处理电网的自适应消费需求管理平台

文摘

消费在家庭和工作场所的控制是一个越来越重要的方面如果我们考虑智能城市的日益流行,可再生能源使用的不断增加,欧盟的政策在有效利用能源和清洁。这些因素使得有必要有一个系统,能够预测哪些设备连接到一个电网络。需求管理,系统还必须能够控制这些设备的电源。为此,我们建议使用多重代理系统,包括代理与先进的推理和学习能力。更具体地说,代理将案例推理系统和机器学习技术。除此之外,专业的多重代理系统包括代理管理数据的获得和电气设备。目的是调整网络的电力消费电子需求,这将由代理自动检测设备。该系统提供了有前景的结果;它能够预测哪些设备连接到电网的高成功率。系统的精度可以根据系统中设备的偏好建立。 This allows for adjusting the consumption to the current demand situation, without the risk of important home appliances being switched off.

1。介绍

作为德Baets et al。1报告在他们的论文中,欧盟成员国在2014年10月达成协议,他们2030年设定的目标。这些目标与减少污染和获得更清洁,更高效的能源。这意味着可再生能源的使用应该增加在下一年。然而,这些变化也意味着某些挑战;其中一个是电力生产的调整需求。这就是为什么消费管理起着非常重要的作用在电力网络和它成为智能电网的一个重要方面。生产非常多样化的来源和地理分布,所以它是更复杂的电网稳定条件。由于这些原因,有必要创建一个系统,允许自动管理消费,调整生成的能源需求的每一刻,因为短期生产的管理不是可行的。需要一个自动消费管理系统提出了反映在各种各样的设备,近年来在电网络分析消费。我们生活在一个信息时代,数据是非常宝贵的,因为知识可以从模型中提取。 For example, a system can obtain the consumption data of a house and analyze it in order to detect behaviour patterns and identify the devices that are connected to that house’s electric network. To be able to manage the data of a measurement device a multiagent system has to be implemented.

直到现在一些研究已经出版解决这个问题。他们都集中在识别设备连接到电动网络采用基于不负载监控的一系列技术(NILM);他们中的大多数是标准算法的改进版本。虽然NILM技术使用在其他作品中,我们使用不同的测量设备在我们的建议从每一行中提取消费数据连接到电网,这简化了电器的识别和优化系统的性能。

出于这个原因,我们提出一个分布式系统,能够与不同的测量系统,获得消费数据读取。通过分析和提取重要特征从这些测量系统提供的数据,该系统将能够识别设备或设备连接到电网。同时,系统将能够作用于每一个线连接到测量设备。

此外,该系统利用可替换主体技术,为分布式体系结构提供了代理商开展不同,最终系统的特定任务。多重代理系统允许创建独立的实体,以协调的方式工作,提供移动等特性,动态行为(创建代理的系统能够动态;这一特性使得它可以修改系统的目标和行为),联邦的服务,和高级通信通过消息队列的透明管理。这种架构可以执行不同的任务在一个协调的方式,提高系统的学习和适应能力。有很多代理不同的角色;代理商之一,例如,负责与测量设备和测量数据的获取。还有一个代理提取家电的激活时间数据通过不同的代理,另一个提取激活时期的主要特征。此外,其中一个代理标识连接到佩带的家用电器。最后,我们有一个代理负责作用于不同的线连接到测量系统。这些代理行为智能电表线路或智能插座以中断这些设备的电源; in this way demand can be managed.

