和Spec=0.9634)。还分析了ADL,以识别居住者的行为模式,同时检测日常生活的改变。
2019-03-18 cs.CY cs.LG stat.ML
Efficient Localness Transformer for Smart Sensor-Based Energy Disaggregation
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
基于传感器的现代智能能源管理系统利用非侵入式负载监控(NILM)来实时预测和优化设备负载分布。NILM或能量分解是指以聚合功率信号为条件的电力使用的分解(即,主通道上的智能传感器)。基于使用传感技术的实时家电功率预测,能量分解具有提高电力效率和降低能源支出的巨大潜力。随着Transformer模型的引入,NILM在预测设备功率读数方面取得了显著的改进。然而,由于O(l^2)的复杂度,Transformers的效率较低。序列长度l.此外,由于在局部环境中缺乏电感偏置,Transformers可能无法在序列到点设置中捕获局部信号模式。在这项工作中,我们提出了一个有效的本地Transformer的非侵入式负载监测(EL Transformer)。具体来说,我们利用归一化函数和切换矩阵乘法的顺序来近似自注意,并降低计算复杂性。此外,我们引入了局部性建模与稀疏的局部注意头和相对位置编码,以提高模型的能力,在提取短期的局部模式。据我们所知,ELTransformer是第一个解决NILM中计算复杂性和局部建模的NILM模型。通过大量的实验和定量分析,我们证明了所提出的ELTransformer的效率和有效性,与最先进的基线相比有了相当大的改进。
2022-03-29 cs.AI cs.LG eess.SP
Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance of Smart Energy Meters
Keele University(基尔大学)
在这份提案文件中,我们强调了隐私保护能源需求预测的必要性,以减轻消费者对智能电表安装的主要担忧。高分辨率智能电表数据可以暴露消费者家庭的许多隐私方面,例如占用率,习惯和个人电器使用情况。然而,智能计量基础设施有可能通过提高运营效率来大幅减少能源部门的碳排放。我们提出了一种分布式机器学习设置称为联邦学习的应用程序,用于各种规模的能源需求预测,使负荷预测成为可能,同时保留消费者的原始能源消耗数据的隐私。
2020-12-14 cs.CY cs.LG
BMI: A Behavior Measurement Indicator for Fuel Poverty Using Aggregated Load Readings from Smart Meters
Liverpool John Moores University(利物浦约翰摩尔大学)
燃料贫困影响到欧洲5 000万至1.25亿个家庭,是全球发达国家和发展中国家的一个重大问题。这意味着燃料贫乏的居民无法充分温暖他们的家,并运行照明,烹饪,热水和电器所需的必要能源服务。这个问题很复杂,但通常是由三个因素造成的:低收入,高能源成本和能源效率低下的家庭。在英国,目前有400万家庭生活在燃料贫困中。那些陷入财务困境的人要么被迫自行断开连接,要么被能源供应商终止服务。2016-2107年冬季,由于房屋寒冷,燃料匮乏导致英格兰1万人死亡。虽然各国政府承认这是一个社会、公共卫生和环境政策问题,欧洲联盟(欧盟)本章讨论了欧盟目前的燃料贫困战略,并提出了一个新的基本行为测量指标,旨在直接评估和监测使用智能的家庭燃料贫困风险。仪表、消费者接入设备(CAD)数据和机器学习。通过检测家用电器使用情况的日常生活活动(ADLS),可以发现财务困难的早期迹象,并确定何时需要支持包。
2020-02-16 cs.CY cs.LG eess.SP
Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids
O&M Analytics, AES Clean Energ(O&M分析部,AES清洁能源);The AES Corporation(AES公司);Department of Information and Communication Engineering(信息与通信工程系);Pabna University of Science and Technology(帕纳大学科学与技术)
本研究提出了一种贝叶斯变换器框架,通过整合三种不确定性机制提升智能电网中概率负荷预测的准确性与鲁棒性。
2026-03-09 cs.LG stat.ML
Deep Learning for Intelligent Demand Response and Smart Grids: A Comprehensive Survey
Vellore Institute of Technology(韦洛尔理工学院);Pusan National University(釜山国立大学);University of Oulu(奥卢大学);Indian Institute of Technology Madras(印度理工学院马德拉斯分校)
