شخصی‌سازی مصرف انرژی در خانه‌های هوشمند با استفاده از تکنیک‌های یادگیری ماشین

به دلیل مصرف انرژی بالا ساختمان‌ها، مدیریت انرژی در خانه‌های هوشمند یک چالش اساسی است. سیستم‌های توصیه‌گر شخصی‌سازی ‌شده یک راه‌حل‌ برای بهینه‌سازی مصرف انرژی از طریق تحلیل رفتارهای مصرف انرژی ساختمان است. تکنیک تجزیه انرژی nilm یک راه‌حل بهینه است. بااین‌حال، ترکیب سیستم‌های پیشنهاددهنده و nilm توجه کمتری را به خود جلب کرده است. این مقاله یک سیستم توصیه‌گر شخصی‌سازی‌ شده مبتنی بر nilm پیشنهاد می کند که دارای سه فاز اصلی است: nilm مبتنی بر dae، دسته‌بندی متون مبتنی بر tf-idf و پیشنهاد شخصی‌سازی‌شده. به دلیل نویز در داده‌ها، nilm مبتنی بر dae کمک می‌کند تا نویزها از سیگنال‌ها شناسایی شوند. نیازمندی‌های و علاقه مندی های خانوارها در این مرحله شناسایی می شوند. در فاز دوم از تکنیک tf-idf برای استخراج کلمات پراهمیت از لوازم بهینه و اختصاص برچسب به آن‌ها استفاده می‌شود. درنهایت در فاز سوم، از تکنیک شبیه‌سازی کسینوسی برای ارائه پیشنهاد استفاده می‌شود. در این گام برای هر وسیله که در لیست نیازمندی‌های کاربر وجود دارد یک پیشنهاد تولید می‌شود. رویکرد پیشنهادی با استفاده از مجموعه داده redd موردبررسی قرار گرفت. نتایج نشان داد که دقت سیستم توصیه‌گر حدود 60% بوده است.

Personalization of Energy Consumption in Smart Homes using Machine Learning Technique

Since most of the energy consumption is related to buildings, energy management in smart homes is a major challenge. Personalized recommender systems are a solution to optimize energy consumption by analyzing building energy consumption behaviors. The NILM energy disaggregation technique has been considered in recent years. However, the combination of recommender systems and NILM has received less attention. This paper proposes a personalized NILM-based recommender system that has three main phases: DAE-based NILM, TF-IDF-based text classification, and personalized recommendation. Because of the noise in the energy data, the DAE-based NILM helps detect these noises from the signals. Households’ requirements and interests are identified at this stage. In the second phase, the TF-IDF technique is used to extract meaningful keywords from the advertised optimal tags and assign them a label. Finally, in the third phase, the cosine similarity technique is used to provide some recommendations. This step generates a suggestion for each device that is on the requirement list. The proposed approach was tested using the REDD dataset. The results showed that the accuracy of the recommendation system was about 60%.