Extreme value distributions of peak loads for non-residential customer segments
针对欧洲电网拥堵下的峰值负荷预测需求，本文提出基于极值理论的数学模型，为分位数Velander公式提供理论支撑并简化参数，同时验证了非住宅客户峰值负荷分布属重尾Fréchet族。
2025-10-21 cs.SY eess.SY
Strategies to Maintain Voltage on Long, Lightly Loaded Feeders with Widespread Residential Level 2 Plug-in Electric Vehicle Charging
随着插电式电动汽车（PEV）普及率的增加，为住宅负载提供服务的长、轻负载馈线可能会开始经历电压偏移。住宅PEV充电往往发生在住宅馈线的峰值负荷时间，导致峰值负荷增加和潜在的电压偏移。为了避免电压漂移，两个PEV充电控制策略进行了研究，使用IEEE 34总线馈线。第一种策略将PEV充电能量从高峰时段转移到非高峰时段;另一种策略允许PEV提供无功功率支持。当使用这两种控制策略时，在200辆PEV的不受控制充电的模拟中看到的欠压偏移得到了显着改善。馈线上的最小电压从PEV充电不受控制时的0.855 pu提高到同时应用两种控制策略时的0.959 pu。
2022-06-11 cs.SY eess.SP 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
Probabilistic Time Series Forecasting of Residential Loads -- A Copula Approach
针对电力系统预测缺乏概率方法的问题，提出基于核密度估计和vine copulas的住宅负荷概率模型，有效量化个体能耗与日峰值负荷变异性，并生成遵循真实分布的合成负荷。
2025-04-30 cs.SY eess.SY
Scalable quantile predictions of peak loads for non-residential customer segments
本文提出维兰德公式的分位数解释，用于非居民客户峰值负荷的年度提前预测，支持客户规模缩放与聚合，并通过非交叉约束的多元分位数回归学习截断累积分布，实验证实其有效性，且发现聚合客户峰值负荷统计上更大。
2025-05-26 cs.SY eess.SY
Dynamic residential load scheduling based on an adaptive consumption level pricing scheme
智能电网的需求响应（DR），旨在平衡所需的电力需求与可用的供应资源，已经得到了广泛的关注。电力需求的增长为住宅负荷调度系统提供了新的机会，以通过转移或削减价格变化或紧急情况所需的需求来改善能源消耗。在本文中，一个动态的住宅负荷调度系统（DRLS）的基础上提出的自适应消费水平（CL）定价计划（ACLPS）的家用电器的优化调度。所提出的负载调度系统鼓励客户在所提出的DR定价方案的允许消耗限额（CA）内管理其能量消耗，以实现较低的能量账单。仿真结果表明，采用建议的DRLS系统有利于客户，减少他们的能源法案和公用事业公司，通过减少总负荷需求的峰值负荷。对于一个给定的案例研究，建议的住宅负荷调度系统的基础上ACLPS允许客户，以减少他们的能源账单高达53%，并减少高峰负荷高达35%。
2020-07-23 cs.CY cs.SY eess.SY
Efficiency Assessment of a Residential DC Nanogrid with Low and High Distribution Voltages Using Realistic Data
由于屋顶光伏（PV）系统和建筑物中使用的内部DC设备的数量大幅增加，直流（DC）配电在住宅纳米电网（RNG）中受到了关注。与AC分配相比，使用DC分配提高了RNG的效率。本文研究了低和高配电电压水平的直流RNG的效率，通过探索功率损耗的原因。所研究的DC RNG由各种类型的本地负载、现场光伏发电和电池存储系统组成。使用实际负载、PV曲线和转换器效率曲线使分析更加准确。此外，还考虑了低、中和高功耗的三种负载分布，以研究负载对整体系统效率的影响。
2021-05-03 cs.SY eess.SY
Potentials and Economics of Residential Thermal Loads Providing Regulation Reserve
University of California, Berkeley（加州大学伯克利分校）；Colorado School of Mines（科罗拉多矿业学院）
研究住宅恒温负荷如空调、热泵、热水器和冰箱为电网提供调频备用的潜力及经济性，证明加州TCL资源充足，且TCL比其他储能技术更具成本效益。
2014-12-05 cs.SY eess.SY
Harmonic Modeling, Data Generation, and Analysis of Power Electronics-Interfaced Residential Loads
