- Imprimer
- Partager
- Partager sur Facebook
- Partager sur LinkedIn
Le 18 novembre 2026
Exploitant les courbes de charges résidentielles produites par l’OTE, un nouvel article publié dans la revue Engineering Applications of Artificial Intelligence propose un cadre d’évaluation pour le « clustering » de séries temporelles, avec une application à la classification des courbes de charges résidentielles.
Ahir, R. K., Delinchant, B., & Easwaran, A. (2026). Time-series clustering: A benchmark study on energy data with insights into demand response. Engineering Applications of Artificial Intelligence, 163, 112892. DOI:10.1016/j.engappai.2025.112892
Les auteurs exploitent les données de consommation à la fois en tant que séries temporelles, mais aussi leurs caractéristiques extraites telles que la consommation en heure de pointe. Différentes techniques de clustering sont mises en œuvre (K-Means, Hierarchique, Self Organized Map, Fuzzy C-Means, …), associées à plusieurs métriques de similarité (distance euclidienne, dynamic time wraping, corrélation croisée), puis qualifié par différents scores (Silhouette, DB score, CH score).
Les contributions principales sont (1) la formalisation d’une approche ensembliste et (2) la création d’un score de stabilité, afin de fournir une classification robuste des courbes de charge.
Date
- Imprimer
- Partager
- Partager sur Facebook
- Partager sur LinkedIn