Accurate estimation of customer baseline load (CBL) is a key factor in the successful implementation of demand response (DR). CBL technologies implemented at utilities currently are primarily designed for large industrial and commercial customers. The U.S. Federal Energy Regulatory Commission (FERC) order 745 states that DR owners, including residential customers, can sell their load reduction in the wholesale market. However, since residential load is random and un-schedulable, this tends to inherently degrade the effectiveness of existing CBL technologies. In this paper, a novel SAE based CBL method for residential customers that uses the data reconstruction capability of a stacked autoencoder (SAE) is described. In the model, two SAEs are synchronously trained—one SAE generates a pseudo-load pool and the second one is used to select a pseudo-load to reconstruct a residential CBL. A support vector machine (SVM) classifier is self-trained to conduct the pseudo-load selection. The proposed strategy is validated using a real data set consisting of 328 residential customers’ smart meter readings. Benchmarks from other machine learning techniques and existing CBL methods are compared with the proposed method. Test results show that the accuracy of the residential CBL reconstruction significantly improves when compared with existing methods, such as HighXofY and exponential moving average.

中文翻译：

---

使用具有伪负载选择的堆叠自编码器估计住宅客户基线负载

准确估计客户基线负载 (CBL) 是成功实施需求响应 (DR) 的关键因素。目前在公用事业公司实施的 CBL 技术主要是为大型工业和商业客户设计的。美国联邦能源监管委员会 (FERC) 的第 745 号命令规定，包括住宅客户在内的 DR 所有者可以在批发市场上出售他们的减负荷。然而，由于住宅负载是随机且不可调度的，这往往会固有地降低现有 CBL 技术的有效性。在本文中，描述了一种用于住宅客户的新型基于 SAE 的 CBL 方法，该方法使用堆叠自编码器 (SAE) 的数据重建能力。在模型中，两个 SAE 被同步训练——一个 SAE 生成一个伪负载池，第二个用于选择一个伪负载来重建住宅 CBL。支持向量机 (SVM) 分类器经过自我训练以进行伪负载选择。所提出的策略使用由 328 个住宅客户的智能电表读数组成的真实数据集进行了验证。将来自其他机器学习技术和现有 CBL 方法的基准与所提出的方法进行比较。测试结果表明，与现有方法（如 HighXofY 和指数移动平均）相比，住宅 CBL 重建的准确性显着提高。所提出的策略使用由 328 个住宅客户的智能电表读数组成的真实数据集进行了验证。将来自其他机器学习技术和现有 CBL 方法的基准与所提出的方法进行比较。测试结果表明，与现有方法（如 HighXofY 和指数移动平均）相比，住宅 CBL 重建的准确性显着提高。所提出的策略使用由 328 个住宅客户的智能电表读数组成的真实数据集进行了验证。将来自其他机器学习技术和现有 CBL 方法的基准与所提出的方法进行比较。测试结果表明，与现有方法（如 HighXofY 和指数移动平均）相比，住宅 CBL 重建的准确性显着提高。