基于电子的家用电器和家庭分布式能源的整合预计将随着电网脱碳而增加。这些设备可能会将大量谐波引入电网，需要仔细研究，以便准确建模和预测负载。然而，对于住宅电力负载，可能很难获得富谐波电压和电流数据（识别准确负载模型所需的数据）。认识到这一需要，首先一组电子为基础的最终用途的负载被确定和建模的电磁瞬态程序工具的住宅。其次，提出了一种阻抗变化的方法来生成谐波数据，该数据捕获谐波传播到电源电压和连接到相同电源电压的终端使用负载之间的谐波相互作用。第三，谐波丰富的数据集，通过所提出的方法被证明成功地识别频率耦合矩阵为基础的谐波负荷模型，使用最小二乘法。数值结果验证了模型的准确性。有限的数据可用性模型识别的影响也进行了探讨。
2021-11-05 cs.SY eess.SP eess.SY
Demand Response Management For Power Throttling Air Conditioning Loads In Residential Smart Grids
Lahore University of Management Sciences（拉合尔管理科学大学）；Singapore University of Technology and Design（新加坡科技设计大学）
本文提出一种算法以减少住宅智能电网中空调使用带来的高峰负荷影响，通过模拟发现增加一个额外的电力状态可显著降低高峰负荷，但随着状态数增加，可减少的高峰负荷逐渐减少。
2014-08-06 cs.SY eess.SY
Customer Engagement Plans for Peak Load Reduction in Residential Smart Grids
Lahore University of Management Sciences（拉合尔管理科学大学）；Singapore University of Technology and Design (SUTD)（新加坡科技设计大学）
本文提出并研究了通过电网运营商对客户负载设置进行干预以削减峰谷负荷的客户参与计划，提出了两种计划类型：恒定偏差计划和比例偏差计划，并探讨了其在不同客户需求下的适用性。
2015-02-13 cs.SY eess.SY
Causal Feature Selection for Weather-Driven Residential Load Forecasting
McGill University（麦吉尔大学）；Hydro-Québec Research Institute（魁北克水电研究院）；Université du Québec à Montréal (UQÀM)（蒙特利尔大学）
本文通过因果特征选择方法，提升天气驱动住宅负荷预测的简洁性和鲁棒性，利用实际数据验证其有效性。
2025-11-25 cs.SY eess.SY
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
Scenario Forecasting of Residential Load Profiles
负荷预测是电力系统运行和规划中不可或缺的一部分。由于屋顶光伏、电动汽车和需求响应应用的日益普及，预测个人和一小群家庭的负荷变得越来越重要。然而，当只包括少数家庭时，准确地预测负荷是相当困难的。缓解这一挑战的一种方法是提供一组场景，而不是一个点的预测，因此运营商或公用事业可以考虑一系列的行为。提出了一种基于流的条件生成模型的居民负荷情景预测方法。与现有的情景预测方法相比，我们的方法可以生成的情景不仅能够从观察到的历史数据中推断出未来可能实现的住宅负荷，而且还足够现实，可以涵盖广泛的行为。特别地，基于流的模型利用可逆变换的流来最大化给定过去观测的未来负荷的条件密度函数的值。为了更好地捕捉预测的未来负荷对条件的复杂时间依赖性，我们通过加强转换中输出和条件输入之间的耦合来扩展基于流的条件生成模型中可逆转换的结构设计。仿真结果表明，基于流的设计优于现有的方法，在情景预测的居民负荷，提供更准确，更多样化的场景。
2019-06-18 cs.SY eess.SP eess.SY
Uncertainty quantification in load profiles with rising EV and PV adoption: the case of residential, industrial, and office buildings
KU Leuven（荷语鲁汶大学）；EnergyVille（能源村）
本文研究了电动汽车和光伏并网对负荷曲线不确定性的影响，提出了一种量化不确定性指标的比较方法，发现同时考虑电动汽车和光伏可有效降低不确定性。
2025-12-01 cs.SY eess.SY
Aggregated demand flexibility prediction of residential thermostatically controlled loads and participation in electricity balance markets
本文提出基于蒙特卡洛模拟与二分法极值搜索的概率方法，预测住宅温控负荷聚合虚拟电池的需求灵活性，并在西班牙平衡市场中验证其参与竞标的有效性。
2024-04-05 cs.SY eess.SY
