21、利用监督机器学习探索私营部门住房能源消耗数据

利用监督机器学习探索私营部门住房能源消耗数据

1. 引言

智能电网技术是下一代可持续能源管理的主要支柱之一。能源消耗的详细信息对能源用户和公用事业公司都很有用。能源供应商可以更好地预测需求、改进抄表到收款的流程并管理供应，而客户则能更好地控制自己的用电量、成本和碳足迹。在过去十年中，欧洲各国政府对智能电表寄予厚望，将其视为提高住宅部门能源效率的重要手段。

智能电表通常以15到30分钟的间隔记录能源消耗，并将信息发送回能源供应商。这些信息可用于支持电网优化过程，并为客户制定有针对性的干预措施。结合直接的消费者反馈，智能电表有望将能源效率提高5 - 15%，但目前的实地研究显示节省率约为3%。

由于节能效果低于预期，欧洲国家对智能电表的热情逐渐消退。原因包括前期成本高、客户隐私担忧，以及最重要的是，数据缺乏对政策和效率措施制定的分析意义。同时，对细粒度消费数据的利用仍处于起步阶段。在当前期望高涨但仍有失望风险的情况下，开发新的数据处理、解释和利用分析方法仍是主要挑战之一。

本研究旨在填补原始智能电表消费数据与制定住宅能源政策所需信息之间的差距。我们改进了先前的家庭分类算法，通过消费数据预测与能源效率相关的特征（如供暖类型、房屋大小/年龄、居民/儿童数量等）。我们主要依赖Beckel等人的开创性工作，他们表明使用监督机器学习可以从细粒度消费数据中推断家庭属性，准确率超过60%。简而言之，我们专注于以下三个方面来提高Beckel等人算法的分类准确性并降低运行时复杂度：
1. 扩展特征集
2. 应用特征过滤方法
3. 细化属性定义

为了训练和测试所提出的模型，我们使用了从爱尔兰能源监管委员会（CER）获得的数据集。该数据