基于组合在线学习的负荷聚合实时控制平台 本平台要解决的是，在实施聚合控制时，由于不确定因素太多，因此需要在用电负荷聚合调节过程中，进行动态调节使大量负荷聚合后，对电力系统运行表现出可靠的运行特性。在大约100台智能终端的环境下，该平台可以实现响应速度小于1分钟的动态控制，聚合误差小于总容量的2%。 本方案采用与传统方法不同的技术路线，放弃采用复杂的数学模型描述负荷和用户的不确定性与随机性，转而从负荷聚合效果的角度出发，利用组合在线学习的方法，根据智能物联网终端的实时反馈信息，动态学习用户实时模型与预测的误差，实现更稳定更可靠聚合效果。 奕星能源科技的解决方案基于组合在线学习实现负荷聚合控制方法，如图9所示。将组合在线学习方法常用的目标由最大化整体收益改进为最小化整体误差，并对主流的UCB和CUCB的资源配置策略进行相应更新设计，提出有理论性能保证的算法。值得注意的是，本方案的理论研究成果已在团队核心成员参与的负荷聚合控制试点项目中进行实际测试，验证其有效性，并有望通过调校进一步提升其性能。

考虑对原有功能影响的聚合效果预测平台 本平台要解决的是，针对所有接入终端的用户，根据前面聚合模型，动态测算每个终端负荷的可调容量，并对整片接入区域的负荷总体可调节量进行有效的预测。实时聚合负荷能够提供的调节量会随外界环境及负荷运行状态等因素变化。了解实时聚合负荷能够提供的调节量及其对原有功能的影响对于系统调度意义重大。在大于100台终端的情况下，该平台可将聚合效果预测的误差控制在20%以内。 奕星能源科技的解决方案利用智能终端采集的历史用能数据，结合气候数据、节假日、峰谷时间等信息，通过分布分析方法与半参数回归方法，对每一个负荷建立用能模型。这里需要特别注意的是，方案通过半参数回归方法分离例如多云天日照辐射等一类因素的影响，聚焦负荷用能模型本身的建立。随后，整合已分离好的偶发气候因素，构建聚合控制时其原有功能受到影响的模型。 方案提出的考虑对原有功能影响的聚合效果预测方案如图8所示，拟结合区域聚合方案优选中确定的控制方法，利用实时气候信息、负荷运行情况、用户行为的历史数据，通过神经网络模型对每一个用户参与聚合后的行为进行预测。结合先前建立的负荷用能模型，通过蒙特卡洛仿真，研究不同调节目标预测下聚合效果的可靠性及其对原有功能的整体影响。

计及区域特征的聚合控制模式优选平台 该平台所要解决的问题是，针对不同地区、不同用户、以及用电习惯等数据，计算出最佳的智能终端控制模式。这样，后期在系统进行电力聚合控制时，不会对各类用户的体验度造成较大变动。在用户不知不觉中就实现了电力负荷的聚合。该平台将能够提升原有负荷聚合潜力15%以上。 该平台整合地理信息、人口结构和用能特性三组数据，将分布分析、相关性分析与基于局部特征值密度的聚类算法相结合，并利用核心团队成员前期已搜集的试点实验数据与问卷调查中不同区域用户对于负荷聚合控制、补贴方法等的偏好，从多源异构数据中筛选决定用户偏好的关键特征。 奕星能源科技提出的计及区域特征的聚合控制模式如下图所示。以决定用户偏好的关键特征为基础，针对目标区域，刻画包括温度调节、关断调节、占空比调节、消息通知等在内不同控制方案下用户行为的集群画像；并针对各控制方案，通过回归模型定量分析、研究用户对原有功能影响容忍度、价格敏感度等关键因素；进而评估在目标区域推行各类负荷聚合方案对于运行成本、用户接入率与满意度等方面的影响。

本项目以一套物联网智能控制终端与一套物联网信息安全系统为基础，建立了三大关键平台，包括了计及区域特征的聚合控制模式优选平台、考虑对原有功能影响的聚合效果预测平台和基于组合在线学习的负荷聚合实时控制平台，实现了全方位高性能的负荷聚合管理，整个系统的工作原理及相互关系如下图所示 智能插座是公司自主研发的具有代表性的用户侧电力物联网智能终端设备。相关耗电设备（例如空调）在接入我们的智能插座后，相关用电数据和用电习惯等信息均会被记录，并上传至云平台。基于通过智能插座上传的数据，结合公司自主研发的三大云平台实现至平台系统的数据，海量负荷的调节控制，完美配合电力公司的运行需求，提升运行效率，可靠性和安全性。我们可以实时监控、预测并调节用电设备的用电量，以保证电网公司的安全稳定运行，同时，为用电客户节约电能，降低用电成本。

智能插座是公司自主研发的具有代表性的用户侧电力物联网智能终端设备。相关耗电设备（例如空调）在接入我们的智能插座后，相关用电数据和用电习惯等信息均会被记录，并上传至云平台。基于通过智能插座上传的数据，结合公司自主研发的三大云平台实现至平台系统的数据，海量负荷的调节控制，完美配合电力公司的运行需求，提升运行效率，可靠性和安全性。我们可以实时监控、预测并调节用电设备的用电量，以保证电网公司的安全稳定运行，同时，为用电客户节约电能，降低用电成本。