Online Residential Demand Response via Contextual Multi-Armed Bandits
Harvard University（哈佛大学）；Zhejiang University（浙江大学）
住宅负荷具有很大的潜力，以提高电力系统的效率和可靠性，通过需求响应（DR）计划。住宅DR的一个主要挑战是处理未知和不确定的客户行为。以往的研究多采用学习技术来预测用户的DR行为，而忽略了时变环境因素的影响，这可能导致预测不准确和负荷调整效率低下。在本文中，我们考虑住宅DR问题的负载服务实体（LSE）的目的是选择一个最佳的客户子集，以最大限度地提高预期的负载减少与财政预算。为了学习环境影响下的不确定客户行为，将住宅DR问题转化为一个上下文多臂强盗（MAB）问题，提出了基于Thompson抽样的在线学习选择（OLS）算法，该算法考虑了上下文信息，适用于复杂的DR环境.数值仿真结果验证了该算法的学习有效性。
2020-05-17 cs.LG cs.SY eess.SY
A Multi-model and Multi-scenario Assessment of the Impact of Climate Change on the Heating and Cooling Load Components of an Archetypical Residential Room in Major Indian Cities
本研究通过多气候模型与多排放情景评估印度各气候区典型住宅房间，量化墙体、窗户等负荷组成，预测未来制冷需求大增而供暖需求下降，并指出关键节能改造对象。
2023-07-16 cs.SY eess.SY
Real-Time Residential-Side Joint Energy Storage Management and Load Scheduling with Renewable Integration
Department of Electrical, Computer, and Software Engineering, University of Ontario Institute of Technology（安大略理工大学电气、计算机和软件工程系）
本文研究了在可再生能源接入情况下，如何通过联合优化负载调度和能源存储控制来最小化系统成本，提出了一种基于Lyapunov优化的实时调度和存储控制算法，实现了负载调度和能源存储控制的分离和顺序决策，并通过仿真验证了算法的有效性。
2016-04-13 cs.SY eess.SY
Optimized energy utilization in small and large commercial loads and residential areas
在智能电网中，需求侧管理（DSM）技术需要被设计为处理大量的几种类型的可控负荷。在本文中，我们提出了一个框架来研究智能电网的需求侧管理，其中包含各种负荷在两个服务区，一个与多个居民家庭，一个总线与商业客户。具体地，每个家庭可以具有可再生发电以及可中断和不可中断的电器，以进行单独的调度，从而通过根据电价的提前一天预测进行最佳的用电时间来优化电能成本。高负荷母线代表一个商业区域，用于演示任何母线上的高负荷对电压分布、功率损耗和负荷潮流条件的影响，并显示建议的DSM对大量电器的性能。使用开发的仿真模型，我们研究了拟议的DSM的性能，并研究了它们对配电网运行和可再生能源发电的影响，整体电压偏差，有功功率损耗，以及可能出现的问题，如反向潮流，电压上升进行了研究和比较，这些问题可以很容易地看到在商业负载总线。
2019-06-25 cs.SY eess.SY math.OC
Input Modeling and Uncertainty Quantification for Improving Volatile Residential Load Forecasting
Virginia Tech（弗吉尼亚理工大学）；Arizona State University（亚利桑那州立大学）
本文提出了一种两阶段方法，通过输入建模和不确定性量化来解决现有负荷预测方法中忽视输入误差影响的问题，从而提高预测准确性与区间覆盖能力。
2019-05-16 cs.SY eess.SY
Pareto local search for a multi-objective demand response problem in residential areas with heat pumps and electric vehicles
针对住宅区热泵和电动汽车的多目标需求响应问题，提出PALSS和引入强化学习的RELAPALSS方法，在保持舒适度下最小化成本和峰值负荷，仿真中优于NSGA-II、SPEA-II及传统方法。
2024-07-16 cs.SY eess.SY
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
Convolutional Neural Networks For Automatic State-Time Feature Extraction in Reinforcement Learning Applied to Residential Load Control