电力是当今人类必不可少的商品之一。为了解决通过传统电网传输电力的挑战和问题,开发了智能电网和需求响应的概念。在这样的系统中,每天从各种源生成大量数据,诸如发电(例如,风力涡轮机),传输和分配(微电网和故障检测器),负载管理(智能电表和智能电器)。由于大数据和计算技术的最新进展,可以利用深度学习(DL)从生成的数据中学习模式,并预测电力需求和高峰时段。基于深度学习在智能电网中的优势,本文对深度学习在智能电网和需求响应中的应用进行了全面的综述。首先,我们介绍了DL的基本原理,智能电网,需求响应,以及使用DL的动机。其次,我们回顾了最先进的应用DL在智能电网和需求响应,包括电力负荷预测,状态估计,能源盗窃检测,能源共享和交易。此外,我们通过各种用例和项目说明DL的实用性。最后,我们强调了现有的研究工作中提出的挑战,并强调了在智能电网和需求响应的DL的使用的重要问题和潜在的方向。
2021-01-20 cs.LG cs.SY eess.SY
CommonPower: A Framework for Safe Data-Driven Smart Grid Control
School of Computation, Information and Technology, Technical University of Munich(计算、信息与技术学院,慕尼黑技术大学)
针对电力系统管理中强化学习案例设计复杂及约束保障缺失问题,提出通用框架CommonPower,支持模块化建模、自动综合控制器与保障,并集成预测器训练及保障反馈学习机制。
2025-09-29 cs.LG cs.SY eess.SY
Exploring Lightweight Federated Learning for Distributed Load Forecasting
Trinity College Dublin(都柏林圣三一学院)
本文提出用于分布式负荷预测的轻量级联邦学习方法,以全连接DNN在保护电表数据隐私的同时达到可比精度,并在Arduino Uno上实现低资源与低能耗部署。
2024-04-04 cs.LG cs.SY eess.SY
Enhancing Observability in Distribution Grids using Smart Meter Data
由于有限的计量基础设施,配电网目前面临着可观测性问题的挑战。另一方面,智能电表数据,包括本地电压幅值和功率注入,通过可再生能源发电和需求响应程序从电网总线传送到公用事业运营商。这项工作采用网格数据从计量总线对推断底层网格状态。为此,提出了一种耦合的潮流问题(CPF)。利用计量总线注入的高度可变性、太阳能逆变器的可控性以及传统负载的相对时不变性,该想法是在连续的时刻联合求解非线性潮流方程。一个直观的和容易验证的规则有关的位置的计量和非计量总线上的物理网格示出的是一个必要和充分的标准,在径向网络的局部可观性。考虑到噪声智能电表读数,耦合电力系统状态估计(CPSSE)的问题进一步发展。CPF和CPSSE任务都是通过增广半定规划松弛来解决的。可观测性标准以及CPF和CPSSE求解器的数值证实使用IEEE 34总线基准馈线上的合成和实际太阳能发电和负载数据。
2016-12-20 cs.LG math.OC stat.ML
Initialization Is Critical: Advancing Federated Short-Term Load Forecasting under Load Heterogeneity via Model Initialization
School of Electrical Engineering and Computer Science, The Pennsylvania State University(宾夕法尼亚州立大学电气工程与计算机科学学院);Department of Electrical and Computer Engineering, Bucknell University(巴克内尔大学电气与计算机工程系)
针对联邦短期负荷预测中客户端负载数据的结构化异质性问题,该研究提出全局预训练初始化与局部SLIAvg策略,有效减少客户端漂移并提升预测性能,且兼容性强。
2026-08-31 cs.LG cs.SY eess.SY
A Secure Federated Learning Framework for Residential Short Term Load Forecasting
Deakin University(迪肯大学);Latrobe University(乐卓博大学)
智能电表测量虽然对于准确的需求预测至关重要,但也面临着一些缺点,包括消费者隐私、数据泄露问题等。最近的文献已经探索了联邦学习(FL)作为一种有前途的隐私保护机器学习替代方案,其使得能够在不暴露用于短期负荷预测的私有原始数据的情况下对模型进行协作学习。尽管有其优点,但标准FL仍然容易受到由错误和/或恶意客户端进行的称为拜占庭攻击的棘手网络威胁的影响。因此,为了提高联邦短期负荷预测对拜占庭威胁的鲁棒性,我们开发了一个最先进的差分私有安全FL的框架,确保个人智能电表的数据的隐私,同时保护FL模型和架构的安全性。我们提出的框架通过符号随机梯度下降(SignSGD)算法利用梯度量化的思想,其中客户端仅在本地模型训练后将梯度的“符号”传输到控制中心。正如我们通过涉及基准神经网络与一组拜占庭攻击模型的实验所强调的那样,我们提出的方法非常有效地减轻了这种威胁,从而优于传统的Fed-SGD模型。
2023-03-28 cs.AI cs.CR cs.DC