智能电表数据应用于家庭电器侦测,通过使用消费序列的子序列和基于 Transformer 的时间序列分类器,该方法提出了一种优于现有解决方案的侦测框架。
Dec, 2023
本研究在智能家居安装中探索电器电能使用作为检测居民是否在家的手段,通过非侵入式的消耗功率分解方法,该方法在 UK-DALE 数据集上进行了机器学习算法的评估,结果表明电器电能使用是检测家庭居住与否的可行方法之一。
Mar, 2022
从低频电力消耗数据中提取空置家居时间间隔的新方法,包括变点检测、分类、周期检测和周期性尖峰检索等多种算法,对模拟和真实消耗曲线均取得了令人鼓舞的结果。该方法为能源利用的优化提供了实用见解,并有潜在的节能成本和可持续性效益,但在不同场景和大型数据集上仍需要进一步的研究以提高可应用性。
该研究论文介绍了一个建筑运营中的异常检测系统,包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法,利用动态阈值实现对异常数据的实时检测,并通过真实数据的实证研究验证其有效性,这对于建筑运营中的决策科学和视觉分析有重要意义。
May, 2024
该研究提出了一种新的事件检测方法,能够在时间序列数据中识别基于频率的事件,并通过对象检测模型将事件映射回时间序列数据以标记相应的时间间隔。该算法在未知数据集上评估时,在事件检测方面达到了 0.97 的准确率,提供了清晰的时间间隔边界,对于人工视觉检测来说这是一项具有挑战性的任务。将这种方法应用到车辆开发过程中,提高了事件检测的准确性和可靠性,对于快速测试分析非常重要。
Oct, 2023
本文介绍了一种基于深度学习的故障检测方法,利用高精度的数据采集设备收集数据来训练模型,并使用长短时记忆网络和一维卷积神经网络来提取时序特征和频率信息进行故障预测,在 Kaggle 平台上的结果表明该方法具有更好的性能和解释性。
Sep, 2020
本研究通过采用深度学习算法,对非侵入式负载监测(NILM)处理链进行改进和简化,实现自动化特征提取和家电识别,取得优于传统机器学习方法的表现。
Aug, 2022
创新的混合建模方法结合统计学和卷积自编码器,利用动态阈值(基于马氏距离和移动平均)检测实时智能计量系统中的异常,从而提供早期预警,以预防灾难并在经济上受益于组织和消费者。
Apr, 2024
该研究论文使用真实的智能电表数据集,重点分析基于 2020 年 IEEE-CIS 能源预测技术挑战的解决方案,并讨论了准确预测、解释性预测以及相关问题的重要性,同时探讨了能源分解、有效计费因素和责任 AI 以及数据隐私方面的挑战和机遇。
Nov, 2023
本文提出了一种基于条件隐马尔可夫模型的短期负荷预测算法,该模型可描述住宅设备需求的概率特征,并利用可扩展的统计学习方法直接从用电数据中估算模型参数,运用多种类型的电器的 1 分钟功率消耗数据的情况研究证实了该模型在负载预测和异常检测方面的有效性。
Oct, 2018