VITO/EnergyVille（VITO/能源城）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
本文提出使用卷积神经网络提取隐藏状态-时间特征，以缓解部分可观测性带来的 curse，通过拟合 Q-迭代的监督学习步骤估计状态-动作值函数，验证了该方法在住宅负荷控制中的有效性。
2016-10-11 cs.LG cs.SY eess.SY
Trilevel Scheduling Model Considering Residential Demand Flexibility of Aggregated HVACs and EVs under Distribution LMP
住宅负荷，特别是供暖、通风和空调（HVAC）和电动汽车（EV），具有提供需求灵活性的巨大潜力，这是网格交互式高效建筑（GEB）的一个属性。在这种新的范式下，首先，EV和HVAC聚合器模型，本文开发代表车队的GEB，其中的聚合参数的基础上获得的数据生成和最小二乘参数估计（DG-LSPE），它可以处理异质HVAC的新方法。在此基础上，建立了基于竞争性配电运营的三级竞价调度框架。前两个层次形成了一个双层模型，以优化聚合器支付，并表示负载聚合器和配电系统运营商（DSO）之间的相互依赖性使用DLMP，而第三个层次是分配最优的负载聚合所有居民提出的基于优先级列表的需求调度算法。最后，修改后的IEEE 33总线系统的案例研究说明了三个主要的技术原因支付减少由于需求的灵活性：负荷转移，DLMP阶跃变化，和功率损耗。它们可以作为更好的决策的一般准则，为未来的规划和需求响应程序的操作。
2021-03-01 cs.SY eess.SY
Large-Scale Demonstration of Precise Demand Response Provided by Residential Heating Systems
Swiss Federal Institute of Technology, Zurich（苏黎世联邦理工学院）；IBM Research–Zurich（IBM苏黎世研究实验室）
本文通过300多栋安装热泵的住宅建筑，展示如何利用能耗数据和室外温度数据自主识别系统灵活性，并量化群体需求响应潜力，通过负载削减和反弹阻尼实验验证方法有效性。
2018-06-20 cs.SY eess.SY
Packetized Energy Management Controller for Residential Consumers
在本文中，我们研究的管理的能量存储控制和负载调度的情况下，考虑到并网光伏（PV）系统，使用分组能量管理。其目的是通过考虑家庭能源消耗、采购价格、负载调度延迟、通过产生的可再生能源的光伏自给自足和电池退化的建议的\textit{packetized energy management controller}来降低平均聚合系统成本。所提出的方法解决了联合优化问题，使用已建立的遗传算法（GA），二进制粒子群优化（BPSO），和差分进化（DE）。此外，启发式算法的性能进行了比较，在负载调度的有效性与延迟约束，打包的能量交易，和电池退化成本。已经提供了案例研究，以证明和广泛评估的算法。数值结果表明，在满足分组能量需求和调度时延要求的前提下，所提出的分组能量管理控制器可以使系统总平均成本分别降低4.7%、5.14%和1.35%。
2021-08-19 cs.SY eess.SY
Quantification of Residential Flexibility Potential using Global Forecasting Models
本研究提出一种无需历史数据的居民侧柔性负荷经济效益估算方法，通过非参数全局预测模型学习负荷响应并结合优化求最优策略，验证了可直接用预测器替代模拟估算效益。
2024-08-19 cs.SY eess.SY
Estimating the Benefits of Electric Vehicle Smart Charging at Non-Residential Locations: A Data-Driven Approach
Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Carnegie Mellon University（卡内基梅隆大学）
本文通过2013年加州非住宅电动汽车供应设备的数据，研究智能充电对负荷聚合器和配电网的效益，提出框架以放松对驾驶模式、车辆可扩展性和充电曲线的假设，展示通过时间电价可降低电费24.8%并减少峰值负荷贡献40%。
2015-03-03 cs.SY eess.SY
Short-Term Aggregated Residential Load Forecasting using BiLSTM and CNN-BiLSTM
University of Houston（休斯顿大学）