该系统将识别家电通过使用不同监督机器学习算法。验证方案,系统将使用几个算法基于决策规则,决策树、神经网络、基于贝叶斯定理和算法和基于案例的学习。这些方法创建测试数据集,本研究的目的。为了创建数据集,随后指纹算法的原则。指纹方法利用声音的马克西姆斯之间的距离因为在这些点声音纯净。在创建数据集时,激活的马克西姆斯时期被用来提取他们的一些特征和识别不同的算法。这让我们对设备的行为获取知识。这些知识是存储在一个数据库为了随后应用推理和学习先进技术。

这篇文章分为以下部分。在背景部分中,我们描述的一些研究与此相关的研究。所提出的系统架构中概述部分。案例研究部分集中在特定的情况下,被认为是在研究。在结果部分,系统的性能将被描述和分析。最后一节吸引了结论在不同的技术解决方案,我们曾考虑系统;此外我们讨论未来的工作提出了相关的研究。

2。背景

本节重点是文学的目的,与目前的研究。所有的相关工作利用不干扰技术基于负载监测,被哈特(12和Zoha et al。13]。下面,最值得注意的作品被描述。

在2014年,Belley et al。2)已经使用智能电表获得房子的消费数据。作者利用激活时间的电器。在这项研究中,作者使用的情况下,存储在数据库之间的平等和设备进行了分析。这种方法需要的高计算成本由于过程比较元素的实例存储在数据库中。在[3]相同的作者提出了一种改进的版本的系统识别的设备使用相同的算法;然而,在新提议系统能够识别不稳定行为相关的用户可能的认知问题。

其他作者像林等。4NILM]提出了一种新的战略系统。他们建议设备应确定使用二次编程规则。这项研究的结果证明,这种方法是有效的。De Baets等的工作。1)提出了两种新的算法应用于NILM技术设备在电子网络的识别。这两个新方法如下:的修改版本卡方拟合优度检验和事件检测方法基于倒谱平滑。此外,作者解释说,这两种方法都可以使用surrogate-based优化优化。

其他的研究专注于改善NILM技术。研究人员唐et al。5)建议建设必须考虑的状态;它可以占领或闲置。因此,一个系统,可以考虑这两种情况下不会操作时没有人。相反,当建筑是占领了系统将决定确定家庭的连接设备。这种方法可以提高分类器的精度和减少计算成本的时候不是占领。

这项研究由布朗et al。6还考虑建筑物的状态。在这个工作中,超宽频雷达技术被用来确定一个建筑是占领。这样做是通过比较其结果与系统接收到的数据从电力监控系统。除了建立建筑物的状态,这种技术还检测设备连接到电网。此外,这种方法考察了用户的行为。

这项研究由梁等人在[7)是专注于建设一个新的平台,将提供一个更好的理解的电子消费模式和成功地识别设备连接到电网。为此,分析了不同活化时间的设备和一些数学规划和模式识别技术应用于分类定价负载。

类似的任务是解决研究中提出的李et al。8]。在这种情况下,本文利用现有的方法测量和代表电力消费的特点。此外,本文认为信号处理的方法识别设备连接到网络的崩溃和过滤技术。

也有研究关注不同的方面,如电力需求预测未来几天。作品,解决这一问题的例子有陈et al。9和陈和棕褐色10]。在第一个工作,日常需求预计每小时使用混合聚类算法。第二个实现相同的功能,但它使用一个基于支持向量回归的混合算法。这两种技术使伟大的结果。

最后,重要的是要列出一个开源工具实现几个NILM技术。这个工具被称为NILMTK(不负载监控工具包)。这个品牌已经在巴特拉et al。11]。这个工具的目的是采用一些技术和显示了他们每个人呈现的结果。它还包括公共数据集。

上面的研究利用NILM技术或使用一种新的方法来识别设备连接到电网。然而,没有人考虑使用智能设备将出现在未来的房屋和建筑,而这些可以测量家电的消费。在我们的文章中,我们还提出一个新的方法识别的电子电器连接到电网。这种新技术利用指纹算法的特点和NILM技术。因此,这个提案提出的新方法的分析数据,允许识别设备连接到电网络。总之,本节总结了小说方面的工作,工作的主要贡献:(a)为适应消费一个管理平台,允许网络。(b)的家用电器使用NILM技术及其集成指纹算法的原则。(c)智能电表的使用及相关通信协议获取消费数据和家用电器开关切换为适应消费。为了清楚地表明这个提议的特点,我们包括方案之间的比较和艺术(表的状态1)。

