Energy Disaggregation Using Radial Basis Function Neural Networks based on Deep Co Training Architecture
Notice bibliographique
Résumé
Non-Intrusive Load Monitoring (NILM) has emerged as a critical tool in energy management, offering a non- invasive means to disaggregate a building’s total electricity usage into appliance-level consumption. However, existing NILM approaches often require large labeled datasets, raising significant challenges in terms of dataset availability, privacy exposure, and computational burdens. This paper proposes a semi-supervised energy disaggregation approach using a Radial Basis Function Neural Network (RBFNN) within a Deep Co-Training framework. RBFNN’s fast convergence and robustness to noise address key practical issues in NILM research, such as limited labeling and the complexity of real-world power signals. Meanwhile, the co-training paradigm allows two neural networks to iteratively exchange pseudo-labels on unlabeled data, thus significantly reducing the need for extensive ground-truth annotations. We validate our approach on two public datasets, REDD and UK-DALE, disaggregating six household appliances. Experimental results demonstrate superior performance with improved Accuracy, Precision, Recall, and F1-score when compared with three state-of-the- art semi-supervised NILM methods. Our work underscores the utility of combining RBFNNs with deep co-training to address data scarcity, computational efficiency, and privacy concerns, ultimately facilitating broader deployment of NILM solutions for energy conservation and sustainability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».