A non-intrusive load monitoring system using multi-label classification approach
บทความในวารสาร
ผู้เขียน/บรรณาธิการ
กลุ่มสาขาการวิจัยเชิงกลยุทธ์
ไม่พบข้อมูลที่เกี่ยวข้อง
รายละเอียดสำหรับงานพิมพ์
รายชื่อผู้แต่ง: Buddhahai B., Wongseree W., Rakkwamsuk P.
ผู้เผยแพร่: Elsevier Ltd
ปีที่เผยแพร่ (ค.ศ.): 2018
Volume number: 39
หน้าแรก: 621
หน้าสุดท้าย: 630
จำนวนหน้า: 10
นอก: 2210-6707
eISSN: 2210-6707
ภาษา: English-Great Britain (EN-GB)
ดูในเว็บของวิทยาศาสตร์ | ดูบนเว็บไซต์ของสำนักพิมพ์ | บทความในเว็บของวิทยาศาสตร์
บทคัดย่อ
This paper proposes an experimental design process for the application of energy disaggregation using multi-label classification. The classification approach has recently shown to be a suitable representative model for treating data disaggregation in which the primary task is to identify or predict multiple load usage from aggregate data. The experiments were conducted by collecting basic electrical parameters from individual circuit branches of the load distribution in a house. Sets of data were analyzed through machine learning process to select the optimal set of parameters, learning algorithm and model parameter so that the system resulted from the learning process could deliver the optimal predictive performance for appliance loads. By taking the electrical parameters of current (I), real power (P), reactive power (Q), and power factor (PF) at every one-minute and employing RAkEL (RAndom k-labELsets) with Decision Tree as the multi-label classification algorithm together with the right model parameter configuration. F-score and prediction accuracy were evaluated as the predictive performance which found to be 97% and 99%, respectively, for high power appliances (water heater, Air-conditioner); 59% and 93%, respectively for lightings; finally, 75% and 92%, respectively for plug-outlet utilities. ฉ 2018 Elsevier Ltd
คำสำคัญ
Buildings energy management, Machine learning process, Multi-label classification, Non-intrusive load monitoring
ติดต่อสอบถามเพิ่มเติมได้ที่