Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Load Identification from Aggregated Data using Generative Modeling
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

In the view of an exponential increase in demand for energy, there is a need to come up with a sustainable energy consumption system in residential buildings. Several pieces of research show that this can be achieved by providing real-time energy consumption feedback of each appliance to its residents. This can be achieved through Non-Intrusive Load Monitoring System (NILM) that disaggregates the electricity consumption of individual appliances from the total energy consumption of a household. The state-of-art NILM have several challenges that preventing its large-scale implementation due to its limited applicability and scalability on different households. Most of the NILM research only trains the inference model for a specific house with a limited set of appliances and does not create models that can generalize appliances that are not present in the dataset. In this Master thesis, a novel approach is proposed to tackle the above-mentioned issue in the NILM. The thesis propose to use a Gaussian Mixture Model (GMM) procedure to create a generalizable electrical signature model for each appliance type by training over labelled data from different appliances of the same type and create various combinations of appliances by merging the generated models. Maximum likelihood estimation method is used to label the unlabeled aggregated data and disaggregate it into individual appliances. As a proof of concept, the proposed algorithm is evaluated on two datasets, Toy dataset and ACSF2 dataset, and is compared with a modified version of state-of-the-art RNN network on ACS-F2 dataset. For evaluation, Precision, Recall and F-score metrics are used on all the implementations. From the evaluation, it can be stated that the GMM procedure can create a generalizable appliance signature model, can disaggregate the aggregated data and label previously unseen appliances. The thesis work also shows that given a small set of training data, the proposed algorithm performs better than RNN implementation. On the other hand, the proposed algorithm highly depends on the quality of the data. The algorithm also fails to create an accurate model for appliances due to the poor initialization of parameters for the GMM. In addition, the proposed algorithm suffers from the same inaccuracies as the state of art.

Abstract [sv]

På grund av den exponentiella ökningen av energi-efterfrågan är det nödvändigt att komma fram till ett hållbart energiförbrukningssystem i bostäder. Flera undersökningar visar att detta kan uppnås genom att upplysa användaren om energikonsumtionen för varje apparat i huset. Detta kan uppnås genom ett icke-störande övervakningssystem som visar belastningen (NILM) och skiljer elförbrukningen hos enskilda apparater från hushållets totala energiförbrukning. Det senaste NILM har flera utmaningar som försvårar ett omfattande genomförande på grund av begränsad lämplighet hos olika hushåll. I forskningen inom NILM tränas oftast endast inferensmodellen för ett specifikt hus med ett begränsat antal apparater och skapar inte modeller som kan generalisera till apparater som inte finns i datasetet. I detta examensarbete föreslås ett nytt tillvägagångssätt för att angripa det ovan nämnda problemet med NILM. Arbetet avser att använda en Gaussian Mixture Model, GMM-teknik, för att skapa en generaliserbar elektrisk signaturmodell för varje typ av apparat genom att träna över markerade data från olika apparater av samma typ och skapa olika kombinationer av apparater genom att slå samman de genererade modellerna. Maximum likelihood-metoden används för att markera omärkta aggregerade data och disaggregera data i enskilda apparater. Som ett bevis på konceptet utvärderas den föreslagna algoritmen på två dataset, Toy-datasetet och ACS-F2- datasetet, och jämförs med en modifierad version av det senaste RNN- nätverket på ACS-F2-datasetet. Precision, Recall och F-score är mätetal som används för utvärdering av alla implementeringar. Från utvärderingen kan det konstateras att GMM-förfarandet kan skapa en generaliserbar signaturmodell, kan disaggregera aggregerade data och markera tidigare osynliga apparater. Examensarbetet visar också att, givet en liten uppsättning av träningsdata, så har den föreslagna algoritmen bättre prestanda än RNNgenomförandet. Å andra sidan är den föreslagna algoritmen väldigt beroende av kvaliteten hos data. Algoritmen misslyckas också med att skapa en exakt modell för apparater på grund av den dåliga initialiseringen av parametrar för GMM. Dessutom lider den föreslagna algoritmen av samma felaktigheter som den aktuella modellen.

Place, publisher, year, edition, pages
2019. , p. 82
Series
TRITA-EECS-EX ; 2019:35
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-249599OAI: oai:DiVA.org:kth-249599DiVA, id: diva2:1304677
Supervisors
Examiners
Available from: 2019-04-24 Created: 2019-04-12 Last updated: 2019-04-24Bibliographically approved

Open Access in DiVA

fulltext(3778 kB)57 downloads
File information
File name FULLTEXT01.pdfFile size 3778 kBChecksum SHA-512
da0413bdb3080dfe9d35bae6769c7eeb71733c55da17c033fe6d62bab8902f6265fbc479f3d106e03dc50278c0670736964d4180f171a2dcd280bbae9b29b3fb
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 57 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 579 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf