A Parallel Bidirectional Long Short-Term Memory Model for Energy Disaggregation
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
Non-intrusive load monitoring (NILM) is an elegant solution for monitoring energy consumption. Essentially, it only requires a set of voltage and current sensors to be installed at the electrical entry point for load disaggregation. However, the main challenge of NILM is to accurately analyze the aggregate load data and determine the electrical consumption of each appliance. Recently, there have been some deep learning (DL) techniques proposed for NILM. These include deep convolutional neural networks (DCNNs), gated linear unit and residual network (GLU-Res), bidirectional long short-term memory (BLSTM), and autoencoder (AE). Generally, they can outperform some of the existing NILM models such as factorial hidden Markov model. Nevertheless, some of these DL methods cannot handle well on multi-state appliances, appliances with sparse patterns, and appliances with rapid changing patterns. This article proposes a new NILM model, which involves parallel convolution neural networks and BLSTM layers. Moreover, a feature extractor is proposed to unmask useful statistical features from aggregate signals to improve the learning capability of the network. The benchmark dataset REDD was used for testing the proposed method and the state-of-the-arts such as DCNN, GLU-Res, BLSTM, and AE. The results indicate that the proposed method can successfully outperform those methods.
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 | 0,000 |
| 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 découle