Non-Intrusive Load Monitoring Using a CNN-LSTM-RF Model Considering Label Correlation and Class-Imbalance

Non-Intrusive Load Monitoring (NILM) is particularly important for demand response. This paper proposes an innovative method based on a deep learning model to recognize the working state of electrical appliances using low frequency load data. The approach includes a data processing step, a deep lear...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE access Ročník 9; s. 84306 - 84315
Hlavní autoři:	Zhou, Xiao, Li, Shujian, Liu, Chengxi, Zhu, Haojun, Dong, Nan, Xiao, Tianying
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Piscataway IEEE 2021 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Algorithms Artificial neural networks class-imbalance CNN Correlation Data models Data processing Datasets Deep learning Electric appliances Electrical products Feature extraction Hidden Markov models Load modeling LSTM Machine learning Model accuracy Monitoring multi-label classification NILM
ISSN:	2169-3536, 2169-3536
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!