Assessing the Effectiveness of Supervised and Semi-supervised NILM Approaches in an Industrial Context
Notice bibliographique
Résumé
Non-Intrusive Load Monitoring (NILM) is a technique that aims to estimate the energy consumption and operational status of individual appliances in a building by analyzing only the aggregate power usage data. This technique plays a crucial role in demand-side management and energy conservation efforts by providing detailed information about the energy consumption patterns of individual appliances. Naturally, NILM is considered as a supervised problem, that is a Regression and Classification problem. Various Deep Neural Network models have recently been developed for NILM regression and classification tasks. However, training deep neural networks requires a significant amount of labeled data and collecting consumption data over a prolonged period exposes consumers to severe privacy risks. Hence semi-Supervised learning is also used for NILM. Furthermore, most NILM research uses datasets from the residential sector, and only a handful of research uses datasets from tertiary sectors. This paper comprehensively studies the performance of supervised and semi-supervised NILM algorithms based on a tertiary sector dataset named the GreEn-ER dataset. The semi-supervised deep learning NILM method performs classification tasks, whereas the supervised method performs classification and regression NILM tasks simultaneously. Based on the analysis, it is concluded that the presented NILM algorithms can yield satisfactory results using the tertiary sector's consumption dataset. Additionally, the ideal input parameters that facilitates the performance of the both NILM algorithms are also noted.
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 | 0,000 |
| 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 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 ».