Towards Feasible Solutions for Load Monitoring in Quebec Residences
Notice bibliographique
Résumé
For many years, energy monitoring at the most disaggregate level has been mainly sought through the idea of Non-Intrusive Load Monitoring (NILM). Nevertheless, a practical application of this concept in the residential sector should address the underlying concerns raised by the technical specifications of case studies. From one side, such an operation must handle common matters related to the essence of any NILM system. Although this aspect has been thoroughly investigated by basic research, it is limited to the properties of public datasets. On the other side, it must deal with specific concerns corresponding to uncommon situations. These circumstances impose further restrictions on existent NILM schemes, however, they have been overlooked due to the lack of pertinent databases to scrutinize. Accordingly, this paper presents applied research on a potential solution to NILM for Quebec residences. It carries out a relevant investigation into the multi-faceted nature of this problem in order to reveal barriers to feasible implementations in the context of Quebec. This work commences with a concise discussion about the NILM idea to highlight its essential requirements for a fruitful practice. Afterward, it provides a comparative statistical analysis to represent the specificity and potential challenges of the case study in accordance with NILM necessities. For this purpose, the examination exploits data from real-world measurement systems in the same and European regions. Subsequently, this study focuses on a load identification exercise by proposing a combinatory approach that utilizes the promise of sub-meter smart technologies to integrate the intrusive aspect of load monitoring with the non-intrusive one. The former is aimed at extracting overall heating demand from the aggregate one by a supervised procedure based on Deep Learning (DL) models while the latter is designed for disaggregating the residual load through an unsupervised process on the basis of clustering techniques. The results demonstrate that geographically-dependent cases create electricity consumption scenarios under which existing NILM methods can be questioned. From a realistic standpoint, this research elaborates on critical remarks to realize viable NILM systems, particularly, in Quebec houses.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| 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 | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».