Evaluation of Two Novel Supervised Non-Intrusive Load Monitoring Techniques
Notice bibliographique
Résumé
Non-intrusive Load Monitoring (NILM) is a critical tool in energy management which allows disaggregating total electricity consumption into individual appliance-level energy consumption within a household or commercial setting, all without the need for intrusive monitoring devices. NILM empowers consumers, utilities, and researchers to gain a deeper understanding of how electricity is utilized, aiding in energy conservation, billing, and load optimization. This paper introduces two pioneering supervised NILM models designed to enhance load disaggregation accuracy and versatility in both tertiary and residential environment. The first model presented in this research is a machine learning model which employs a unique fusion of Bayesian optimization technique over ensemble learning approach. The Machine Learning based ensemble approach leverages the complementary strength of six different regressor techniques and the Bayesian optimization technique optimizes various parameters of the regressors. Thus, this proposed machine learning model effectively enhances the NILM system's adaptability to various electrical environments and scenarios. The second model adopts a Deep Learning technique based on Temporal Convolutional Network architecture for NILM regression task by efficiently capturing temporal dependencies of the sequential NILM data. The models were evaluated based on two energy consumption data collected from a tertiary (university laboratory) and a residential setting. The preliminary results of the novel approaches indicate substantial improvements in load disaggregation accuracy when compared to recent benchmarking NILM techniques.
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 ».