تحديد الأجهزة المكتبية ومراقبتها باستخدام تصنيف الطاقة القائم على التعلم العميق في المباني الذكية

Analysis of electrical energy metering profiles has experienced a substantial increase of research activity in recent years. This smart metering is a tool for monitoring energy usage and users’ behaviors as a pre-requisite for substantial energy savings. Instead of having a sensor at each appliance, non-Intrusive Load Monitoring (NILM) provides a cheaper solution by disaggregating the load data from a single meter using digital signal processing. Different algorithms have been successfully applied to a variety of load scenarios. Load data for small office appliances is available in the BLOND data set (Building-Level Office eNvironment Dataset) such as laptops, computer monitors, etc. The potential energy saving of each small appliance cannot be neglected, particularly in large companies/institutes. In this paper, a recurrent neural network (RNN) with long-short term memory (LSTM) is designed, trained, and validated for NILM on small power office equipment provided in the BLOND data set. A comparison to combinatorial optimization and factorial hidden Markov models using five metrics for performance testing shows good results for the proposed RNN.Palgerشهد تحليل بيانات قياس الطاقة الكهربائية زيادة كبيرة في النشاط البحثي في السنوات الأخيرة. هذا القياس الذكي هو أداة لمراقبة استخدام الطاقة وسلوكيات المستخدمين كشرط مسبق لتوفير كبير في الطاقة. بدلاً من وجود مستشعر للمراقبة في كل جهاز ، توفر مراقبة الحمل غير المتطفلة (NILM) حلاً أرخص عن طريق فصل بيانات الحمل من عداد واحد باستخدام معالجة الإشارات الرقمية. تم تطبيق خوارزميات مختلفة بنجاح على مجموعة متنوعة من سيناريوهات المحتملة. تتوفر بيانات الاستهلاك للأجهزة المكتبية الصغيرة في مجموعة بيانات BLOND (مجموعة بيانات البيئة المكتبية على مستوى المبنى) مثل أجهزة الكمبيوتر المحمولة وشاشات الكمبيوتر وما إلى ذلك. لا يمكن إهمال توفير الطاقة المحتمل لكل جهاز صغير ، خاصة في الشركات / المعاهد الكبيرة في هذا البحث ، شبكة عصبية متكررة (RNN) بذاكرة طويلة المدى (LSTM) تم تصميمها وتدريبها والتحقق من صحتها من أجل NILM على معدات مكتب الطاقة الصغيرة المتوفرة في مجموعة بيانات BLOND. تُظهر المقارنة بين التحسين التوافقي ونماذج ماركوف المخفية ذات العوامل باستخدام خمسة مقاييس لاختبار الأداء نتائج جيدة لـ RNN المقترحة