Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 Przegląd Elektrotechniczny

1 2022

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: nieinwazyjny monitoring obciążeń

Sortuj według:

Ogranicz wyniki do:

Non-intrusive load monitoring for appliance status determination using feed-forward neural network

Mohd Fazzil Nurul Afiqah, Ibrahim Ahmad Asrul, Shareef Hussain, Zulkifley Mohd Asyraf, Remli Muhammad Akma

Przegląd Elektrotechniczny

2022

R. 98, nr 4

27--32

Energy efficiency regulations and initiatives have been implemented as part of proactive actions to address the energy crisis that has arisen due to the increasing demand and depletion of resources. A load monitoring system is used to provide real-time data for appropriate feedbacks towards electricity savings. It can also be used to evaluate the effectiveness of the implementation of an energy management scheme. However, monitoring all individual appliances by installing an energy meter for each appliance will incur high installation and maintenance costs. Therefore, this work aims to determine the status of individual appliances from an aggregated measurement using non-intrusive load monitoring (NILM) based on a feed-forward neural network. The establishment of a NILM model has for main processes, including, data acquisition, pre-processing, training and performance evaluation. In the pre-processing, a new approach using threshold is introduced to identify the status of appliances based on their power consumption readings. The performance of the proposed approach is then evaluated and compared with the traditional logistic regression technique in terms of accuracy. The results show that the NILM using a feed-forward neural network outperformed the traditional logistic regression by 5.78%. Moreover, the proposed approach with threshold helped to improve the accuracy further by 19.1% as compared to the same learning algorithm without considering the threshold. Consequently, the overall performance is improved by almost 25% as compared to the logistic regression as presented in the previous work. Hence, it clearly shows that the status of individual appliances can be determined from measurements at the main meter using NILM based on a feed-forward neural network with high accuracy.

Regulacje i inicjatywy dotyczące efektywnosci energetycznej zostały wdrożone w ramach proaktywnych działań mających na celu zaradzenie kryzysowi energetycznemu, który powstał z powodu rosnącego popytu i wyczerpywania się zasobów. System monitorowania obciązenia słuzy do dostarczania danych w czasie rzeczywistym w celu uzyskania odpowiednich informacji zwrotnych dotyczących oszczędnosci energii ´ elektrycznej. Mozna go równie z wykorzystać do oceny skuteczności wdrożenia systemu zarządzania energią. Jednak monitorowanie wszystkich poszczególnych urządzen poprzez zainstalowanie licznika energii dla każdego urządzenia będzie wiązało się z wysokimi kosztami instalacji i konserwacji. Dlatego celem niniejszej pracy jest okreslenie stanu poszczególnych urządzen na podstawie zagregowanego pomiaru przy użyciu nieinwazyjnego monitorowania obciązenia (NILM) w oparciu o sieć neuronową ze sprzężeniem do przodu. Ustanowienie modelu NILM obejmuje główne ˙ procesy, w tym akwizycję danych, wstępne przetwarzanie, szkolenie i ocenę wydajnosci. W przetwarzaniu wstępnym wprowadza się nowe podejscie ´ wykorzystujące próg do identyfikacji stanu urządzen na podstawie ich odczytów zużycia energii. Wydajność proponowanego podejścia jest następnie oceniana i porównywana z tradycyjną techniką regresji logistycznej pod względem dokładnosci. Wyniki pokazują, ze NILM wykorzystujący sieć neuronową ze sprzężeniem do przodu przewyższał tradycyjną regresję logistyczna o 5,78%. Co więcej, zaproponowane podejscie z progiem pomogło jeszcze bardziej poprawic dokładność o 19,1% w porównaniu z tym samym algorytmem uczenia bez uwzględnienia progu. W rezultacie ogólna wydajność jest poprawiona o prawie 25% w porównaniu do regresji logistycznej przedstawionej w poprzedniej pracy. Stąd wyraźnie widać ze stan ˙ poszczególnych urządzeń mozna określić na podstawie pomiarów na głównym liczniku za pomocą NILM w oparciu o sieć neuronową ze sprzężeniem ˙ do przodu z duzą dokładnoscią.