О построении нейронных сетей для решения задачи дезагрегации данных о потреблении электроэнергии в домохозяйствах
Автор: Атаян А. А., Титов Д. Ю., Логинов В. Н.
Журнал: Труды Московского физико-технического института @trudy-mipt
Рубрика: Информатика и управление
Статья в выпуске: 2 (58) т.15, 2023 года.
Бесплатный доступ
В данной работе рассматриваются архитектуры нейронных сетей в задаче дезагрегации данных о потреблении электроэнергии. Проведен сравнительный анализ методов выбора порога активации энергопотребляющих устройств. Получены оценки метрик качества для каждого подхода.
Дезагрегация данных о потреблении энергии, регрессия, классификации, кластеризация
Короткий адрес: https://sciup.org/142237750
IDR: 142237750
Список литературы О построении нейронных сетей для решения задачи дезагрегации данных о потреблении электроэнергии в домохозяйствах
- Логинов В.Н.,Бычковский И.А., Сурнов Г. С., Сурнов С. И. Smart Monitoring - технология дистанционного мониторинга потребления электроэнергии, воды, тепловой энергии и газа в Smart City // Труды МФТИ. 2020. Т. 12, > 1. С. 90-99.
- Garcelan D.P., Gomez-Ullate D. NILM as a regression versus classification problem: the importance of thresholding [Электронный ресурс]. 2020. https://www.researchgate.net/publication/345152793_NILM_as_a_regression_versus_classification_problem_the_importance_of_thresholding (дата обр. 17.01.2023).
- Kelly J., Knottenbelt W. Neural nilm: Deep neural networks applied to energy disaggregation // arXiv:1507.06594. 2015.
- Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. V. 9, I. 8. P. 1735-1780.
- Takuya A., Shotaro S., Toshihiko Y., Takeru O., Masanori K. Optuna: A Next-generation Hvperparameter Optimization Framework // arXiv:1907.10902. 2019.
- Fazle K, Somshubra M., Houshang D., Shun C. LSTM Fully Convolutional Networks for Time Series Classification // arXiv:1709.05206. 2017.
Статья научная
