[论文解读] Energy saving in smart homes based on consumer behaviour: A case study

Michael Zehnder, Holger Wache+3 more|arXiv (Cornell University)|Sep 18, 2015

Smart Grid Energy Management参考文献 10被引用 6

一句话总结

本文提出了一种基于机器学习的推荐系统，通过分析智能家居中的消费者行为模式，提出节能措施建议，同时不降低舒适度。利用Digitalstrom系统采集的事件数据，系统挖掘频繁且周期性的使用模式，将其转化为优先级排序的关联规则，并在检测到与最佳行为模式偏离时发出个性化建议，在真实案例研究中实现了可测量的节能效果。

ABSTRACT

This paper presents a case study of a recommender system that can be used to save energy in smart homes without lowering the comfort of the inhabitants. We present an algorithm that uses consumer behavior data only and uses machine learning to suggest actions for inhabitants to reduce the energy consumption of their homes. The system mines for frequent and periodic patterns in the event data provided by the Digitalstrom home automation system. These patterns are converted into association rules, prioritized and compared with the current behavior of the inhabitants. If the system detects an opportunities to save energy without decreasing the comfort level it sends a recommendation to the residents.

研究动机与目标

• 开发一种非侵入式、以行为为导向的智能家居节能系统，同时保持居住者的舒适度。
• 通过分析家庭能源消耗行为中的周期性和频繁模式，识别节能机会。
• 创建一个推荐系统，基于与最佳使用模式的偏离，提供个性化且可操作的建议。
• 通过真实家庭数据的实际部署，评估系统的有效性。

提出的方法

• 系统从Digitalstrom家庭自动化平台收集事件数据，捕捉电器和照明的使用模式。
• 应用频繁模式挖掘技术，识别家庭能源消耗中的重复性和周期性行为。
• 从这些模式中生成关联规则，以表示常见且高效的使用行为。
• 根据频率和潜在节能效果对规则进行优先级排序，形成最优行为的知识库。
• 系统将实时行为与基于规则的知识库进行比较，以检测偏离。
• 当检测到可能造成能源浪费的偏离时，向住户发送个性化建议。

实验结果

研究问题

• RQ1 如何有效挖掘智能家居中消费者的使用模式，以识别节能机会？
• RQ2 基于学习到的模式推荐行为改变，对实际家庭能源消耗有何影响？
• RQ3 是否可以在不降低住宅环境感知舒适度的前提下实现节能？
• RQ4 如何利用机器学习从原始事件数据中生成可操作的个性化建议？

主要发现

• 该系统通过检测真实家庭数据中与最佳频繁使用模式的偏离，成功识别了节能机会。
• 基于学习到的行为模式的个性化建议，实现了可测量的能源消耗减少，且未影响舒适度。
• 通过优先级排序的关联规则，系统能够聚焦于高影响力且频繁发生的行为，实现最大节能效果。
• 案例研究证明，基于行为的建议在真实智能家居环境中是有效的。