Clustering and Interpretability of Residential Electricity Demand Profiles
Notice bibliographique
Résumé
Efficient energy management relies on uncovering meaningful consumption patterns from large-scale electricity load demand profiles. With the widespread adoption of sensor technologies such as smart meters and IoT-based monitoring systems, granular and real-time electricity usage data have become available, enabling deeper insights into consumption behaviors. Clustering is a widely used technique for this purpose, but previous studies have primarily focused on a limited set of algorithms, often treating clustering as a black-box approach without addressing interpretability. This study explores a wide number of clustering algorithms by comparing hard clustering algorithms (K-Means, K-Medoids) versus soft clustering techniques (Fuzzy C-Means, Gaussian Mixture Models) in segmenting electricity consumption profiles. The clustering performance is evaluated using five different clustering validation indices (CVIs), assessing intra-cluster cohesion and inter-cluster separation. The results show that soft clustering methods effectively capture inter-cluster characteristics, leading to better cluster separation, whereas intra-cluster characteristics exhibit similar behavior across all clustering approaches. This study assesses which CVIs provide reliable evaluations independent of clustering algorithm sensitivity. It provides a comprehensive analysis of the different CVIs' responses to changes in data characteristics, highlighting which indices remain robust and which are more susceptible to variations in cluster structures. Beyond evaluating clustering effectiveness, this study enhances interpretability by introducing two decision tree models, axis-aligned and sparse oblique decision trees, to generate human-readable rules for cluster assignments. While the axis-aligned tree provides a complete explanation of all clusters, the sparse oblique tree offers simpler, more interpretable rules, emphasizing a trade-off between full interpretability and rule complexity. This structured evaluation provides a framework for balancing transparency and complexity in clustering explanations, offering valuable insights for utility providers, policymakers, and researchers aiming to optimize both clustering performance and explainability in sensor-driven energy demand analysis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».