3所示。建议的体系结构

自适应消费管理系统满足需求在电力网络与不同的测量设备工作为了读取信息并采取相应行动。信息提取的目的是处理和提取中包含的知识。系统需要这方面的知识,以确定家用电器连接到电网。

根据系统工程的原则NILM技术。不干扰负荷监控或NILM系统使用一种分解的技术数据提取米。米以外的家庭;这就是名字不干扰形式。所以,根据哈特提出的一个定义(12),由网络消费的消费的所有设备连接到它;因此我们的目标是识别尽可能多的设备。

在数学方面,我们可以说,在瞬间的时间 ,所有设备的能源消耗 ,连接到电网在即时 ,所制定的Zoha et al。13]: 连接到网络的设备正在被激活。通常,每个设备都有一个单一的激活,使它区别于其他时期。所以,可以说,这些激活时间就像一个签名或指纹;一个类似的想法提出了Haitsma和石灰的工作14]。

然而,我们不应强调,所有设备的行为以同样的方式;在[Kaustav所解释15这使得他们更容易识别和区别。一些组织的电器有一个比其他人更连续的表现时间。其他设备只能有两种可能的国家。一些电器,比如微波炉,有更多的变量的行为;这是有关他们的程序或角色表演。然而,也有许多家用电器,几乎无限的行为模式;这取决于他们执行的角色在一个特定的时刻,如LED打印机。

通常,系统基于NILM技术可分为三个连续的阶段,包括三个模块:数据采集模块、特征提取模块,最后一个学习模块。NILM过程如图1。(我)数据采集。在这个阶段,系统获得的数据允许电网络中识别不同的行为;计系统是用于此目的。(2)特征提取。在这个模块中,系统提取连接设备和区分活跃的和不活跃的设备。也就是说,它能够检测和提取激活时间的家用电器。不同的技术用于提取激活时间;其中一个是基于事件的提取。这些所谓的事件是不同的设备的开/关的事务。相反,提取,不是基于事件使用样例次确定设备是否活跃。(3)系统学习。这个阶段的训练和学习。可以监督或无监督学习。系统与监督学习需要一个标签数据集,以学习和正确识别设备。此外,这些系统也可以认定为在线或离线系统。

因此,为了实现本工作的目的,该系统是由不同的代理。代理执行全球体系中的所有子流程。代理形式的一部分,系统可以分为两个大组,如图2。这两个团体环境代理和处理代理。(我)环境代理。这些代理与测量通信系统连接到全球体系。他们的任务是获取数据并与测量系统。获取数据的代理必须与米通过所需的通信协议,为了获得它们,而经纪人米负责打开/关闭不同的测量设备。通过作用于智能电表和智能插座可以根据需求管理需求。为有效的需求管理,有必要事先确定连接设备。这在处理代理组织进行了识别。为了确定这些设备的优先秩序必须关闭,多么重要的代理有一个优先级设备日常使用和收益的中断供应根据这些首选项,直到需求调整。(2)处理代理。他们是负责信息的内部处理。他们执行一些操作,比如数据的预处理。他们负责系统中所有重要的行动。处理代理控制其余的代理在同一组。期间萃取剂提取激活时间从接收到的原始数据。该代理将提取每个激活阶段的消费价值,在某种程度上,有尽可能多的群体与消费价值观有激活时间。检测到这些激活时间当消费变化相当大。在图3我们可以看到代理将提取四个激活时间。预处理代理负责提取必要的信息来识别设备。提取的特征概括如下。(一)指的是():这个特征表明每个激活期间消费值的均值;因此算术平均的消费设备的激活时间: 在哪里是集消费价值观的即时时间吗和表明复合活化期的总时间瞬间。(b)最大():这个值显示设备的最高消费价值在激活期间: 在哪里是激活的设置的消费值。(c)最低():这个特性表明活化期的最低消费价值的设备: 在哪里是激活的设置的消费值。(d)的第一步():此值指示激活时期的第一个值之间的差别和最大值()。这种“飞跃”考虑: (e)第二步():在这种情况下,该值代表消费的最大值之间的差异(),最后一个值 ,这第二个“飞跃”也是考虑: (f)时间():是指设备一直活跃的时间,也就是说,开启: 在哪里是最后的即时激活时期和是最初的瞬间。

