Details

Работа посвящена решению задачи повышения эффективности управления спросом (DSM) в интеллектуальных энергосистемах (Smart Grids) за счёт перехода от единого подхода к персонализированному управлению потребителями. В качестве основного метода применяется кластеризация временных рядов энергопотребления. На основе анализа реальных данных (UKDALE) проведена предобработка, включающая агрегацию, нормализацию и извлечение признаков, таких как пиковая нагрузка, время пика и энтропия. Протестированы и сравнены алгоритмы кластеризации, включая K-means, k-shape и метод DTW, с использованием метрик Silhouette и Davies-Bouldin для оценки качества кластеров. В результате потребители сегментированы на однородные группы (кластеры) с характерными профилями нагрузки, такие как «вечерние пики», «ночные потребители», «стабильные» . Для каждого кластера разработаны целевые DSM-стратегии, включая сдвиг нагрузки, информирование, управление аккумуляторами и прямое управление. Моделирование эффекта от применения стратегий показало значительное снижение пиковой нагрузки. Разработан прототип системы с архитектурой, включающей модуль кластеризации и интерфейс для визуализации и рекомендаций, что подтверждает практическую применимость подхода. Результаты работы демонстрируют потенциал персонализированного управления для повышения гибкости энергосистемы и снижения капитальных затрат.

This work addresses the challenge of improving the efficiency of Demand-Side Management (DSM) in smart grids by shifting from a one-size-fits-all approach to personalized consumer management. The primary method employed is the clustering of electricity consumption time series. Based on the analysis of real-world data (UKDALE), data preprocessing was conducted, including aggregation, normalization, and feature extraction, such as peak load, time of peak, and entropy. Clustering algorithms, including K-means, k-shape, and the DTW method, were tested and compared using Silhouette and Davies-Bouldin metrics to evaluate cluster quality. As a result, consumers were segmented into homogeneous groups (clusters) with characteristic load profiles, such as "evening peak," "nocturnal consumers," "stable" . Targeted DSM strategies have been developed for each cluster, including load shifting, consumer notification/information campaigns, battery storage management, and direct control. Modeling the effect of applying these strategies showed a significant reduction in peak load. A system prototype was developed with an architecture comprising a clustering module and an interface for visualization and recommendations, confirming the practical applicability of the approach. The results demonstrate the potential of personalized management for increasing power system flexibility and reducing capital expenditures.