可再生能源和灵巧家庭技术在住宅层面的更高渗透率对电网稳定性提出了挑战，因为公用事业与客户的互动增加了电力系统运营的复杂性。因此，短期居民负荷预测已成为一个越来越受关注的领域。然而，由于涉及更高的不确定性，住宅层面的预测具有挑战性。最近，深度神经网络被用来解决这个问题。本文研究了双向长短期记忆（BiLSTM）和基于卷积神经网络的BiLSTM（CNN-BiLSTM）提供提前一天（24小时）的能力。以小时分辨率进行预测，同时最小化实际和预测负荷需求之间的均方根误差（RMSE）。使用由38个家庭组成的公开数据集，BiLSTM和CNN-BiLSTM模型经过训练，以预测24小时内每个小时的总有功功率需求，给定之前的24小时负荷数据。BiLSTM模型在整体每日预测中实现了最低的RMSE 1.4842。此外，还训练了标准LSTM和CNN-LSTM模型，并与BiLSTM架构进行了比较。BiLSTM的RMSE分别比LSTM、CNN-LSTM和CNN-BiLSTM模型低5.60%、2.85%和2.60%。这个工作的源代码可以在https://github.com/Varat7v2/STLF-BiLSTM-CNNBiLSTM.git上找到。
2023-02-10 cs.CV cs.LG cs.SY
Multi-Agent Reinforcement Learning for Fast-Timescale Demand Response of Residential Loads
Mila（米拉研究所）
为了整合大量的可再生能源，电网必须能够应对发电过程中的高幅度、快速时间尺度变化。通过需求响应的频率调节有可能协调时间灵活的负载，如空调，以抵消这些变化。现有的离散控制方法与动态约束的斗争提供令人满意的性能快速时标动作选择数百代理。我们提出了一个分散的代理训练多代理近端策略优化本地化通信。我们探讨两种通信框架：手工设计，或通过有针对性的多智能体通信学习。由此产生的政策执行良好，稳健的频率调节，并无缝扩展到任意数量的房屋恒定的处理时间。
2023-01-06 cs.AI cs.LG cs.MA
Towards a Deeper Understanding of Transformer for Residential Non-intrusive Load Monitoring
Int’l Islamic University Chittagong（吉大港国际伊斯兰大学）
本文通过全面实验分析了超参数对住宅NILM中Transformer模型性能的影响，并利用最优超参数训练出超越现有性能的模型，为未来优化提供了指导。
2024-10-13 cs.AI cs.SY eess.SY
Variability in electricity consumption by category of consumer: the impact on electricity load profiles
交通和供暖的住宅电气化正在显著改变消费及其特征。以前的研究已经证明了社会技术经济决定因素对住宅消费的影响。然而，他们未能捕捉到这些消费者群体的分布特征，影响网络规划和灵活性评估。使用丹麦720，000个家庭的实际住宅用电量数据，我们证明热泵比电动汽车更有可能影响总峰值消费。与此同时，其他社会经济因素，如占用率、居住面积和收入，几乎没有影响。比较热泵或电动汽车的全面推出的外推表明，与拥有电动汽车的家庭相比，部署热泵的最常见消费者类别在高峰负荷时间的最大消耗量增加了14%，平均消耗量增加了46%，中位数增加了两倍。电动汽车已经显示出灵活性，其重合系数在5-15%之间，最大为17%，而热泵主要是基本负荷。这项研究的详细和全面的结果支持灵活性评估和电网规划在未来的研究，也灵活的技术的操作。
2022-10-07 cs.SY eess.SY
Stochastic simulation of residential building occupant-driven energy use in a bottom-up model of the U.S. housing stock
住宅建筑行业是全球最大的电力消费者之一，在许多地区对电力需求的高峰做出了贡献。家庭能源消耗受居住者活动的强烈驱动，具有随机性和异质性。然而，大多数工业应用的住宅建筑能源模型使用均匀的，确定性的居住者活动时间表，这对于预测年度能源消耗很有效，但可能导致不切实际的每小时或每小时以下的电力负荷曲线，具有夸大或减弱的峰值。这在过去并不重要，但可变可再生能源发电机在电力系统中的比例越来越大，这意味着代表居住者行为的异质性和随机性对于可靠的能源规划至关重要。这对于包括分布式能源的系统尤其如此，例如电网交互式高效建筑，太阳能光伏发电和电池存储。这项工作提出了一个随机居住者行为模拟器，模拟单个家庭成员的能源使用行为。它还提供了与建筑存量模型的集成，以更准确地模拟社区，城市，州和国家尺度的住宅建筑负荷。更具体地说，我们首先采用聚类技术来识别不同的模式的占用者的行为。然后，我们结合时间非齐次马尔可夫链模拟与事件持续时间的概率采样，逼真地模拟居住者的行为。该随机模拟器与大型住宅建筑存量模拟工具ResStock相结合，展示了大规模随机住宅建筑负荷建模的能力。模拟结果进行了验证，对美国时间使用调查数据和测量的最终用户的电力数据的准确性和可靠性。
2021-11-04 cs.SY eess.SY physics.data-an
Online Learning and Distributed Control for Residential Demand Response
