基于机器学习的校园能源韧性：聚类与智能负荷削减中的时间序列预测
系统与控制
2025-09-23 v1 机器学习
系统与控制
摘要
大学校园对可靠电力的日益增长的需求 necessitates 实施智能能源管理。本研究提出了一种基于机器学习的负荷削减框架，旨在优化尼日利亚拉各斯大学的能源分配并减少浪费。该方法经历了三个主要阶段：第一，编译了来自 55 栋建筑的 3,648 条每日记录的数据集，以开发建筑层面的消费模型。第二，应用主成分分析进行降维，并使用聚类验证技术确定最佳需求组数量。随后，采用 Mini-Batch K-Means 将建筑分类为高、中、低需求簇。最后，针对簇级别进行短期负荷预测，使用多种统计和深度学习模型，包括 ARIMA、SARIMA、Prophet、LSTM 和 GRU。结果表明，Prophet 提供了最可靠的预测，而 Mini-Batch K-Means 实现了稳定的聚类性能。通过将聚类与预测集成，该框架实现了更公平、数据驱动的负荷削减策略，从而减少效率损失并通过可持续能源管理支持应对气候变化。
关键词
引用
@article{arxiv.2509.17097,
title = {Machine Learning for Campus Energy Resilience: Clustering and Time-Series Forecasting in Intelligent Load Shedding},
author = {Salim Oyinlola and Peter Olabisi Oluseyi},
journal= {arXiv preprint arXiv:2509.17097},
year = {2025}
}
备注
Submitted for the NeurIPS 2025 Climata Change AI Workshop in San Diego, USA