elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Maximizing Efficiency in Commercial Power Systems with an Optimized Load Classification and Identification Method Using Deep Learning and Ensemble Techniques

Kulathilaka, M.J.S. und Saravanan, S. und Kumarasiri, H.D.H.P. und LOGEESHAN, V. und KUMARAWADU, S. und Rajakaruna Wanigasekara, Chathura (2023) Maximizing Efficiency in Commercial Power Systems with an Optimized Load Classification and Identification Method Using Deep Learning and Ensemble Techniques. In: 2023 IEEE World AI IoT Congress, AIIoT 2023. IEEE. 2023 IEEE World AI IoT Congress (AIIoT), 2023-06-07 - 2023-06-10, Seattle, WA, USA. doi: 10.1109/AIIoT58121.2023.10174492. ISBN 979-835033761-7.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

Offizielle URL: https://ieeexplore.ieee.org/document/10174492

Kurzfassung

Due to the continuous rise of energy demand and electricity costs, the need for a detailed metering option has become crucial. Non-intrusive load monitoring is such an approach that requires less hardware compared to the other load monitoring options, significantly improving consumer comfort. Due to this reason, researchers are encouraged to implement more advanced machine learning techniques capable of accurate load classification and identification; among them, most focus on residential applications due to fewer complications. However, commercial power systems present considerable challenges compared to residential power systems due to the greater diversity of loads and significant imbalances. In order to overcome these challenges, we introduce a novel neural network design that incorporates sequence-to-sequence, WaveNet, and Ensembling techniques to identify and classify single-phase and three-phase loads in commercial power systems. We tested our approach by identifying and classifying nine appliances - five single-phase and four three-phase - for three months, revealing a significant improvement in accuracy.

elib-URL des Eintrags:https://elib.dlr.de/196228/
Dokumentart:Konferenzbeitrag (Vorlesung)
Titel:Maximizing Efficiency in Commercial Power Systems with an Optimized Load Classification and Identification Method Using Deep Learning and Ensemble Techniques
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Kulathilaka, M.J.S.University of MoratuwaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Saravanan, S.University of MoratuwaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Kumarasiri, H.D.H.P.University of MoratuwaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
LOGEESHAN, V.University of MoratuwaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
KUMARAWADU, S.University of MoratuwaNICHT SPEZIFIZIERTNICHT SPEZIFIZIERT
Rajakaruna Wanigasekara, ChathuraChathura.Wanigasekara (at) dlr.dehttps://orcid.org/0000-0003-4371-6108143015338
Datum:Juli 2023
Erschienen in:2023 IEEE World AI IoT Congress, AIIoT 2023
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Ja
In ISI Web of Science:Nein
DOI:10.1109/AIIoT58121.2023.10174492
Verlag:IEEE
ISBN:979-835033761-7
Status:veröffentlicht
Stichwörter:Non-Intrusive Load Monitoring, Load Identifi- cation and Classification, Neural Network, Sequence-to-Sequence Learning, WaveNet, Ensemble Learning
Veranstaltungstitel:2023 IEEE World AI IoT Congress (AIIoT)
Veranstaltungsort:Seattle, WA, USA
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:7 Juni 2023
Veranstaltungsende:10 Juni 2023
HGF - Forschungsbereich:keine Zuordnung
HGF - Programm:keine Zuordnung
HGF - Programmthema:keine Zuordnung
DLR - Schwerpunkt:keine Zuordnung
DLR - Forschungsgebiet:keine Zuordnung
DLR - Teilgebiet (Projekt, Vorhaben):keine Zuordnung
Standort: Bremerhaven
Institute & Einrichtungen:Institut für den Schutz maritimer Infrastrukturen > Resilienz Maritimer Systeme
Hinterlegt von: Rajakaruna Wanigasekara, Chathura
Hinterlegt am:26 Sep 2023 09:37
Letzte Änderung:27 Mai 2024 12:42

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.