Online Energy Management for a Sustainable Smart Home with an HVAC Load and Random Occupancy
Nanjing University of Posts and Telecommunications（南京邮电大学）；Huazhong University of Science and Technology（华中科技大学）
本文研究了在长期时间范围内最小化能源成本和热不适成本的问题，提出了一种基于Lyapunov优化技术的在线能源管理算法，通过稳定四个队列实现高效能源管理。
2017-09-13 cs.SY eess.SY
Optimal Energy Management for SmartGrids Considering Thermal Load and Dynamic Pricing
Université du Québec Institut National de la Recherche Scientifique Centre Énergie Matériaux Télécommunications（魁北克大学国家科学研究中心能源材料电信中心）
本文针对智能电网中热负荷和动态定价问题，研究了两种应用场景下的能源调度设计，以优化电力用户的收益。
2016-01-25 cs.SY eess.SY
Coupling-Aware Aggregation of Multi-Zone HVAC Loads under Uncertainty: A Two-level Framework
Global Energy Interconnection Group Co., Ltd.（全球能源互联网集团有限公司）
针对多区域HVAC负荷聚合中的耦合与不确定性问题，本文提出耦合感知两级框架，通过建筑层面降维和聚合器层面矩阵变换实现高维灵活性的内近似，案例研究验证了其准确性、可靠性与可扩展性。
2026-09-04 cs.SY eess.SY
An L0-Norm Constrained Non-Negative Matrix Factorization Algorithm for the Simultaneous Disaggregation of Fixed and Shiftable Loads
能源分解是指将能源使用时间序列数据分解为其组成负荷。本文将家庭单元的日常使用数据分解为固定负荷和一类或多类可移动负荷。后者的特征在于ON OFF占空比。提出了一种基于非负矩阵分解NMF的能量分解新算法，其中固定负载用实值基向量表示，而可移动负载则被分解为二进制信号。这种二进制分解方法直接将L0范数约束应用于各个可移动负载。新的方法避免了需要更多的计算密集型的方法，如谱分解或平均场退火，已在早期的研究中使用这些限制。所提出的方法的概率框架已得到解决。所提出的方法的有效性已被证明与真实的消费者能源数据。
2019-07-31 cs.DS cs.SY eess.SY
Scheduling HVAC loads to promote renewable generation integration with a learning-based joint chance-constrained approach
通过灵活调度供热、通风和空调（HVAC）负荷等资源，可以有效促进分布式可再生能源发电（DRG）在配电网中的集成。然而，找到最佳的调度，他们是不平凡的，因为DRG输出是高度不确定的。为了解决这个问题，本文提出了一种基于学习的联合机会约束的方法来协调HVAC负荷与DRG。与采用单个机会约束来管理不确定性的前沿工作不同，本文采用联合机会约束（JCC）来控制所有关键约束的违反概率。这种联合方式可以根据运营商的偏好明确地保证整个系统的运行安全。为了克服JCC的棘手性，我们首先证明了JCC可以安全地近似鲁棒约束与适当的不确定性集。一个著名的机器学习算法，单类支持向量聚类，然后引入到这些强大的约束，构建一个足够小的多面体不确定性集。在强对偶的基础上，进一步构造了一个线性鲁棒对偶，以保证计算效率。基于各种分布不确定性的数值结果证实了所提出的方法的最优性和可行性的优势。
2022-09-30 cs.SY eess.SY math.OC
Designing Real-Time Prices to Reduce Load Variability with HVAC
University of the Philippines（菲律宾大学）；University of California, Berkeley（加州大学伯克利分校）
本文通过主从框架设计PP和RP电价，解决因消费者舒适度差异导致的逆向选择问题，通过混合整数规划求解随机双层程序，比较不同定价方案对峰值负载和负载波动的减缓效果。
2017-09-29 cs.SY eess.SY math.OC
Online Learning of Interconnected Neural Networks for Optimal Control of an HVAC System
