کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6962216 1452250 2018 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A non-intrusive approach for classifying residential water events using coincident electricity data
ترجمه فارسی عنوان
یک رویکرد غیر قابل نفوذ برای طبقه بندی وقایع آبخیز مسکونی با استفاده از داده های الکتریکی همزمان
کلمات کلیدی
رویداد استفاده از پایان آب ابزار تجزیه آب، اطلاعات آب و برق مسکونی، ماشین بردار پشتیبانی، ماتریس اختلال،
ترجمه چکیده
این مطالعه پتانسیل داده های الکتریکی سطح مدار را برای بهبود عملکرد با استفاده از ابزار تجزیه و تحلیل نهایی استفاده می کند. طبقه بندی کننده های دستگاه بردار پشتیبانی برای طبقه بندی وقایع آب مشاهده شده از مجموعه داده های گسترده منتشر شده در ادبیات استفاده شد. ویژگی های رویداد مربوط به برق با توجه به نزدیک بودن زمان به لباس های شسته شده در ماشین لباسشویی و ماشین لباسشویی مشخص شد. طبقه بندی ها در بخشی از مجموعه داده ها با و بدون ویژگی های مربوط به برق آموزش داده شد و سپس بر روی یک قسمت به اندازه ی اندازه مجموعه داده ها تست شد. یک طبقه بندی همچنین رویدادهای مربوط به مجموعه داده های آزمایشی را دسته بندی کرد که در آن دوره های رویداد برای مطابقت با فواصل نمونه گیری بزرگتر، از 10 تا 120 ثانیه تنظیم شد. ویژگی های مرتبط با برق به طور قابل توجهی بهبود عملکرد طبقه بندی برای لباسشویی، ماشین ظرفشویی و رویدادهای دوش. عملکرد سازنده برای رویدادهای طولانی تر همچنان ادامه دارد، زیرا فرکانس نمونه برداری کاهش می یابد، اگر چه عملکرد برای رویدادهای کوتاه مدت کاهش می یابد. به طور کلی، این نتایج نشان می دهد مزایای بالقوه قابل توجهی از ادغام ویژگی های مرتبط با برق برای ابزار تجزیه آب است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزار
پیش نمایش مقاله
یک رویکرد غیر قابل نفوذ برای طبقه بندی وقایع آبخیز مسکونی با استفاده از داده های الکتریکی همزمان
چکیده انگلیسی
This study evaluated the potential for circuit-level electricity data to improve performance by a water end-use disaggregation tool. Support vector machine classifiers were employed to categorize observed water events from an extensive dataset published in the literature. Additional electricity-related event features were assigned depending on temporal proximity to recent clothes washer or dishwasher events. Classifiers were trained on a portion of the dataset with and without the electricity-related features, then tested on an equally sized portion of the dataset. A classifier also categorized events from the testing dataset where event durations were adjusted to match larger sampling intervals, from 10s up to 120s. Specific electricity-related features significantly improved classifier performance for clothes washer, dishwasher, and shower events. Classifier performance was maintained for longer events as sampling frequency decreased, although performance for short duration events decreased. Overall, these results indicate significant potential benefits from integrating electricity-related features for water disaggregation tools.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Environmental Modelling & Software - Volume 100, February 2018, Pages 302-313
نویسندگان
, ,