Harvard University（哈佛大学）；ThinkEco Inc.（ThinkEco公司）
研究了激励型住宅需求响应中空调负荷自动调节的控制方法。关键的挑战是，客户对负荷调整的反应是不确定的，在实践中是未知的。在本文中，我们制定的AC控制问题在DR事件作为一个多周期的随机优化，集成了室内热动力学和客户选择退出状态转换。具体而言，机器学习技术，包括高斯过程和逻辑回归分别学习未知的热动力学模型和客户选择退出行为模型。我们考虑两个典型的DR目标的AC负载控制：1）最小化的总需求，2）密切跟踪调节功率轨迹。基于汤普森采样框架，我们提出了一种在线DR控制算法来学习客户行为，并制定实时AC控制方案。该算法考虑了各种环境因素对客户行为的影响，并以分布式方式实现，以保护客户的隐私。数值仿真结果表明，该算法的控制最优性和学习效率。
2021-06-12 cs.LG cs.SY eess.SY
Field Testing of Residential Bidirectional Electric Vehicle Charger for Power System Applications
针对住宅双向电动汽车充电技术缺乏实测试的问题，本文开展家庭部署的双向EV充电器现场测试，开发支持静态设定点调度与自动负荷跟随的控制软件，实测响应6-8秒、准确率超99%，验证其参与多种电网服务的可行性。
2023-08-25 cs.SY eess.SY
Assessing the Impact of Electric Vehicle Charging on Residential Distribution Grids
本文通过模拟不同充电场景和电压等级，评估电动汽车充电对美国中西部240母线配电网线路负载与载流量违规的影响，为电网升级提供依据。
2024-11-20 cs.SY eess.SY
Using solar and load predictions in battery scheduling at the residential level
Redback Technologies Brisbane, Australia（红背技术布里斯班，澳大利亚）；School of ITEE The University of Queensland, Australia（信息技术工程学院昆士兰大学，澳大利亚）
本文提出了一种新的电池调度算法，通过预测负载和太阳能发电量来优化住宅用户的电力成本，该算法在不同电价下可实现1%至10%的节能效果。
2018-10-26 cs.LG cs.SY eess.SY
How Much Demand Flexibility Could Have Spared Texas from the 2021 Outage?
2021年2月德克萨斯州冬季停电导致数百人死亡和数十亿美元的经济损失，主要原因是发电故障和创纪录的电力需求。在本文中，我们研究了扩大需求灵活性的手段，以避免在这种极端天气事件的负荷削减。考虑的三种机制是可中断负荷，居民负荷配给，和基于激励的需求响应。通过模拟一个合成的，但现实的大规模德州电网模型，以及需求的灵活性建模和停电数据，我们确定组合的混合机制，完全避免停电，这是一个单一的机制可能会失败，由于衰减的边际效应。我们还揭示了可中断负荷和住宅负荷配给之间的互补关系，并发现基于激励的需求响应对其他机制功效的非线性影响。
2022-06-01 cs.SY eess.SY
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
Pareto Optimal Demand Response Based on Energy Costs and Load Factor in Smart Grid
National Tsing Hua University（国立清华大学）；Yuan Ze University（中原大学）
本文提出了一种基于能源成本和负载因子的多目标优化方法，用于设计帕累托最优需求响应计划，以平衡电网与用户需求。
2019-07-12 cs.SY eess.SP eess.SY
Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting
University of Liverpool（利物浦大学）；KU Leuven（鲁汶大学）；EnergyVille（能源城研究院）；COSIC（计算机与安全工业密码学研究中心）；The University of Manchester（曼彻斯特大学）
针对居民负荷预测中的数据隐私问题及联邦学习模型易受梯度泄露、投毒攻击且安全聚合方案鲁棒性不足的缺陷，提出基于马尔可夫切换的分布式训练框架，兼具隐私性、鲁棒性与可扩展性。
2024-02-02 cs.AI cs.CR cs.DC
Distribution Grids May Be a Barrier To Residential Electrification
本研究评估美国住宅与车辆全面电气化对配电电网的影响，发现空间供暖导致需求峰值大增，需巨额电网加固成本，但需求侧管理可消除四分之三的加固成本。
2025-08-08 cs.SY eess.SY
Achieving Reliable Coordination of Residential Plug-in Electric Vehicle Charging: A Pilot Study
