需求响应 (DR) 计划鼓励电网用户在高峰时段减少电力消耗，从而减轻电网负荷并减少 CO 2 排放。然而，它作为一种实用方法的潜力仍未得到证实。现在，来自光州科技研究院的科学家提出了一种基于 AI 的方法，可以根据现实世界的用户行为来估计每个家庭的 DR 潜力，证明 DR 计划对客户、供应商和环境都有益。

电网几乎总是超大尺寸以满足能源需求的短暂激增。简而言之，发电站需要有多余数量的发电机才能在高峰时段提供电力。这种电力供需的不匹配以及发电站的低效运行导致更高的二氧化碳(CO 2)排放量。此外，越来越受欢迎的屋顶太阳能电池板等分布式能源只会加剧供需不匹配。

幸运的是，通信技术已经开启了解决这个问题的巧妙策略：需求响应 (DR) 计划。在该计划中，通过降低预计高峰时段以外的电价并提前告知消费者价格，激励用户在高峰时段减少用电。此外，它们可以与分布式能源资源的管理相集成，以便在必要时从电网中移除负载。

然而，很少有研究专注于使用真实世界的用户行为数据来估计 DR 计划的潜在好处。为此，韩国光州科学技术研究院 (GIST) 的一组科学家开发了一种基于人工智能 (AI) 的新型方法，该方法可以分析和提取电网用户在每户能源消耗方面的行为。在他们发表在IEEE Transactions on Smart Grid 上的论文中，作者描述了一个数据驱动的框架，该框架估计每个家庭的最佳 DR 管理，同时考虑到用户设备和行为模式以及预测的分布式能源发电量。来源。

研究人员使用来自现实世界的数据通过模拟测试了他们的模型。“在我们的模拟中，我们考虑并量化了与每个家庭的家用电器动态相关的用户不适程度，然后用它来估计最佳 DR 潜力，”该研究的负责人Jinho Kim教授解释说。该团队还计算了 DR 计划在减少 CO 2排放和管理燃煤发电机的成本方面的潜在贡献。

总体而言，这项研究展示了如何利用人工智能来改善我们的电力消耗，实现更低的价格和更小的碳足迹。“我们的结果表明，基于大数据的分析可用于将有关家庭能源需求的信息转换为大规模的综合资源，”Kim 教授强调说。“我们相信这项技术可以进一步扩展，以提高其他行业的效率和耦合度，包括水、热、气和电动汽车行业。”