.png){kind=icon}
返回
DETeCT: Data-efficient low-carbon technology classification for multiclass targets
.png){kind=icon}
PRE
AI
DOI：10.1016/j.segan.2026.102518.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过热泵、电动汽车和屋顶太阳能对住宅能源使用进行电气化，增加了电力需求和发电的波动性与异质性。对于系统运营商和电力市场参与者而言，及时获取家庭技术采纳信息至关重要，但往往不可得。本文探讨了在现实数据约束下，智能电表数据能否用于推断低碳技术（LCT）的采纳情况。我们评估了针对每个家庭的短期观测窗口（几周或几个月）是否足以预测详细的技术采纳群体。利用公开的、匿名的2400个弗拉芒家庭的15分钟智能电表数据（在八种组合LCT采纳群体中均匀分布），我们应用特征工程，并结合在多个时间聚合层级上训练的随机森林和极端梯度提升分类器的堆叠集成方法。年度数据结果显示出较强的预测性能，宏观平均F1分数最高达0.75，能够可靠地检测电动汽车、热泵和屋顶太阳能的复杂组合采纳。关键在于，仅凭每户连续六个月的数据即可实现对大多数类别的准确检测。我们的开源模型表明，复杂的LCT组合可以从有限的消费数据中有效检测，平衡了预测性能、时效性和计算复杂度。我们通过一个更大的弗拉芒家庭专有数据集验证了外部有效性，该数据集使用行政记录进行人工标注，宏观平均F1分数提升至约0.79。
Keyword:
Distributed energy resources
Load profile analysis
Ensemble classification
Technology detection
Smart meter data
Electric vehicles
Heat pumps
