iot-article
دسته‌بندی نشده

Big IoT data mining for real-time energy disaggregation in buildings

Big IoT data mining for real-time energy disaggregation in buildings

In the smart grid context, the identification and prediction of building energy flexibility is a challenging open question, thus paving the way for new optimized behaviors from the demand side. At the same time, the latest smart meters developments allow us to monitor in real-time the power consumption level of the home appliances, aiming at a very accurate energy disaggregation. However, due to practical constraints is infeasible in the near future to attach smart meter devices on all home appliances, which is the problem addressed herein. We propose a hybrid approach, which combines sparse smart meters with machine learning methods. Using a subset of buildings equipped with subset of smart meters we can create a database on which we train two deep learning models, i.e. Factored Four-Way Conditional Restricted Boltzmann Machines (FFW-CRBMs) and Disjunctive FFW-CRBM. We show how our method may be used to accurately predict and identify the energy flexibility of buildings unequipped with smart meters, starting from their aggregated energy values. The proposed approach was validated on a real database, namely the Reference Energy Disaggregation Dataset. The results show that for the flexibility prediction problem solved here, Disjunctive FFW-CRBM outperforms the FFWCRBMs approach, where for classification task their capabilities are comparable.

استخراج داده های بزرگ IoT برای تجزیه انرژی در زمان واقعی در ساختمان ها

در زمینه شبکه های هوشمند، شناسایی و پیش بینی انعطاف پذیری ساختمان یک سوال باز به چالش برانگیز است، بنابراین راه را برای رفتارهای بهینه سازی شده جدید از طرف تقاضا راه می دهد. در عین حال، آخرین پیشرفت های دستگاه های هوشمند ما را قادر می سازد تا در زمان واقعی مصرف انرژی مصرفی لوازم خانگی، به منظور تقسیم انرژی بسیار دقیق، نظارت داشته باشیم. با این حال، با توجه به محدودیت های عملی، در آینده نزدیک ممکن است برای نصب دستگاه های هوشمند متر بر روی تمام لوازم خانگی، که مشکل اینجا است. ما یک رویکرد ترکیبی را پیشنهاد می دهیم که متراکم های هوشمند ضعیف را با روش های یادگیری ماشین ترکیب می کند. با استفاده از زیر مجموعه ای از ساختمان های مجهز به زیرمجموعه از دستگاه های هوشمند ما می توانیم یک پایگاه داده ایجاد کنیم که در آن دو مدل عمیق یادگیری را آموزش می دهیم، یعنی ماشین های بولتزمن (FFW-CRBMs) و FFW-CRBM. ما نشان می دهیم که چگونه می توان از روش ما برای پیش بینی دقیق و شناسایی انعطاف پذیری انرژی ساختمان ها بدون نیاز به وسایل هوشمند استفاده کرد، از مقادیر انرژی انباشته شده آنها استفاده می شود. رویکرد پیشنهادی بر روی یک پایگاه داده واقعی، یعنی داده های محاسبه انرژی مرجع انرژی، تأیید شد. نتایج نشان می دهد که برای پیش بینی مشکل انعطاف پذیری در اینجا، FFW-CRBM Disjunctive از رویکرد FFWCRBM ها برتر است، در حالیکه برای کارکرد طبقه بندی قابلیت های آنها قابل مقایسه است.

 

دانلود اینترنت اشیا
لینک دانلود مقاله

2 پاسخ به “Big IoT data mining for real-time energy disaggregation in buildings

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *