في السنوات الأخيرة، نالت أساليب تحليل الحمل ومراقبة الحمل غير التطفلية (NILM) اهتمامًا واسعًا من أجل تحسين أنظمة إدارة الطاقة، وأصبحت أدوات حاسمة لتحقيق كفاءة الطاقة وتحليل استهلاك الطاقة. ومع ذلك، تواجه أساليب NILM الحالية تحديات في التعامل بدقة مع الأجهزة التي تحتوي على حالات تشغيل متعددة وتعاني من انخفاض الدقة وسوء الكفاءة الحسابية، خصوصًا في نمذجة الاعتمادية الطويلة الأجل وأنماط تحميل الأجهزة المعقدة. تقترح هذه المقالة نموذج NILM محسن يعتمد على المحولات. يستخدم النموذج أولاً شبكة عصبية تلافيفية (CNN) لاستخراج الميزات من تسلسل الإدخال ويستخدم بعد ذلك شبكة ذاكرة قصيرة وطويلة الأجل ثنائية الاتجاه (BiLSTM) لنمذجة الاعتمادية الطويلة الأمد. بعد ذلك، يتم استخدام عدة كتل محول لالتقاط الاعتمادية داخل التسلسل. للتحقق من فعالية النموذج المقترح، قمنا بتطبيقه على مجموعات بيانات الطاقة المنزلية الحقيقية: UK-DALE وREDD. مقارنةً بالنماذج غير المثلى، حسّن نموذجنا بشكل كبير درجة F1 بنسبة 24.5% و22.8%.
قام كونغ وآخرون (الأربعاء) بدراسة هذا السؤال.