优化供暖、通风和空调（HVAC）系统的运行是一项具有挑战性的任务，需要对HVAC负荷、室内温度和室外环境之间的复杂非线性关系进行建模。本文提出了一种新的商业建筑暖通空调系统的优化运行策略。室内温度控制系统分为三个子系统，每个子系统采用人工神经网络（ANN）建模。然后将人工神经网络互连并集成到温度设定点调度的优化问题中。该问题被重新表述为使用确定性搜索算法来确定最优设定点。在启动最优调度后，ANN反复进行在线学习，减轻过拟合。进行案例研究，分析所提出的策略的性能，相比的策略与预定的温度设定点，一个理想的基于物理的建筑模型，和传统的基于人工神经网络的建筑模型。案例研究结果证实了所提出的策略是有效的暖通空调能源成本，实用性，和训练数据的要求。
2021-01-11 cs.SY eess.SY
Unsupervised Disaggregation of Water Heater Load from Smart Meter Data Processing
在住宅领域，电热水器是具有相对高的功率消耗和显著的热惯性的电器，其特别适合于需求响应方案。通过控制热水器的有效DR方案的成功预先假定了在每个时刻对它们的功率需求的准确估计。虽然热水器的负载很少直接测量，但智能电表（SM）在配电网中的大量渗透使得能够通过负载分解在大规模上间接推断此信息。为此，在文献中提出了相当数量的非侵入式负载监控（NILM）方法。然而，它们要求数据流的时间分辨率在一秒或更高的范围内，这对于标准SM是不现实的。因此，本文提出了一种无监督的方法来检测和分解的热水器的负载曲线从标准SM数据的时间分辨率在分钟范围内。在多个实际负载与分计量评估，所提出的方法实现了归一化平均绝对误差（NMAE）低于2%，精度一般高于92%，时间分辨率在5和15分钟之间。
2021-04-07 cs.SY eess.SP eess.SY
Data-driven estimation of design heating loads for HVAC equipment sizing
Purdue University（普渡大学）；Trane Technologies（特灵科技）
本文提出两种数据驱动方法（基于智能恒温器数据和公用事业账单）估算设计供暖负荷，在74栋美国住宅上验证，发现现有设备和Manual J方法均显著高估负荷，有望改进设备选型。
2026-09-09 cs.SY eess.SY
Empirical Exploration of Zone-by-zone Energy Flexibility: a Non-intrusive Load Disaggregation Approach for Commercial Buildings
针对商业建筑仅能获取建筑级能耗、难以挖掘区域级空调能源灵活性的问题，本研究提出非侵入式数据驱动负荷分解方法，经三栋大学建筑验证发现区域间能耗与灵活性异质性显著，可支撑定向需求响应策略。
2023-07-14 cs.SY eess.SY
Robust Reserve Capacity Provision and Peak Load Reduction from Buildings in Smart Grids
TUM CREATE Limited（TUM CREATE有限公司）；Solar Energy Research Institute of Singapore (SERIS), National University of Singapore (NUS)（新加坡太阳能研究所（SERIS），新加坡国立大学（NUS））；Technical University of Munich (TUM)（慕尼黑工业大学（TUM））；Department of Electrical Engineering and Computer Science, University of California, Berkeley（加州大学伯克利分校电气工程和计算机科学系）
本文提出了一种用于智能电网中 HVAC 系统的鲁棒需求侧控制算法，通过优化电力成本和容量市场参与，同时满足建筑和电网的舒适度与运行约束，利用热负荷不确定性评估控制器性能。
2016-05-24 cs.SY eess.SY
A Data-Efficient Approach to Behind-the-Meter Solar Generation Disaggregation
随着具有成本效益的电池存储的出现和太阳能光伏（PV）平准化能源成本（LCOE）的下降，预计米后太阳能光伏系统的数量将稳步增加。从这些潜在系统中估计太阳能发电量的能力对于一系列应用至关重要，包括配电系统规划和运行，需求响应和非侵入式负载监控（NILM）。本文研究了从智能电表数据分解太阳能发电的问题时，从目标家庭的历史分解数据是不可用的，光伏系统的部署特性是未知的。所提出的方法需要从智能电表数据中推断物理特性，并使用迭代算法分解太阳能发电。该算法利用了来自与目标家庭位于同一区域的几个站点的太阳能发电数据（又名代理测量），以及使用物理PV模型合成的太阳能发电数据。我们在美国和澳大利亚的大约160个家庭中使用4种不同的代理设置来评估我们的方法，结果表明，太阳能解聚的准确性比两种最先进的方法提高了32.31%和15.66%，其中只使用一个真实代理和三个合成代理。此外，我们证明，使用分解的家庭负载，而不是净负载数据可以提高整体精度的三个流行的NILM方法至少22%。
2021-05-17 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
A Data-Driven Machine Learning Approach for Consumer Modeling with Load Disaggregation
Kansas State University（堪萨斯州立大学）
虽然非参数模型，如神经网络，在负荷预测中是足够的，固定和可转移的负载的单独估计是有益的，广泛的应用，如配电系统运行规划，负荷调度，能源交易，和公用事业需求响应程序。通常需要半参数估计模型，其中需求的成本敏感性必须已知。现有的研究工作一直使用似乎最有效的任意参数。本文提出了一类通用的数据驱动半参数模型，这些模型源自住宅消费者的消费数据。一个两阶段的机器学习方法的开发。在第一阶段中，分解成固定和移位组件的负载是通过一个混合算法，包括非负矩阵分解（NMF）和高斯混合模型（GMM），后者训练的期望最大化（EM）算法。对固定负荷和可移动负荷进行了经济分析。在第二阶段中，使用L2范数、ε不敏感回归方法估计模型参数。两个住宅用户的实际用电数据表明了该方法的有效性。
2020-11-04 cs.CE cs.LG cs.SY
Laxity-Aware Scalable Reinforcement Learning for HVAC Control
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）
本文利用松弛度概念解决大量HVAC系统控制的维度灾难问题，提出一种结合最小松弛度优先规则与强化学习控制器的双层优化方法，在多种场景下实现了优于集中式方法的温度控制与节能效果。
2023-06-29 cs.AI cs.SY eess.SY
Co-designing Intelligent Control of Building HVACs and Microgrids
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Northwestern University（西北大学）
建筑负荷消耗了发达国家生产的大约40%的能源，其中很大一部分投资于建筑温度控制基础设施。其中，基于可再生资源的微电网提供了一种更环保、更便宜的替代方案。本次交流探讨了微电网电力调度和建筑HVAC（供暖、通风和空调系统）驱动的可能协同设计，其目标是在最小化运营成本的情况下实现有效的温度控制。为此，我们尝试使用深度强化学习（DRL）技术，基于有关微电网和HVAC系统模型的可用信息，进行各种抽象级别的控制设计。我们提供的控制架构，考虑模型信息，从完全确定的系统模型，完全未知的参数设置的系统，并说明DRL的设计处方的优势。
2021-07-18 cs.AI cs.SY eess.SY
A comparison of non-intrusive load monitoring methods for commercial and residential buildings
Indraprastha Institue of Information Technology（印度拉普拉斯坦信息学院）；University of Southampton（南安普顿大学）；Carnegie Mellon University（卡内基梅隆大学）
本文通过印度德里教育校园的智能电表数据，比较了商业和住宅建筑的负载监控方法，揭示了二者在能耗和负载特性上的差异，并评估了住宅 NILM 解决方案在商业建筑中的适用性。
2014-08-27 cs.SY eess.SY
Quantification of Disaggregation Difficulty with Respect to the Number of Meters
Tarbiat Modares University（塔比阿特莫达勒斯大学）
非侵入式负载监控（NILM）是一种有效的能源管理方法，通过分析聚集的消耗信号来提取住宅内电器的消耗曲线。在有效的NILM方法中，有基于事件的算法，其中聚合信号的事件根据引起它们的电器被检测和分类。已知大量的电器和具有接近消耗值的电器的存在限制了基于事件的NILM方法的性能。为了应对这些挑战，可以增强特征空间，这反过来又会导致额外的硬件成本、安装复杂性以及对消费者舒适度和隐私的担忧。这导致了一种替代方法的出现，即半侵入式负载监控（SILM），其中将电器划分为块，并通过单独的功率表监控每个块的消耗。虽然更多的电表可以实现更准确的分解，但它增加了负载监控的货币成本，这表明这是一个权衡，代表了该领域的一个重要差距。在本文中，我们采取了一种全面的方法来缩小这一差距，建立一个所谓的概念“分解难度度量（DDM），”量化它是多么困难，以监测事件的任何给定的一组设备的基础上，他们的功率值和消费者的使用行为。因此，DDM本质上量化了通过在电器的任何分区的块上安装仪表，在通用的基于事件的算法的分解准确性方面预期获得多少。基于REDD数据集的实验结果说明了所提出的方法在解决上述权衡的实用性。
