Quantile regression using gradient boosted decision trees for daily residential energy load disaggregation
Notice bibliographique
Résumé
Abstract The building sector is responsible for approximately one-third of the total energy consumption, worldwide. This sector is undergoing a major digital transformation, buildings being more and more equipped with connected devices such as smart meters and IoT devices. This transformation offers the opportunity to better monitor and optimize building operations. In the province of Quebec (Canada), most buildings are equipped with smart meters providing electricity usage data every 15 minutes. A current major challenge is to disaggregate the different energy use from smart meter data, a discipline called non-intrusive load monitoring in literature. In this work, the aim is to develop and validate a potentially generalizable model for all houses that identifies the daily share of each energy use based on building information, weather data and smart meter data. Input features are selected and ordered using an aggregated score composed of the correlation coefficient, the feature importance given by a decision tree, and the predictive power score. Two modelling methods based on quantile regression are tested: linear regression (LR) and gradient boosted decision trees (GBDT). Compared to ordinary least squares regression, quantile methods inherently provide more robustness and confidence intervals. Both models are trained and validated using separate datasets collected in 8 houses in Canada where metering and sub-metering were performed during a whole year. Results on the test dataset indicate a better performance of the GBDT model, compared to the LR model, with a coefficient of determination of 0.88 (vs. 0.78), a mean absolute error of 6.34 % (vs. 8.89 %) and a maximum absolute error between the actual and predicted values in 95 % of the cases of 17.2 % (vs. 23.1 %).
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 | 0,001 |
| 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 ».