Robust Non-Intrusive Load Monitoring (NILM) with unknown loads
Notice bibliographique
Résumé
A Non-Intrusive Load Monitoring (NILM) method, robust even in the presence of unlearned or unknown appliances (UUAs) is presented in this paper. In the absence of such UUAs, this NILM algorithm is capable of accurately identifying each of the turned-ON appliances as well as their energy levels. However, when there is an UUA or set of UUAs are turned-ON during a particular time window, proposed NILM method detects their presence. This enables the operator to detect presence of anomalies or unlearned appliances in a household. This quality increases the reliability of the NILM strategy and makes it more robust compared to existing NILM methods. The proposed Robust NILM strategy (RNILM) works accurately with a single active power measurement taken at a low sampling rate as low as one sample per second. Here first, a unique set of features for each appliance was extracted through decomposing their active power signal traces into uncorrelated subspace components (SCs) via a high-resolution implementation of the Karhunen-Loeve (KLE). Next, in the appliance identification stage, through considering power levels of the SCs, the number of possible appliance combinations were rapidly reduced. Finally, through a Maximum a Posteriori (MAP) estimation, the turned-ON appliance combination and/or the presence of UUA was determined. The proposed RNILM method was validated using real data from two public databases: Reference Energy Disaggregation Dataset (REDD) and Tracebase. The presented results demonstrate the capability of the proposed RNILM method to identify, the turned-ON appliance combinations, their energy level disaggregation as well as the presence of UUAs accurately in real households.
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 ».