Implementation of non-intrusive appliances load monitoring (NIALM) on k-nearest neighbors (k-NN) classifier
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Nonintrusive Appliance Load Monitoring (NIALM) is used to analyze individual’s house energy consumption by distinguishing variations in voltage and current of appliances in a household. The method identifies load consumption of each appliance from the aggregated home energy consumption. NIALM will also provide information of load consumptions of each appliance by indirectly detecting the abnormal changes of appliance usage. The proposed NIALM approach is based on features extraction from load consumptions measurements of electrical power signals in order to classify appliance’s state of operation. In this work, we have improved the identification accuracy and the detection of appliances based on their operational state by employing Machine Learning (ML) technique; namely k-nearest neighbor (k-NN) classification algorithm. The dataset used to perform this process is from the publicly available (PLAID) of power, voltage and current signals of appliances from several houses. This is used as benchmark data set. The PLAID dataset is collected and processed for each appliance and our classification results based on k-NN algorithm achieved high accuracy and is able to gain cost-effective solution. In addition, the result shows that k-NN classifier is a proven as an efficient method for NIALM techniques when compared with other proposed different ML options. Based on the used dataset, the average F-score measure obtained using the k-NN classifier is 90%. Possible reasons behind these findings are discussed and areas for further exploration are proposed.
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.
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 | 0,001 |
| 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 découle