分类代理负责确定什么样的设备处理。这个代理是能够预测什么样的展览设备特性决定的。在这种情况下,识别设备,应用案例推理。有几个代理可以执行的算法(他们中的一些定义在[16- - - - - -20.]);它们的过程来确定哪些呈现更好的结果将被描述的结果。

一旦我们获得一个模型能够识别的家用电器和一定程度的准确性,该模型将包含在案例推理系统。每一个情况下将包含所有的功能解释。所以,案件将有以下结构: 命名法的案例是由以下值:意思是,最高,最低,第一步,第二步,时间和标签类指为代表的设备的特点 。因此,CBR(基于案例的推理)将经历一个阶段,它将恢复模型组成。CBR也有二次利用阶段恢复模型将用于新病例进行分类。如果模型正确分类的新病例复习阶段,我们继续学习阶段的新病例被添加到数据库中。如果用户决定错误分类,模型重建的考虑到新实例添加到数据库中。(我)控制代理:它负责监控系统中的其他代理在前面描述的任何组。

代理来自不同团体相互通信系统中为了达到一个共同的目标。这个代理之间的通信是如图2。

正如前面所解释的那样,一些机器学习方法的识别精度电器进行了测试。这些方法基于决策规则的数据挖掘算法、决策树、案例学习、神经网络、贝叶斯定理。

这些算法可以结合家电的指纹识别算法。指纹算法用于识别音乐/歌曲的声波。王(21)和Haitsma石灰(14谈论这个在他们的作品。这项技术是基于隐马尔可夫模型的计算;然而这种方法的主要思想是利用声音的格言之间的距离,因为在这些点声音更纯净、更少环境噪音。通过寻找最大值计算它们之间的距离,该算法可以比较这些值和存储在数据库中,以确定一首歌;然后系统为用户提供了一个答案包含所有的信息预测的歌。

这样,相对声波最大值允许算法形成一个指纹将会与那些存储在系统数据库中。因此该算法可以被用来识别的设备连接到一个网络一旦激活的时间消耗网络提取。这个想法非常相似;这些激活时间的最大值被用来识别设备。然而,有可能困难发生在相对的格言,包含信息的提取;这是因为一些设备连续或持续不断的激活。其他设备有一个变量的性能就是让他们比其他人更不可预测。这一切表明,整理那些“指纹”的任务与数据库中记录将是复杂的。因此我们必须研究和分析是否使用指纹算法研究是可行的。

4所示。案例研究

为案例研究从不同的建筑,不同的用户消费数据,因此从不同的几个电气网络。

现在,有各种各样的工具,使得测量能源消耗的数量在一个特定的电网或通过一个特定的设备连接到网络。

这些技术的研究之前,重要的是要澄清如何被集成的智能系统。第一个方面考虑是实时测量系统必须提供信息;这就是说,该系统必须能够使用某种与测量设备通信协议,建立它们之间的连接。这将允许智能系统与测量系统,提取信息,并把它在特定时刻。

智能系统必须能够管理接收到的信息,这信息必须把消费的电网或在一个特定的消费电子设备。这是非常重要的,因为信息的提取识别连接电子设备所必需的。

另一个重要功能,这个智能系统必须具备的能力开/关不同的设备连接到电网。考虑在网络消费的总量,有时它可能是明智的关闭不使用的设备,但继续消耗电力。也就是说,智能系统必须能够按照设备使用所需的通信协议。

下面的测量和/或执行机构与系统设备使交流可能由于专业代理为他们每个人开发的。(我)智能电表。智能电表和智能电表用于测量一个家庭的消费水平,但是在更详细和准确的方法比传统的电表。此外,这些类型的计数器能够沟通他们读到的数据通过某种协议(通常是一个标准协议),以这种方式消费可以监控。如果有必要可以中断供电的线路而不中断电力提供的其他行。这个特性允许自动管理的需求,适合能源需求。在这项研究中,德国制造的“有效市场假说LZQJ XC”智能电表已经使用。这个设备是“有效市场假说计量”制造的公司。这种智能电表有各种的功能被描述在前款规定的,为此它可以很容易地与任何智能系统集成。在图4,我们可以看到一个特定的模型。尤其是这个模型,通过一个通信协议,它使用“TCP / IP”类型连接。所以,信息存储和管理计可以远程访问。通常这些米使用标准的通信协议,特别是提出了模型使用IEC 62056协议。此外,这种智能电表模型已经被安装在许多家庭在德国。(2)聪明的插头。智能插座可以插入标准的墙壁插座和插入的任何电子设备的消费可以控制。图5显示了一个示例的一个聪明的插头。这些设备允许远程控制消费和实时。我们可以操作这些设备通过官方的开发者应用程序或通过第三方api,允许与智能插座上建立一个连接。通过这种方式,智能插座允许用户获取远程消费数据和实时。很重要对于本文提出的智能系统提供必要的信息。它还允许作用于设备连接,允许智能系统开关或在必要时方便。

与这些设备,可以提取必要的信息和消费数据可以获得不同的电气设备。开展这项研究十个不同的家用电器已经使用;我们有足够的样本中提取他们形成一个数据集。这个数据集被用来测试监督机器学习算法和帮助我们创建一个分类模型,将使我们能够确定未来家电的行为。以下设备被选择来验证该系统:一台冰箱,一个水泵,一个电视,一个洗碗机,电动燃气热水器,一台洗衣机,一个水壶,一个冰箱,微波炉,LED打印机。图6显示了一个示例分布不同的设备的房子。

激活时间的一些这些电器在附录中的图,可以看出,在所有情况下,电器有波形的特点。一旦提取每个激活期的特征,识别设备,先天的,容易执行。不过,鉴于一些电器的行为变化取决于他们使用一段时间后,发现他们可能更复杂。

5。结果

本节将分析代理的功能组织见图2。此外,它将检查架构的能力获得的数据设备和管理需求。此外,它将评估的性能处理组织识别设备连接到智能插座。这个自动识别处理执行的组织是必要的,由于动态智能插座上的变化。

第一步是执行机构的监视和控制。首先,为了获得消费数据,我们必须与提供的不同的测量系统。为此,有必要建立一个连接与米通过特定协议属于每个米。在图7,你可以看到一个例子智能电表的通信是如何建立在能源消耗获得实时信息。图8显示一个片段的回应请求实时消费数据。实时消费信息位于一行7人。然后从这些信息中提取相关数据,使用的系统。

该系统使用相同的通信协议来管理智能电表(图7),因此通信允许数据及其管理的成就。这个计划是为了减少能源消耗只要这是必要的,通过作用于不同的线。

第二步是评估组织的处理。这个组织包括自动装置识别系统使用一种算法对不同的测量设备进行分类。选择最准确的分类器,测试了监督机器学习算法及其性能进行了比较。以下分类器被使用:开膛手算法部分,C4.5, RandomForest, RandomTree, REPTree,KStart nn,贝叶斯网络、神经网络。这些算法提供的机器学习库Weka。在比较算法时使用不同的数据库,每个数据库不同的类的数量和每个类都有一百个实例。测试与数据集执行四个,七个,分别和十类。每个类与类型的设备有关,这属于同一个类的实例属于不同的型号相同的设备。为了评估识别系统的功能,分类器都包含在案例推理系统的重用阶段,他们每个人的表现进行了分析,以评估指纹算法的有效性在家用电器的检测。验证后的不同算法和分类精度,最终系统利用数据集的十类和一千个实例,一百年为每个类。

