| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 4961570 | 1446510 | 2017 | 8 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1.مقدمه
۲. چارچوب تجزیه‌ی انرژی
۲.۱. مدل اتواینکدر دی یونیزه برای تجزیه‌ی انرژی
۳. روش‌ها
شکل 1: (a) تحلیلگر توان ای گیزمو به صورت متوالی به رسپری پای وصل شده و به صورت کنتور هوشمندی عمل می‌کند که قادر به ارسال داده‌ها روی شبکه است. (b) متغیری از شکل ۱ (a)، NodeMCU ، رسپری پای را به عنوان راه‌حلی جامع برای نظارت بر داده‌های سطح دستگاه جایگزین می‌کند. (c) از روتر داخلی به عنوان کانالی برای انتقال محلی داده‌ها به ابر استفاده می‌شود. (d) یک ایستگاه دسکتاپ که در آن داده‌های شکل ۲ (b) و شکل ۱ (c) ذخیره می‌شوند. سپس از داده‌ها برای آموزش اتواینکدر دی‌یونیزه‌ی انباشته و به عنوان سروری محلی برای تجزیه‌ی داده‌های خانگی استفاده می‌شود.
۳.۱. قالب سیستم
۳.۲. جمع‌آوری داده‌ها
۳.۳. آموزش اتواینکدر
۳.۴. ارزیابی
۴. نتایج تجربی
جدول 1. نتایج (فرمول) و (فرمول) برای هر دو دستگاه
۵. نتیجه‌گیری
Energy sustainability remains one of the biggest challenges for the Philippines' energy sector with 51% of the demand coming from the residential and commercial sectors. Intelligent energy monitoring systems play a key role with the opportunity to contribute sizeable amount of energy savings by providing meaningful consumption feedback to home owners. While smart meters provide an ideal ubiquitous energy monitoring solution, these devices lack appliance-level feedback. In this study, we present a concept of augmenting smart utility meters with an energy disaggregation method using Stacked Denoising Autoencoders to provide appliance-level feedback to home owners. We evaluate the results using absolute mean loss and proportion of energy correctly assigned as metrics for the signal disaggregation. The results show that the model was able to decompose an aggregate appliance signal and provide an itemized appliance-level power consumption.
Journal: Procedia Computer Science - Volume 105, 2017, Pages 248-255