2021-01-18 cs.LG cs.SY eess.SY
Deep Sparse Coding for Non-Intrusive Load Monitoring
能量分解是将整个建筑物的总能量（如由智能电表记录的）分离为单个电器消耗的能量的任务。这是一个单通道（唯一通道是智能电表）盲源（不同电器）分离问题。解决这个问题的传统方法是通过随机有限状态机（例如阶乘隐马尔可夫模型）。近年来，基于字典学习的方法在解决解聚问题方面表现出了希望。通常的技术是为每个设备学习字典，并在分解期间使用学习的字典作为盲源分离的基础。这一领域的先前研究是浅层学习技术，即它们为每个设备学习单层字典。在这项工作中，我们提出了一种深度学习方法，而不是学习一个级别的字典，我们为每个设备学习多层字典。这些多层次的字典被用作在分解过程中进行源分离的基础。两个基准数据集和一个实际实现的结果表明，我们的方法优于国家的最先进的技术。
2019-12-11 cs.LG cs.SY eess.SP
Mechanism-Dependent Antagonism of Auxiliary Information in Substation-Level Load Disaggregation for Distribution Network Planning
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文通过交叉设计实验，研究了在变电站级负荷分解中，当权重方法从规则型转向学习型时，夜间灯光强度和变电站邻近信号等辅助信息的作用如何从有益变为有害，并揭示了乘法后校正形式在需求守恒约束下是导致性能逆转的结构性原因。
2026-05-23 cs.SY eess.SY
A simple but energy-efficient HVAC control synthesis for data centers
École polytechnique（巴黎综合理工学院）；AL.I.E.N.；Université de Lorraine（洛林大学）；Inagral；Laboratoire des Signaux et Systèmes (L2S), Université Paris-Sud-CNRS-CentraleSupélec, Université Paris-Saclay（信号与系统实验室（L2S），巴黎南大学-CNRS-中央理工-高等学院，巴黎萨克雷大学）
本文提出了一种简单且节能的数据中心HVAC控制方法，通过最近的无模型控制合成技术解决能源节约问题，无需数学建模，智能比例控制器的调节简便，仿真显示在各种现实场景下具有出色的跟踪性能。
2019-05-19 cs.SY eess.SY math.OC
Industrial Energy Disaggregation with Digital Twin-generated Dataset and Efficient Data Augmentation
Machine Learning Group, Center for Cognitive Interaction Technology (CITEC), University of Bielefeld（认知交互技术中心（CITEC）机器学习组，比尔费尔德大学）；Honda Research Institute EU（本田欧洲研究院）；Models and Algorithms for Data and Text Mining Laboratory (MADLab), Department of Informatics, Systems and Communication (DISCo), University of Milano - Bicocca（数据与文本挖掘模型与算法实验室（MADLab），信息学、系统与通信系（DISCo），米兰-比可卡大学）
针对工业非侵入式负荷监测的数据稀缺问题，提出了基于数字孪生的开源数据集SIDED和高效数据增强方法AMDA，通过智能缩放设备功率贡献对齐数据分布，显著提升了复杂工业设备的能耗分解精度。
2025-09-15 cs.AI cs.LG cs.SY
House Thermal Model Estimation: Robustness Across Seasons and Setpoints
本研究通过三种优化算法估计房屋RC热模型参数，并跨季节和设定点评估其鲁棒性，为选择降阶模型和估计方法提供原则性指导。