创建数据集具有相同的架构部分中描述的特征。的测试和实验,这个数据集将有助于确定哪些算法提供更好的结果,是最适合在电网设备识别系统。

在文章的这一部分我们将描述这个过程,我们跟着来验证和创建最终的模型。最初创建一个数据集,它包含400分给四个类实例,每一个包含100个实例。因此,这四类数据集的平衡和代表四个不同的电器:冰箱,水泵,一个电视,一个洗碗机。测试执行与此数据集,使用10倍交叉验证方法和每一个上面提到的算法。

表2测试的结果表明,在数据集上执行。

我们可以观察到,所有提出的算法,除了神经网络,提供优秀的结果。此外,算法效果最好的算法的行为是基于决策规则:规则算法和树算法。

从这些结果,我们可以推断算法呈现很好的结果,但是我们想看看这些算法的行为如果他们识别更多的类。所以,三个数据集介绍了电器:一台洗衣机,一个水壶,一个气体加热器。对于每一个设备100新实例。

再一次,我们提交的一系列测试的算法的目标看到他们精确分类的七个电器。后验证表中所示的不同模型2,我们可以看到算法提供了最好的结果是那些基于规则。具体来说,RandomForest算法提供了最好的结果及其验证表所示2,虽然这一次成功率较低,这是合乎逻辑的,因为类和实例的数量增加了。然而,如果我们看神经网络的结果,他们的成功率大大增加在第二种情况下,从0.89到0.925。这个算法的性能的改善可能是由于更多的实例和类,这导致重量和偏见分配给每一个简单的神经元来调整问题的特点。此外,我们决定检查是否通过添加三个appliances-a冰箱、微波炉,LED printer-the神经网络将进一步改善。我们还想看看其他分类的准确性持续下降随着新设备引入到数据集。验证结果如表所示2。

有趣的是,我们观察表2是神经网络的准确性显著降低有三个更多的类。其他算法的性能也下降,但程度不一样。第三次,最大精度的算法是那些制定决策规则,特别是RandomForest, 98%的准确性。

好的结果呈现的技术,使用决策规则和决策树。因此,我们可以推断,这种算法执行时确定电子设备被连接到一个电网络。出于这个原因,图的图9比较他们的每一个实验的基础上,他们已经被测试。

从图,我们可以得出结论,所有这些技术都非常相似的行为;当实例和类的数目增加分类器的精度降低。然而,RandomTree算法是一个例外,因为其准确性增加在第二个测试中,含有七类。尽管RandomForest给优秀的结果,很明显,所有的基于规则的分类器表现很好,可以用来预测设备被连接到一个电网络。

这句话可以证实ROC分析。各种技术可以用来进行分析:ROC曲线下的面积或距离的点(假阳性率、灵敏度)的每个分类器的点(0,1);这项技术是由福西特(22]。第二个技术被选中,因为它允许更好的区分不同的分类器。在图10,每个分类器的点都在一个二维空间表示。

乍一看,我们看到的结果的检测算法是相同的,我们看到在前面的图和表。然而,他们靠近点(0,1)。为了验证这一点,我们说明表中的结果3每一个点的距离,如图形如图所示10以及每个算法的ROC曲线下的面积。

在这些类型的分析,最近的距离是0和ROC曲线下的面积是最接近1。在一个分类器的情况下这些值,它可以被认为是最合适的分类器的问题。在分析算法,获得的两个值非常接近客观值,因此可以说,使用的方法是很好的耦合的出现的问题。

然而,毫无疑问,这些分类器进行了实验的成功很大程度上是由于大数据集的质量。实例的性能,特别是属性的数据集的选择导致不同的结果执行机器学习算法的时候,我们可以看到在表和前面的情节。出于这个原因,这将是值得的如果我们做了一个属性选择不同的技术,为了看哪个分类这些特征更重要的一个新实例。

