Resumen

Controlar el consumo de electricidad en el hogar es una forma importante de ayudar a reducir el uso de energía. La monitorización no intrusiva de la carga (NILM) es una técnica existente que nos ayuda a monitorizar el consumo de electricidad de forma eficaz y costosa. La NILM es un enfoque prometedor para obtener estimaciones del consumo de energía eléctrica de aparatos individuales a partir de mediciones agregadas de tensión y/o corriente en el sistema de distribución. Entre los estudios anteriores, se han estudiado mucho los modelos basados en el Modelo de Markov Oculto (HMM). Sin embargo, el aumento de electrodomésticos, el multiestado de los electrodomésticos, y el consumo de energía similar de los electrodomésticos son tres grandes problemas en NILM recientemente. En este artículo, abordamos estos problemas mediante las siguientes contribuciones. En primer lugar, proponemos una desagregación de energía de última generación basada en un modelo de red neuronal recurrente de memoria a corto plazo (LSTM-RNN) y un aprendizaje profundo avanzado adicional. En segundo lugar, propusimos una firma novedosa para mejorar el rendimiento de clasificación del modelo propuesto en el caso de los aparatos multiestado. Aplicamos el modelo propuesto en dos conjuntos de datos como UK-DALE y REDD. A través de nuestros resultados experimentales, hemos confirmado que nuestro modelo supera al modelo avanzado. Por lo tanto, demostramos que nuestra combinación entre el aprendizaje profundo avanzado y la nueva firma puede ser una solución robusta para superar los problemas de NILM y mejorar el rendimiento de la identificación de la carga.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:aprendizaje profundo avanzado, consumo de electricidad, modelo propuesto, firma novedosa, nilm, memoria recurrente neural, consumo de energía similar, caso de electrodomésticos multiestado, medición de voltaje, términos de memoria recurrente
• Keywords:advanced deep learning, electricity consumption, proposed model, novel signature, nilm, memory recurrent neural, similar power consumption, multistate appliances case, measurement of voltage, terms memory recurrent