面向住宅热负荷剖面的多维无监督机器学习框架
信号处理
2024-11-27 v1 机器学习
摘要
实现能源转型的核心在于, 供暖系统为住宅和工业环境提供essential的取暖和热水服务。一个主要挑战在于, 有效地对大量建筑群体进行轮廓化，以改进需求估计并实现高效的需求响应 (DR) 方案。本文通过引入无监督机器学习框架，对住宅热负荷剖面进行聚类分析，专注于天然气供暖和热水准备锅炉。所分析的轮廓涉及五个维度: 锅炉使用情况、供暖需求、天气条件、建筑特征和用户行为。我们应用三种距离度量: 欧几里得距离 (ED)、动态时间错位 (DTW) 和导数动态时间错位 (DDTW)，并使用既定的聚类指标评估其性能。该方法在希腊29栋配备智能表计的住宅建筑上进行评估，覆盖一个完整的供暖季节（即210天）。结果表明, DTW 是最合适的度量方法，揭示了锅炉使用情况、热需求与温度之间存在强相关性；而 ED 则突出了跨维度的更广泛关联，DDTW 则效果较差，导致聚类较弱。这些发现为理解热负荷行为提供了关键见解，为开发更有针对性和有效的需求响应项目奠定了坚实基础。
引用
@article{arxiv.2411.16701,
title = {A multi-dimensional unsupervised machine learning framework for clustering residential heat load profiles},
author = {Vasilis Michalakopoulos and Elissaios Sarmas and Viktor Daropoulos and Giannis Kazdaridis and Stratos Keranidis and Vangelis Marinakis and Dimitris Askounis},
journal= {arXiv preprint arXiv:2411.16701},
year = {2024}
}
备注
40 pages, 23 figures