Dissertação
NILM Methods for low-frequency smart meter data EVALUATED
Neste trabalho, propusemos dois novos modelos de classificador variational autoencoder(VAE) e classificador temporal baseado em regras estatísticas para Desagregação de carga não intrusiva(NILM) não supervisionado de frequência muito baixa e testamos o método NILM de última geração (HiddenMarkovModel (HMM)) proposto para intervalo dados de 10s para Intervalo de dados de 10min. Adotamos modelo HMM para Factorial Hidden Markov Model (FHMM) para desagregar conjunto de eletrodomésticos do consumo total. Também propusemos e testamos um novo método de pós-processamento baseado em K-Nearest Neighbor (K-NN), abordagem ascendente e métodos de janela de tempo semelhantes. A verificação do modelo mostra que esses três modelos são bons o suficiente apenas para os aparelhos aquecedor de água aquecedor de ambiente para implantação no mundo real. Nossos dois métodos VAE e métodos baseados em regras estatísticas mostram desempenho superior e semelhante ao método HMM de última geração. Nossa análise detalhada mostra que alguns dos problemas de todos os três modelos podem ser resolvidos com a proposta de filtros de ruído sofisticados, preparação de dados, modelos de aparelhos dependentes e pós-processamento. Nosso novo pós-processamento provou melhorar o valor de recall e pontuação F1, mesmo quando seu valor é inferior a 0,1. Este método pode ser integrado a qualquer modelo NILM probabilístico. A validação do nosso modelo mostra que, para frequência muito baixa, o modelo não pode ser completamente não intrusivo e com alto desempenho. Os resultados indicam que a NILM precisa de inovação tecnológica e inovação empresarial para ganhar confiança e entrar no mercado.
dezembro 21, 2021, 9:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
