TY -的A2 Doulamis Nikolaos AU -金,她非盟- Le Thi-Thu-Huong AU -金,Howon PY - 2017 DA - 2017/10/02 TI -不负载监控基于先进的深度学习和小说签名SP - 4216281六世- 2017 AB -监控电力消耗在家里是一个重要的方式来帮助减少能源使用。不干扰负荷监控(NILM)是现有技术帮助我们有效监控电力消耗和昂贵的。NILM是一种很有前途的方法来获得单个设备的电力消费的估计从聚合测量电压或电流的分配制度。在先前的研究中,基于隐马尔可夫模型(HMM)模型研究了。然而,增加设备,电器的多态,类似的设备功耗NILM最近的三大问题。在本文中,我们解决这些问题通过提供我们的贡献如下。首先,我们提出了最先进的能源崩溃基于长期短期记忆递归神经网络(LSTM-RNN)模型和其他先进的深度学习。其次,我们提出了一个新颖的签名来提高分类性能多态模型的设备情况。我们应用该模型对两个数据集,如UK-DALE和REDD。通过我们的实验结果,我们已经证实模型优于先进的模型。 Thus, we show that our combination between advanced deep learning and novel signature can be a robust solution to overcome NILM’s issues and improve the performance of load identification. SN - 1687-5265 UR - https://doi.org/10.1155/2017/4216281 DO - 10.1155/2017/4216281 JF - Computational Intelligence and Neuroscience PB - Hindawi KW - ER -