Login
- Originaltitel:
- Machine Learning for Non-Intrusive Load Monitoring
- Übersetzter Titel:
- Maschinelles Lernen für Non-Intrusive Load Monitoring
- Autor:
- Kahl, Matthias
- Jahr:
- 2019
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- Fakultät für Informatik
- Betreuer:
- Jacobsen, Hans-Arno (Prof. Dr.)
- Gutachter:
- Jacobsen, Hans-Arno (Prof. Dr.); Horsch, Alexander (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik; WIR Wirtschaftswissenschaften
- Stichworte:
- NILM, Machine Learning, Event Detection, Dataset, WHITED, Neural Networks, CNN, Autoencoder, Appliance, Feature Study, Representation Learning
- Übersetzte Stichworte:
- NILM, Maschinelles Lernen, Anomalie Detektion, Datensatz, WHITED, Künstlich Neuronale Netze, Convolutional Neural Networks, Autoencoder, Elektrische Verbraucher, Gerätemerkmale, Representation Learning
- TU-Systematik:
- WIR 523d
- Kurzfassung:
- Saving electrical energy is one important way of tackling the human influenced climate change. Non-intrusive load monitoring (NILM) is an information retrieval process on electrical appliances and their energy consumption without any significant intervention into the electric circuit. We show by using new approaches, based on machine and representation learning, the possibilities and limitations of consumption feedback under real-world circumstances.
- Übersetzte Kurzfassung:
- Das Sparen elektrischer Energie ist ein wesentlicher Schritt bei der Bekämpfung des durch den Menschen beeinflussten Klimawandels. Non-intrusive load monitoring (NILM) dient der Analyse von elektrischen Geräten und deren Energieverbrauch ohne Eingriff in den elektrischen Stromkreis. Wir zeigen unter Verwendung neuer Verfahren, basierend auf Machine und Representation Learning, was die Möglichkeiten und Grenzen derartiger System in realen Einsatzszenarien sind.
- WWW:
- https://mediatum.ub.tum.de/?id=1485452
- Eingereicht am:
- 03.06.2019
- Mündliche Prüfung:
- 12.11.2019
- Dateigröße:
- 11375345 bytes
- Seiten:
- 144
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20191112-1485452-1-8
- Letzte Änderung:
- 09.03.2020
BibTeX