Bayesian Learning of Consumer Preferences for Residential Demand Response

در سال های آینده، مصرف کنندگان مسکونی با تعرفه های برق در زمان واقعی با قیمت های متفاوت روز به روز مواجه خواهند شد و صرفه جویی در انرژی صرفا نیاز به اتوماسیون است - یک سیستم پیشنهاد دهنده، که ترجیحات مصرف کننده را از اقدامات او یاد می گیرد. مصرف کننده یک سناریو از استفاده از لوازم خانگی را انتخاب می کند تا تعادل سطح راحتی و لایحه انرژی را در بر گیرد. ما پیشنهاد یک الگوریتم یادگیری بیزی برای تخمین عملکرد عملکرد راحتی را از تاریخ استفاده از دستگاه. در آزمایش های عددی با مجموعه داده های تولید شده از یک مدل شبیه سازی یک مصرف کننده در ارتباط با لوازم خانگی کوچک، الگوریتم از ابزارهای تجزیه و تحلیل محبوب رگرسیون بهتر است. رویکرد ما می تواند برای کنترل یک سیستم تهویه مطبوع و تهویه مطبوع گسترش یابد که مسئول آن تا نیمی از لایحه انرژی خانوار است.