Análisis comparativo de técnicas de aprendizaje automático para la monitorización no intrusiva de cargas
Autores: Shabbir, Noman; Vassiljeva, Kristina; Nourollahi Hokmabad, Hossein; Husev, Oleksandr; Petlenkov, Eduard; Belikov, Juri
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Análisis comparativo de técnicas de aprendizaje automático para la monitorización no intrusiva de cargas
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Monitoreo de carga
Consumo de energía
Aprendizaje automático
NILM
Desagregación
Técnicas de ML
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
La investigación indica que el modelo basado en XgBoost muestra un rendimiento superior en la identificación precisa y desagregación de cargas individuales a partir de datos de consumo de energía agregados.
Descripción
La investigación indica que el modelo basado en XgBoost muestra un rendimiento superior en la identificación precisa y desagregación de cargas individuales a partir de datos de consumo de energía agregados.