Kernekoncepter
提案された深層学習とエッジコンピューティングアプローチは、NILM問題を解決し、家電の識別を可能にします。
Resumé
この記事では、非侵襲的負荷監視(NILM)やエネルギー分解技術に焦点を当てています。提案されたseq2-[3]-point CNNモデルは、家庭用NILM問題とサイトNILM問題を解決するために使用されました。また、WaveletとSTFTに基づく2D電気シグネチャのカスタムデータセットを使用して家電の識別も行われました。さらに、個々の家電機器の健康状態についても基本的な定性推論が行われました。
エネルギー分解技術
NILMは個々の消費者向け電子機器の負荷プロファイルを抽出することを目指す。
NILMはスマートホームで新しい省エネ計画を実現する鍵である。
G. W. Hartが最初に考案したNILMアルゴリズムは4つの主要なステップから成り立っている。
アプライアンス識別
Wavelet変換とSTFT変換を組み合わせた2Dデータセットが生成された。
ResNet18およびAlexNetなどのCNNモデルが使用されてアプライアンスの識別が行われた。
DenseNet-121モデルは低い学習率で最高精度を達成した。
家庭用NILM結果
家庭用NILMでは提案されたDLモデルが高い精度を達成し、各家電機器ごとに86.58%から94.6%まで変動した。
ディッシュウォッシャーと電子レンジに対するDLモデルのパフォーマンス評価では、予測された負荷プロファイルが実際の負荷プロファイルに密接に従っていることが示唆された。
サイトNILM結果
サイトNILMでは提案されたseq2-[3]-pointモデルが81%のテスト精度を達成した。
アプライアンス識別結果
ResNet18およびAlexNetでは88.9%、DenseNet-121では86.17%〜88.9% の精度が達成された。
Statistik
最大精度: 94.6%
サイトNILMテスト精度: 81%
アプライアンス識別最高精度: 88.9%