DEDALUS 科学合作伙伴之一的雅典国立技术大学 (NTUA) 完成了一项研究，根据住宅电力消费者的历史用电量对他们进行分组，以制定更有针对性的需求响应计划。

该分组最终将在几乎所有 DEDALUS 服务中使用，从而使每个组的服务更具针对性。该研究是发表在日记中应用能源。

具体来说，本文介绍了一种基于机器学习的框架来优化需求响应程序。使用近 5,000 个数据家庭在伦敦，对四种聚类算法（K-means、K-medoids、层次聚合聚类和 DBSCAN）进行了评估，以识别具有相似消费模式的群体。

该问题被重新定义为概率分类任务，利用可解释的人工智能来提高模型的可解释性。结果发现，最佳簇数为 7，尽管有两个簇（约占数据的 10%）表现出高度的内部差异，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可扩展的解决方案，以增强需求响应计划的针对性和有效性。

“我们的研究该论文的作者之一瓦西利斯·米查拉科普洛斯 (Vasilis Michalakopoulos) 表示，该研究旨在解决能源管理中的一个关键挑战：有效识别和分类家庭能源消耗模式，以加强需求响应计划的实施。

“优化家庭能源使用变得越来越重要，这对于促进环境可持续性并帮助公用事业公司提供更有针对性、更有效的灾难恢复解决方案。

“这项工作符合 DEDALUS 项目的总体目标，该项目旨在通过聚集主要利益相关者并推进更智能的方式，扩大欧洲居民对 DR 计划的参与。能源管理策略”。

更多信息：Vasilis Michalakopoulos 等人，一种基于机器学习的框架，用于聚类住宅电力负荷概况以增强需求响应计划，应用能源（2024）。DOI：10.1016/j.apenergy.2024.122943