开展这些研究有两种不同的方法使用信息增益和属性与类的相关性。表4和图11前面提到的两种方法的比较。这些分析的结果与变量标准化换算公式,为了更清晰地比较两种技术的结果。

我们可以看到在图11在两种技术中最重要的特征必须被视为一个算法的分类实例的均值、最大值,第一步,和第二个。最小值和时间比其他属性不太重要的分类器的分类任务;然而,他们的主要原因是如此之高的测试技术的准确性。

6。结论

这项工作提出了开发适应消费管理系统,能够识别设备连接到一个电网络。在这种情况下,生产能源稀缺或过度的能源被消耗时,用户可以选择断开一些没有必要的设备,在家庭、办公室、等等。

该系统有一个可替换主体架构,不同类型的代理商负责执行不同的功能。代理系统还包括案例推理系统的使用。

不同的技术和方法研究了为了考虑提出了系统实施的可能性。首先,我们调查了不同的机器学习技术,是最适合的类型问题提出了工作。具体地说,结果表明,有各种各样的算法,提供了一个更加令人满意的行为,因此这些技术可用于该系统。

此外,现有设备的工作性能研究开发了用于测量电气网络,以及家用电器连接到网络本身。提出了工作已经开发的系统行为和与两种类型的设备更智能电表和智能插座。因此,该系统可以从他们每个人获取数据。

因此,目标提出建议的体系结构的实现。设计平台适应消费电力的网络与智能设备交互。该方法的目的是提取电的知识网络,使我们能够获得一个网络的消费数据。它使用NILM技术来识别连接家用电器。随后,一个方法基于指纹算法的原则形成一个数据集的识别设备。这个数据集允许在获得优异成绩,适应电力消费的设备。因此,该平台使用一种新方法,利用现代技术在网络消费的控制。

使我们的系统更加有效是一个重要的目标。因此,未来的研究将包括改善系统通过添加更多的设备和电器。这将允许识别新设备,使系统更加完整。越电器系统的数据库中,系统将更健壮。

此外,新技术可以添加提取激活时间的设备连接到网络。提出的一些技术允许取消激活时间,塞拉和Arcos23]。因此,这种类型的技术提取的有效性在时间序列的模式也可以验证在将来的工作。

安全是另一个方面,当然应该考虑。建立仪表和系统之间的通讯连接到他们可以提供安全。这种进步是至关重要的原因是,传播的信息可以被认为是重要的,必须保证用户数据的隐私在智能系统。

附录

在本附录介绍了活化时间的研究中使用的不同的设备(见图12- - - - - -21)。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作已经被欧盟委员会支持H2020 msca——上升——2014:玛丽Skłodowska-Curie项目简称为梦想消失使需求反应和实时高效、市场为基础的智能电网下一步ref 641794智能和实时仿真方法。