运输部门的大规模电气化将需要仔细规划和与电网协调。电动汽车（EV）在渗透率提高的情况下不受管理，不协调的充电将放大现有的峰值负荷，可能超过电网可靠满足需求的能力。在本文中，我们报告了OptimizEV项目的研究结果-这是一项在纽约州北部进行的真实试点研究，旨在探索一种协调住宅电动汽车充电的新方法。拟议的协调机制旨在利用电动汽车充电的潜在灵活性，为电动汽车车主提供货币激励，以延迟电动汽车充电所需的时间。每次电动汽车车主启动充电会话时，他们都要通过从最后期限菜单中选择来指定他们打算让车辆插上多长时间，这些最后期限菜单提供更低的电价，他们愿意推迟充电所需的时间。给定主动充电请求的集合，智能充电系统实时动态优化每个EV的电力消耗，以最大限度地减少电网压力，同时确保每个客户的汽车在截止日期前充满电。在建议的激励机制下，我们发现客户经常愿意参与优化的充电会话，允许系统延迟完成他们的充电请求平均超过8小时。利用客户提供的灵活性，智能充电系统被证明在将大多数电动汽车充电负载转移到非高峰以填补总负载曲线的夜间低谷方面非常有效。客户选择率在研究期间保持稳定，提供了支持拟议协调机制的经验证据，作为潜在可行的“非有线替代方案”，以满足对电力驱动的电动汽车采用的需求增长。
2023-02-17 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
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
Agentic AI Home Energy Management System: A Large Language Model Framework for Residential Load Scheduling
Department of Industrial Economics and Technology Management, The Norwegian University of Science and Technology（工业经济学与技术管理系，挪威科学与技术大学）
电力部门的转型需要大幅提高住宅需求响应能力，但家庭能源管理系统（HEMS）的采用仍然受到用户交互障碍的限制，需要将日常偏好转化为技术参数。虽然大语言模型已被应用到能源系统作为代码生成器和参数提取器，没有现有的实现部署LLM作为自治协调器管理从自然语言输入到多设备调度的完整工作流。本文提出了一种代理人工智能HEMS，其中LLM自主协调多设备调度从自然语言请求到设备控制，实现最优调度没有例子演示。将一个协调器与三个专业代理相结合的分层架构使用ReAct模式进行迭代推理，实现动态协调，而无需硬编码工作流，同时集成Google日历进行上下文感知的截止日期提取。使用真实的奥地利日前电价对三个开源模型进行评估，发现了巨大的能力差异。Llama-3.3- 70 B成功地协调了所有场景中的所有设备，以匹配通过混合整数线性规划计算的成本最优基准，而其他模型实现了完美的单设备性能，但难以同时协调所有设备。渐进式提示工程实验表明，分析查询处理没有明确的指导仍然是不可靠的，尽管模型的一般推理能力。我们开源了完整的系统，包括编排逻辑，代理提示，工具和Web界面，以实现可重复性，扩展和未来的研究。
2025-10-30 cs.AI cs.MA cs.SY
Designing model predictive control strategies for grid-interactive water heaters for load shifting applications
本文构建住宅热水器MPC负荷转移框架，研究模型保真度、传感器配置及用水估算与预测等设计因素的影响，并提出无流量计用水估算方法。
2024-08-05 cs.SY eess.SY
Scalable Hybrid Classification-Regression Solution for High-Frequency Nonintrusive Load Monitoring
National Renewable Energy Laboratory（国家可再生能源实验室）；Enphase（恩相）；University of Minnesota（明尼苏达大学）
具有监测和控制其净负荷（负荷和发电量之和）能力的住宅建筑可以为电网运营商提供宝贵的灵活性。我们提出了一种新的多类非侵入式负载监测（NILM）的方法，使有效的净负载监测功能，在高频率，最小的额外设备和成本。所提出的基于机器学习的解决方案提供了准确的多类状态预测，同时以更快的时间尺度运行（能够为美国电网中使用的每个60 Hz交流周期提供预测），而不依赖于事件检测技术。我们还介绍了一种创新的混合分类回归方法，不仅允许通过分类预测负载的开/关状态，还可以通过回归预测单个负载的工作功率水平。一个测试床与八个住宅电器用于验证NILM的方法。实验结果表明，该方法具有较高的精度，良好的尺度和泛化能力。此外，该方法被证明有足够的响应时间（在160毫秒内，对应于10个交流周期），以支持建设电网互动控制在快速的时间尺度相关的电网频率支持服务的提供。
2022-08-22 cs.LG cs.SY eess.SY
