An artificial intelligence‐based non‐intrusive load monitoring of energy consumption in an electrical energy system using a modified K‐Nearest Neighbour algorithm
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
Abstract Energy profligacy and appliance degradation are the apex reasons accounting for the continuous rise in power wastage and high energy bills. The decline in energy conservation and management in residences has been largely attributed to the financial implications of using intrusive methods. This work aimed to resolve the challenges of intrusive load monitoring by introducing artificial intelligence and machine learning to optimise load monitoring. To solve this challenge, a non‐intrusive approach was proposed where modalities for load prediction and classification were achieved with a Bagging regressor and a modified multiclass K‐Nearest Neighbour algorithms. This developed supervised learning models produced a 0.9624 R 2 score and 78.24% accuracy for prediction and classification, respectively, when trained and tested on a Dutch Residential Energy Dataset. This work seeks to provide a cost‐effective approach to the optimisation of energy using steady state active power features. Essentially, the adoption of this non‐intrusive technique for load monitoring would effectively aid customers on the distribution network save cost on energy bills, facilitate the detection of faulty appliances, provide recommendations for smart homes and buildings with the required information for efficient decision making and planning of energy needs. In the long term, easing the pressure on power generation to meet demand would translate to reduction in carbon emissions based on a wide‐scale implementation of this proposed system. Hence, these are important parameters in realising the development of smart sustainable cities and sustainable energy systems in this current industrial revolution.
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 | 0,001 | 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