A research agenda for making the smart grid a reality.

Non-intrusive appliance load monitoring is the process of disaggregating a household's total electricity consumption into its contributing appliances. In this paper we propose an approach by which individual appliances can be iteratively separated from an aggregate load. Unlike existing approaches, our approach does not require training data to be collected by sub-metering individual appliances, nor does it assume complete knowledge of the appliances present in the household. Instead, we propose an approach in which prior models of general appliance types are tuned to specific appliance instances using only signatures extracted from the aggregate load. The tuned appliance models are then used to estimate each appliance's load, which is subsequently subtracted from the aggregate load. This process is applied iteratively until all appliances for which prior behaviour models are known have been disaggregated. We evaluate the accuracy of our approach using the REDD data set, and show the disaggregation performance when using our training approach is comparable to when sub-metered training data is used. We also present a deployment of our system as a live application and demonstrate the potential for personalised energy saving feedback.

Central to the vision of the smart grid is the deployment of smart meters that will allow autonomous software agents, representing the consumers, to optimise their use of devices and heating in the smart home while interacting with the grid. However, without some form of coordination, the population of agents may end up with overly-homogeneous optimised consumption patterns that may generate significant peaks in demand in the grid. These peaks, in turn, reduce the efficiency of the overall system, increase carbon emissions, and may even, in the worst case, cause blackouts. Hence, in this paper, we introduce a novel model of a Decentralised Demand Side Management (DDSM) mechanism that allows agents, by adapting the deferment of their loads based on grid prices, to coordinate in a decentralised manner. Specifically, using average UK consumption profiles for 26M homes, we demonstrate that, through an emergent coordination of the agents, the peak demand of domestic consumers in the grid can be reduced by up to 17% and carbon emissions by up to 6%. We also show that our DDSM mechanism is robust to the increasing electrification of heating in UK homes (i.e., it exhibits a similar efficiency).

The use of energy storage devices in homes has been advocated as one of the main ways of saving energy and reducing the reliance on fossil fuels in the future Smart Grid. However, if micro-storage devices are all charged at the same time using power from the electricity grid, it means a higher demand and, hence, requires more generation capacity, results in more carbon emissions, and, in the worst case, breaks down the system due to over-demand. To alleviate such issues, in this paper, we present a novel agent-based micro-storage management technique that allows all (individually-owned) storage devices in the system to converge to profitable, efficient behaviour. Specifically, we provide a general framework within which to analyse the Nash equilibrium of an electricity grid and devise new agent-based storage learning strategies that adapt to market conditions. Taken altogether, our solution shows that, specifically, in the UK electricity market, it is possible to achieve savings of up to 13% on average for a consumer on his electricity bill with a storage device of 4 kWh. Moreover, we show that there exists an equilibrium where only 38% of UK households would own storage devices and where social welfare would be also maximised (with an overall annual savings of nearly GBP 1.5B at that equilibrium).

An increasing number of treatment failures with current pharmaceutics, as well as a lack of a vaccine, demonstrates the need to develop new treatment options for leishmaniasis. Herein, we describe the synthesis and in vitro analysis of 24 disquaramide compounds targeting the

Studying animal culture has been crucial for understanding the complexities of knowledge transmission and tracing human culture's evolutionary origins. Defined as the use of tools to provide clear practical benefits to individuals, well-documented examples of material culture include nut-cracking and termite fishing in chimpanzees. Additionally, there is growing interest in animal social traditions, which appear crucial for social interaction and group cohesion. We have previously documented such a tradition, in which chimpanzees copied inserting blades of grass in their ears from one persistent inventor. Now, over a decade later, we have observed an unrelated group of chimpanzees where 5/8 individuals began wearing grass in their ears and 6/8 from their rectums. As of 2024, one newly introduced chimpanzee has adopted the grass-in-ear behavior. Given that the behaviors were not observed in seven other groups in the same sanctuary ( N =148), we conclude that social learning of arbitrary behavior occurred and discuss our findings considering the larger scope of animal culture.