Scalable multi-agent reinforcement learning for distributed control of residential energy flexibility
本文提出了一种新的可扩展类型的多智能体强化学习为基础的协调分布式住宅能源。合作代理学习控制电动汽车，空间加热和灵活的负载在一个部分可观察的随机环境中提供的灵活性。在标准的独立Q学习方法中，在随机环境中，部分可观测性下的代理协调性能会大规模下降。在这里，从历史数据的离线凸优化学习和隔离奖励信号中对总奖励的边际贡献的新颖组合提高了稳定性和大规模性能。使用固定大小的Q表，产消者能够评估他们对整个系统目标的边际影响，而无需彼此或与中央协调员共享个人数据。案例研究用于评估探索源，奖励定义和多智能体学习框架的不同组合的适应性。它表明，所提出的战略在个人和系统层面上创造价值，由于能源进口，损失，配电网络拥堵，电池折旧和温室气体排放的成本降低。
2022-03-27 cs.SY eess.SY
Power Management of Microgrid Integrated with Electric Vehicles in Residential Parking Station
近来，住宅停车站中电动车辆（EV）数量的增加已成为重要问题，因为过多的EV数量会在高峰时段期间使电力系统不稳定，需要高充电功率。当住宅停车站的电力系统采用微电网（MG）结构时，为电动汽车提供电力需要高效的电力管理方案。为了最小化MG的维护成本并保持电网稳定性，MG需要平衡停车站中的EV的充电/放电功率。为了实现这些目标，本文提出了一种充电/放电算法，适用于与电动汽车配置的MG的电源管理。对MG进行多目标优化，以最小化维护成本和电网依赖性，同时最大化光伏（PV）功率的使用和电动汽车作为储能系统（ESS）的利用。在我们的方法中，为了增加电动汽车放电功率的有用性，基本负载和光伏发电被考虑在一起进行功率管理，以减轻它们之间产生的不平衡。因此，所提出的方法表现出优越的电源管理性能相比，其他可比的。
2021-12-06 cs.SY eess.SY
A Reliability-aware Distributed Framework to Schedule Residential Charging of Electric Vehicles
住宅消费者在配备住宅EV充电设施后已成为配电网络的积极参与者。这对负责以可靠的方式通过现有配电网络基础设施向住宅消费者调度电力的网络运营商提出了挑战。在本文中，我们解决的问题，调度多个消费者的住宅电动汽车充电，同时保持网络的可靠性。另一个挑战是信息交换受限：消费者无法访问网络信息，网络运营商无法访问消费者负载参数。我们提出了一个分布式的框架，它生成一个最佳的电动汽车充电时间表为个人住宅消费者根据他们的喜好和迭代更新，直到网络的可靠性约束设置的运营商得到满足。我们验证了不同的EV采用水平的综合创建的数字孪生的实际配电网络所提出的方法。结果表明，与住宅消费者仅根据个人偏好对电动汽车充电的情况相比，新方法可以实现更高水平的网络可靠性，从而为现有电网提供了一种解决方案，以跟上不断增长的采用率，而无需在增加电网容量方面进行重大投资。
2022-02-14 cs.MA cs.SY eess.SY
Representing Long-term Impact of Residential Building Energy Management using Stochastic Dynamic Programming
在包含基于容量的电网电价的情况下，短期调度住宅建筑以优化电费可能是困难的。根据拟议的实测峰值（MP）电网电价（基于一段时间内最高峰值功率的成本）对建筑物进行调度，需要用户考虑当前决策对未来的影响。因此，作者提出了一个数学模型，使用随机动态规划（SDP），试图代表当前决策的长期影响。SDP算法基于一个月内每天的峰值功率向后计算建筑物的非线性预期未来成本曲线（EFCC）。负荷需求和天气的不确定性被认为是使用离散的马尔可夫链设置。该模型被应用到一个案例研究的灵活负载的智能控制的挪威建筑，并与MP电网的关税是不准确的代表，用户有完整的信息，整个月的方法进行比较。结果表明，SDP算法的性能比没有准确方式呈现未来影响的场景好0.3%，与用户拥有完美信息的场景相比，性能差3.6%。
2020-08-24 cs.SY eess.SY math.OC
Privacy-Aware Load Ensemble Control: A Linearly-Solvable MDP Approach
需求响应（DR）程序利用分布式需求侧资源，例如，可控的住宅和商业负载，为电力电力系统提供辅助服务。这些资源的集合可以通过调整它们的电力消耗来帮助降低系统负载峰值并满足操作限制。为了装备公用事业或负载聚合器有足够的决策支持工具合奏调度，我们开发了一个马尔可夫决策过程（MDP）的方法来最佳地控制负载合奏的隐私保护的方式。为此，差分隐私的概念被内化到MDP例程中，以保护转移概率，从而保护DR参与者的隐私。所提出的方法还提供了一个解决方案的最优性和隐私保证之间的权衡，并使用真实世界的数据在纽约州纽约市的纽约大学微电网的DR事件进行分析。
2021-07-30 cs.SY eess.SY
