95 подписчиков
Ученые из Национального технического университета Афин разработали новую основу на базе машинного обучения для оптимизации программ реагирования на спрос в жилищном секторе электроэнергии. ⚡️ Этот инновационный подход использует четыре алгоритма кластеризации — K-means, K-medoids, иерархическую агломеративную кластеризацию и DBSCAN — для выявления групп домохозяйств с похожими моделями потребления электроэнергии. 🏡
Исследование, опубликованное в журнале Applied Energy, проанализировало данные почти 5000 домохозяйств в Лондоне и обнаружило, что оптимальным количеством кластеров является семь. Однако, два кластера с высокой внутренней несхожестью были исключены из дальнейшего рассмотрения. 🎯
Эта рамочная структура направлена на повышение эффективности программ реагирования на запросы, позволяя более точно идентифицировать и классифицировать модели потребления энергии в домохозяйствах. 💡 Исследование соответствует целям проекта DEDALUS, который стремится расширить участие жилищного сектора в программах реагирования на спрос по всей Европе, способствуя внедрению более умных стратегий управления энергией. 🌍
#neuroco #нейроконтент #машинноеобучение #языковыемодели #нейросеть #нейронка #ArtificialIntelligence
1 минута
7 октября