2025-10-23 cs.SY eess.SY
Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism
本文提出一种结合CNN、BiLSTM和注意力机制的混合模型，用于低频非侵入式负载监测，在REDD数据集上实现了优于现有方法的准确性和计算效率。
2023-11-14 cs.LG cs.SY eess.SY
Data-Driven Learning and Load Ensemble Control
需求响应（DR）计划的目的是吸引分布式小规模灵活负载，如恒温可控负载（TCL），以提供各种电网支持服务。线性可解马尔可夫决策过程（LS-MDP）是传统MDP的一种变体，用于聚合TCL建模。然后，一个无模型的强化学习技术，称为Z-学习应用学习的价值函数，并推导出最佳的DR聚合器控制TCL的政策。的学习过程是强大的不确定性，从估计的聚合TCL的被动动态。这种数据驱动学习的效率通过对住宅测试台附近的供暖、制冷和通风（HVAC）单元的模拟来证明。
2020-04-20 cs.LG cs.SY eess.SY
A Novel Vision Transformer based Load Profile Analysis using Load Images as Inputs
本研究提出ViT4LPA方法，将负荷曲线转为图像，用含百万级样本的数据集以自监督掩码图像建模预训练视觉Transformer，用于多种负荷分析下游任务，性能优于现有模型并揭示了注意力机制。
2024-04-12 cs.SY eess.SY
OccuEMBED: Occupancy Extraction Merged with Building Energy Disaggregation for Occupant-Responsive Operation at Scale
École polytechnique fédérale de Lausanne (EPFL)（洛桑联邦理工学院）
提出 OccuEMBED 统一框架，结合概率占用生成器和 KAN 负荷分解器，利用智能电表数据推断占用与系统运行，实现规模化 occupant 响应式建筑管理，F1 超 0.8。
2025-04-23 cs.LG cs.SY eess.SP
Large Language Models for HVAC Operations in Building Energy Systems: A Critical Review of Methods, Applications, and Deployment Readiness
Technische Universität Berlin（柏林工业大学）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
该综述分析2023年至2026年3月的66篇LLM用于HVAC运行的研究，发现LLM目前主要作为语义和工作流层，仅少数研究达试点级，无持续部署，建议开展LLM与MPC/RL结合的研究。
2026-09-07 cs.AI cs.CL cs.SY
Enhancing Non-Intrusive Load Monitoring with Features Extracted by Independent Component Analysis
Center for Digital Engineering, Skolkovo Institute of Science and Technology（数字工程中心，斯克尔科夫科学与技术研究所）
本文提出一种以独立成分分析为骨干的神经网络，用于非侵入式负荷监测，解决数据有限和多电器分解难题，在真实数据上优于现有算法。
2025-01-28 cs.LG cs.SY eess.SY
Incorporating Coincidental Water Data into Non-intrusive Load Monitoring
Tarbiat Modares University（塔比阿特莫达勒斯大学）
非侵入式负载监测（NILM）作为从聚合功率信号提取电器的使用模式的过程是辅助住宅能量管理的成功方法之一。近年来，关于功率分布的大容量数据集已经变得可用，这有助于使用于NILM目的的分类方法更有效和更准确。然而，多模式电器和具有接近功率值的电器的存在在恶化计算复杂性和降低这些算法的准确性方面仍然有影响。为了解决这些挑战，我们提出了一个基于事件的分类过程，在第一阶段的$K$ -最近邻居的方法，作为一种快速分类技术，提取电力信号的电器独家不重叠的功率值。然后，利用两个深度学习模型来区分具有重叠功率值的设备，这两个深度学习模型将一些设备的耗水量视为网络中的新签名。除了功率分解之外，所提出的过程还提取特定器具的水消耗概况。为了说明所提出的过程，并验证其效率，七个电器的AMPDS被认为是与数值分类结果显示显着改善现有的基于分类的NILM技术。
2021-01-18 cs.LG cs.SY eess.SY
