DEDALUS 科學合作夥伴之一的雅典國立技術大學 (NTUA) 完成了一項研究，根據住宅電力消費者的歷史用電量對他們進行分組，以製定更有針對性的需求響應計劃。

該分組最終將在幾乎所有 DEDALUS 服務中使用，使每個組的服務更具針對性。該研究是發表在日記中應用能源。

具體來說，本文介紹了一種基於機器學習的框架來最佳化需求響應程序。使用近 5,000 個數據家庭在倫敦，對四種聚類演算法（K-means、K-medoids、層次聚合聚類和 DBSCAN）進行了評估，以識別具有相似消費模式的群體。

這個問題被重新定義為機率分類任務，利用可解釋的人工智慧來提高模型的可解釋性。結果發現，最佳簇數為 7，儘管有兩個簇（約佔數據的 10%）表現出高度的內部差異，並被排除在進一步考慮之外。

該框架為公用事業公司提供了可擴展的解決方案，以增強需求響應計劃的針對性和有效性。

“我們的研究該論文的作者之一瓦西利斯·米查拉科普洛斯(Vasilis Michalakopoulos) 表示，該研究旨在解決能源管理中的一個關鍵挑戰：有效識別和分類家庭能源消耗模式，以加強需求響應計劃的實施。

「優化家庭能源使用變得越來越重要，這對於促進環境永續性並幫助公用事業公司提供更有針對性、更有效的災難復原解決方案。

「這項工作符合 DEDALUS 計畫的總體目標，該計畫旨在透過聚集主要利益相關者並推進更聰明的方式，擴大歐洲居民對 DR 計畫的參與。能源管理策略」。

更多資訊：Vasilis Michalakopoulos 等人，一個基於機器學習的框架，用於聚類住宅電力負荷概況以增強需求響應計劃，應用能源（2024）。DOI：10.1016/j.apenergy.2024.122943