A Very Deep One Dimensional Convolutional Neural Network (VDOCNN) for Appliance Power Signature Classification
Notice bibliographique
Résumé
Estimating appliance specific power consumption using a single measuring device, known as Non-Intrusive Load Monitoring (NILM), is a challenging Blind Signal source Separation (BSS) problem. For the past two decades, numerous mathematical and pattern recognition techniques, including Fractional Hidden Markov Model (FHMM), Gaussian Mixture Model (GMM) and Mean Shift Based Clustering Techniques (MSBCT) have been proposed to decompose the total power consumption of a household into appliance specific power signals. The measurement sampling rate, operating characteristic of individual appliances and an unknown number of mixed signals create a big challenge in separating them. The main challenge is to design an algorithm that can learn appliance features accurately, before applying the algorithm to disaggregate the main power signals. To address this problem, A Very Deep One dimensional Convolutional Neural Network (VDOCNN) for appliance power signature classification is proposed in this research. As a first step, we have applied VDOCNN in learning appliance features from a given set of labeled training data. VDOCNN has achieved accuracy up to 98% in detecting appliance from its power signature using a UK Domestic Appliance-Level Electricity (UK-DALE) dataset. Using this algorithm, we are working towards disaggregation of power signatures for different appliances from a single power signal in future research.
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 ».