KIT | KIT-Bibliothek | Impressum | Datenschutz

Disaggregation von Haushaltsenergiemessdaten mit tiefen neuronalen Netzen

Bao, Kaibin ORCID iD icon

Abstract:

Die aktuell besten Ansätze zur Disaggregation von Haushaltsenergiemessdaten, die von handelsüblichen Smart Meter erfasst werden, basieren auf künstlichen neuronalen Netzen, die mit einer Deep-Learning-Methodik erstellt sind. Die Leistungsfähigkeit dieser Ansätze objektiv zu vergleichen ist allerdings schwer, da die Ansätze oft auf unterschiedlichen Datensätzen evaluiert werden, Trainingsverfahren nicht ausführlich beschrieben sind und keine einheitlichen Testmetriken verwendet werden. Erst durch die Evaluation bekannter Ansätze basierend auf einem einheitlichen Aufbau für Disaggregationsexperimente wird in dieser Arbeit deutlich, dass die Praxistauglichkeit aller Ansätze insbesondere durch die geringe Anzahl unterschiedlicher Gerätemodelle im Trainingsdatensatz beschränkt ist.
... mehr

Abstract (englisch):

The currently best approaches to disaggregate household energy measurement data, which are recorded by commercially available smart meters, are based on artificial neural networks, which were created with a deep learning method. However, it is difficult to compare the performance of these approaches objectively because the approaches are often evaluated on different data sets, training procedures are not described in detail and test metrics are not standardized. Therefore, the evaluation of known approaches based on a consistent design for disaggregation experiments is necessary. ... mehr


Volltext §
DOI: 10.5445/IR/1000132262
Veröffentlicht am 10.05.2021
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)
Publikationstyp Hochschulschrift
Publikationsdatum 10.05.2021
Sprache Deutsch
Identifikator KITopen-ID: 1000132262
Verlag Karlsruher Institut für Technologie (KIT)
Umfang xxii, 275 S.
Art der Arbeit Dissertation
Fakultät Fakultät für Wirtschaftswissenschaften (WIWI)
Institut Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB)
Prüfungsdatum 27.01.2021
Schlagwörter Non-Intrusive Load Monitoring, NILM, Disaggregation, Haushaltsenergiedaten, Deep Learning, Generative Adversarial Network
Relationen in KITopen
Referent/Betreuer Schmeck, H.
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page