高度な深層学習と新しいシグネチャに基づく非侵入型負荷監視

家庭内の電力消費を監視することは、エネルギー使用量を減らすための重要な方法です。非侵入型負荷監視 (NILM) は、電力消費を効果的かつコスト効率良く監視するための既存の技術です。NILMは、分配システム内の電圧および/または電流の集計測定から、個々の機器の電力消費量を推定する有望なアプローチです。過去の研究の中で、隠れマルコフモデル (HMM) に基づくモデルが非常に多く研究されています。しかし、機器の増加、機器の多状態、機器の類似した電力消費の3つの大きな問題が最近のNILMにおいてあります。本論文では、これらの問題に対して以下のように貢献を提供することで対処します。まず、長期短期記憶再帰型ニューラルネットワーク (LSTM-RNN) モデルに基づく最先端のエネルギー非集約化を提案しました。次に、多状態機器の場合に提案モデルの分類性能を向上させる新しいシグネチャを提案しました。提案モデルをUK-DALEとREDDという2つのデータセットに適用しました。実験結果により、提案モデルが先進的なモデルを上回ることを確認しました。このように、我々の高度な深層学習と新しいシグネチャの組み合わせがNILMの問題を克服し、負荷特定の性能を向上させるための堅実な解決策となることを示します。