Nieinwazyjna identyfikacja odbiorników energii elektrycznej z wykorzystaniem metod sztucznej inteligencji

• Autorzy: Bilski P.

Identyfikatory

DOI

10.15199/48.2016.11.47

Warianty tytułu

EN

Non-invasive identification of electrical appliances using artificial intelligence methods

• Języki publikacji: PL

Abstrakty

PL

The paper presents the electrical appliances identification method using artificial intelligence methods, based on the measurements of currents and voltages in the medium frequency band. To identify the change of the particular device state, the random forest and k Nearest Neighbours were proposed. The former is characterized by the high classification accuracy and the ability to work in the uncertainty conditions. The latter is based on the distance calculation, missing the machine learning stage. Experiments confirmed the usefulness of both methods to identify the selected appliances.

EN

W artykule przedstawiono zastosowanie metod sztucznej inteligencji do identyfikacji odbiorników energii elektrycznej na podstawie pomiarów prądu i napięcia w paśmie średnich częstotliwości. W celu klasyfikacji konkretnego urządzenia wybrano las losowy oraz metodę k Najbliższych sąsiadów. Pierwszy algorytm charakteryzuje się wysoką skutecznością oraz zdolnością do pracy w warunkach niepewności pomiarowej, drugi zaś to podejście oparte na obliczaniu odległości, nie wymagające procesu uczenia maszynowego. Badania wykazały wysoką skuteczność klasyfikacji wybranych odbiorników zapewnianej przez obie metody.

Słowa kluczowe

PL

sztuczna inteligencja; odbiorniki energii elektrycznej

EN

appliance identification; artificial intelligence

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2016
• Tom: R. 92, nr 11
• Strony: 191--194
• Opis fizyczny: Bibliogr. 7 poz., rys., tab., wykr

Twórcy

autor

Bilski P.

• Politechnika Warszawska, Instytut Radioelektroniki i Technik Multimedialnych, ul. Nowowiejska 15/19, 00-650 Warszawa

Bibliografia

• [1] H.-T. Yang, H.-H. Chang, C.-L. Lin, "Design a Neural Network for Features Selection in Non-intrusive Monitoring of Industrial Electrical Loads", Proc. 11th International Conference on Computer Supported Cooperative Work in Design, (Melbourne, Australia, 26-28 April 2007), pp. 1022-1027.
• [2] J. Z. Kolter and T. Jaakkola “Approximate Inference in Additive Factorial HMMs with Application to Energy Disaggregation”, Proceedings of the 15th International Conference on Artificial Intelligence and Statistics AISTATS, (La Palma, Canary Islands, 2012).
• [3] S. Alshareef W.G. Morsi, "Application of wavelet-based ensemble tree classifier for non-intrusive load monitoring", Proc. IEEE Electrical Power and Energy Conference EPEC, (London, 26-28 Oct. 2015), pp. 397-401.
• [4] J. Ham, Y. Chen, M. M. Crawford, J. Ghosh, "Investigation of the random forest framework for classification of hyperspectral data", IEEE Transactions on Geoscience and Remote Sensing, Vol. 43 ,No. 3, pp. 492-501, March 2005.
• [5] H. Jin, X.-N. Wang, F. Gao, J. Li, J.-M. Wei, "Learning decision trees using confusion entropy," Proc. International Conference on Machine Learning and Cybernetics, (Tianjin, China,14-17 July 2013), pp. 560-564.
• [6] L. Kuncheva, "Combining Pattern Classifiers. Methods and Algorithms," Wiley and Sons, New Jersey, 2004.
• [7] M.-L. Zhang,Z.-H. Zhou, "A k-nearest neighbor based algorithm for multi-label classification," IEEE International Conference on Granular Computing, Vol. 2, pp. 718 - 721, 25-27 July 2005.

Uwagi

Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.