Login
- Originaltitel:
- Learning from Power: Machine Learning on Electrical Signals
- Übersetzter Titel:
- Von Energie lernen: maschinelles Lernen auf elektrischen Signalen
- Autor:
- Jorde, Daniel Rene
- Jahr:
- 2021
- 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
- TU-Systematik:
- WIR 523
- Kurzfassung:
- Non-intrusive load monitoring (NILM) techniques deliver various insights from electrical signals, such as the condition of electrical components, without attaching sensors to each device. This thesis contributes new algorithms and data to the stages of the NILM analysis pipeline, in particular, to event detection and appliance identification.
- Übersetzte Kurzfassung:
- Non-intrusive load monitoring (NILM) Techniken liefern verschiedene Erkenntnisse aus elektrischen Signalen, wie die Zustände von elektrischen Komponenten, ohne Sensoren an jedem Gerät anzubringen. Diese Arbeit trägt neue Algorithmen und Daten zu den Schritten der NILM Analysepipeline bei, besonders zur Eventerkennung und Geräteidentifikation.
- WWW:
- https://mediatum.ub.tum.de/?id=1576951
- Eingereicht am:
- 29.10.2020
- Mündliche Prüfung:
- 26.04.2021
- Dateigröße:
- 7738772 bytes
- Seiten:
- 111
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20210426-1576951-1-2
- Letzte Änderung:
- 21.06.2021
BibTeX