基于机器学习的框架，用于聚类住宅电力负载曲线以提升需求响应计划
原文约500字，阅读约需2分钟。发表于：。通过使用智能电表数据推导的负荷曲线，在实际案例研究中，我们提出了一种新颖的基于机器学习的框架，以实现通过适用于伦敦近 5000 个家庭的数据从而获得最佳负荷剖析。我们应用了四种广泛使用的聚类算法：K-means、K-medoids、层次凝聚聚类和基于密度的空间聚类。通过经验分析和多个评估指标来评估这些算法，并将问题重新定义为概率分类问题，并借助可解释的 AI（xAI）来提高解决方案的可解释性。根据聚类算法的分析，此案例的最佳聚类数为七个，但是我们的方法表明其中两个聚类，约占数据集的 10％，存在显着的内部差异，因此我们将其进一步划分为总共九个聚类。我们的解决方案具有可扩展性和多功能性，使其成为希望为用户细分以创建更有针对性的需求响应计划的电力公用事业公司的理想选择。
该研究使用智能电表数据推导负荷曲线，提出了一种基于机器学习的框架，通过适用于伦敦近5000个家庭的数据获得最佳负荷剖析。研究应用了四种聚类算法，并将问题重新定义为概率分类问题，借助可解释的AI提高解决方案的可解释性。研究发现最佳聚类数为七个，但将其进一步划分为九个聚类。该解决方案具有可扩展性和多功能性，适用于电力公用事业公司为用户细分以创建更有针对性的需求响应计划。