引用

1. l . De Baets j . Ruyssinck c . Develder t . Dhaene d . Deschrijver,”贝叶斯优化和鲁棒性的事件检测方法在NILM,”能源和建筑卷,145年,页57 - 66,2017。视图:出版商的网站|谷歌学术搜索
2. c . Belley s Gaboury b·布沙尔,a . Bouzouane”活动的有效和便宜的方法识别在智能家居电器的负载特征的基础上,“普及和移动计算》12卷,58 - 78、2014页。视图:出版商的网站|谷歌学术搜索
3. c . Belley s Gaboury b·布沙尔,a . Bouzouane“不干扰系统寻求帮助和指导基于电气设备识别,智能家居”专家系统与应用程序,42卷,不。19日,6552 - 6577年,2015页。视图:出版商的网站|谷歌学术搜索
4. 林,l .赵f·李,问:刘,d . Li和傅y,“不干扰载荷识别方法,基于二次规划的住宅应用程序,”电力系统研究卷,133年,第248 - 241页,2016年。视图:出版商的网站|谷歌学术搜索
5. g . Tang z凌,f·李,d . Tang和j .唐“Occupancy-aided能源崩溃,”计算机网络卷。117年,42-51,2017页。视图:出版商的网站|谷歌学术搜索
6. r·布朗,n . Ghavami H.-U。西迪基,m . Adjrad m . Ghavami和s·达德利,“基于占用家庭能源变革,使用超宽带雷达和电子签名配置文件”能源和建筑卷,141年,第141 - 134页,2017年。视图:出版商的网站|谷歌学术搜索
7. j .梁s . k . k . Ng g·肯德尔和j·w·m·程”加载签名studypart我:基本概念、结构和方法,“IEEE电力交付,25卷,不。2、551 - 560年,2010页。视图:谷歌学术搜索
8. g·s·k·w·k . Lee Fung) h . y . Lam f . h . y . Chan和m . Lucente“探索负载签名”电子与电子工程国际会议,2004年。视图:谷歌学术搜索
9. h . y . Chen Tan,美国贝拉尔迪的乳白色,”日前小时电力需求预测非平稳运营商业建筑:clustering-based混合的方法,”能源和建筑卷,148年,第237 - 228页,2017年。视图:出版商的网站|谷歌学术搜索
10. y陈和h . Tan“短期预测电力需求在建设部门通过混合支持向量回归,”应用能源卷,204年,第1374 - 1363页,2017年。视图:出版商的网站|谷歌学术搜索
11. 巴特拉,j·凯利,o .牧师et al .,“NILMTK:开源工具包为非侵入性的负载监测、”学报》第五届ACM国际会议在未来能源系统(拖的14)ACM,页265 - 276年,剑桥,英国,2014年6月。视图:出版商的网站|谷歌学术搜索
12. g·w·哈特,“不干扰设备负载监控。”IEEE学报》,卷80,不。12日,第1891 - 1870页,1992年。视图:出版商的网站|谷歌学术搜索
13. a . Zoha a . Gluhak m·a·伊姆兰和s . Rajasegarar“非侵入性的负载监测方法分解能量传感:一项调查,“传感器,12卷,不。12日,第16866 - 16838页,2012年。视图:出版商的网站|谷歌学术搜索
14. j . Haitsma和t .石灰,”一个高度健壮的音频指纹识别系统与一个高效的搜索策略,”新音乐研究》杂志上,32卷,不。2、211 - 221年,2003页。视图:出版商的网站|谷歌学术搜索
15. b . Kaustav”分类技术非侵入性的负载监测和预测住宅负荷,”https://tel.archives - ouvertes.fr/tel - 01162610,2014年。视图:谷歌学术搜索
16. e . i·h·威滕弗兰克和“生成精确的规则集,没有全局优化,”《十五国际会议上机器学习,第151 - 144页,1998年。视图:谷歌学术搜索
17. l . Breiman“随机森林”,机器学习,45卷,不。1,5-32,2001页。视图:出版商的网站|谷歌学术搜索
18. d . C .“比较分析的随机森林,代表树和j48分类器对信用风险预测,”学报》国际会议通信、计算机和信息科学技术ICCCMIT 20卷,30-36,2015页。视图:谷歌学术搜索
19. i . h .威滕·e·弗兰克,m·a·霍尔数据挖掘:实用机器学习工具和技术,2011年摩根考夫曼。
20. j·g·克利里和l . e .区格”K^∗:一个基于实例的学习者使用的距离测量,”第12届国际会议上机器学习学报》上,第114 - 108页,1995年。视图:谷歌学术搜索
21. a .王”,沙札姆音乐识别服务”,ACM的通信卷,49号8日,44-48,2006页。视图:出版商的网站|谷歌学术搜索
22. t·福塞特,”介绍ROC分析。”模式识别的字母,27卷,不。8,861 - 874年,2006页。视图:出版商的网站|谷歌学术搜索
23. j·塞拉和j·l·Arcos粒子群优化时间系列主题发现”,以知识为基础的系统卷,92年,第137 - 127页,2016年。视图:出版商的网站|谷歌学术搜索

版权

版权©2018迭戈·m·Jimenez-Bravo等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。