雅典国立技术大学(NTUA)是DEDALUS的科学合作伙伴之一，已经完成了一项基于历史用电量对住宅用电用户进行分组的研究，以创建更有针对性的需求响应计划。

　　在一天结束时，几乎每个DEDALUS服务都将使用此分组，使每个组的服务更具针对性。这项研究发表在《应用能源》杂志上。

　　具体来说，本文介绍了一个基于机器学习的框架来优化需求响应程序。使用来自伦敦近5000个家庭的数据，对四种聚类算法——k -means、k - medidoids、分层聚集聚类和dbscan进行了评估，以确定具有相似消费模式的群体。

　　这个问题被重新定义为一个概率分类任务，利用可解释的人工智能来提高模型的可解释性。发现最佳的簇数为7，尽管包含约10%数据的两个簇表现出高度的内部差异性，并被排除在进一步考虑之外。

　　该框架为公用事业公司提供了一个可扩展的解决方案，以增强需求响应计划的目标和有效性。

　　“我们的研究旨在解决能源管理中的一个关键挑战:有效地识别和分类家庭能源消费模式，以加强需求响应计划的实施，”该论文的作者之一Vasilis michalakopoulos说。

　　“优化家庭能源使用对于促进环境可持续性和使公用事业公司提供更有针对性和更有效的DR解决方案越来越重要。

　　“这项工作与DEDALUS项目的总体目标一致，该项目旨在通过汇集主要利益相关者和推进更智能的能源管理战略，扩大整个欧洲居民对DR计划的参与。”

　　更多信息:Vasilis Michalakopoulos等人，基于机器学习的住宅电力负荷分布集群框架，以增强需求响应计划，应用能源(2024)。项目引文:机器学习框架促进住宅电力集群的需求响应(2024,10月4日)检索自2024年10月7日https://techxplore.com/news/2024-10-machine-linkwork-boosts-residential-electricity.html本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。