Machine Learning for Non-Intrusive Load Monitoring

Promovendus/a
Leen De Baets
Faculteit
Faculteit Ingenieurswetenschappen en Architectuur
Vakgroep
Vakgroep Informatietechnologie
Curriculum
Master of Science in de ingenieurswetenschappen: computerwetenschappen — afstudeerrichting informatie- en communicatietechnologie, Universiteit Gent, 2014
Academische graad
Doctor in de ingenieurswetenschappen: computerwetenschappen
Taal proefschrift
en
Vertaling titel
Machinaal leren voor het niet-invasief opmeten van stroomverbruik in een woning
Promotor(en)
prof. Tom Dhaene, vakgroep Informatietechnologie - prof. Chris Develder, vakgroep Informatietechnologie
Examencommissie
voorzitter em. prof. Daniël De Zutter (eredecaan) - dhr. Joost Bruneel (Smappee, Kortrijk) - dr. ir. Thomas Demeester (Vakgroep Informatietechnologie) - prof. Dirk Deschrijver (Vakgroep Informatietechnologie) - prof. Chris Develder (Vakgroep Informatietechnologie) - Prof. Tom Dhaene (Vakgroep Informatietechnologie) - prof. Andreas Reinhardt (Technische Universität Clausthal, Germany) - prof. Dirk Stroobandt (Vakgroep Elektronica en Informatiesystemen)

Korte beschrijving

Het niet-invasief opmeten van stroomverbruik in een woning meet het totale energieverbruik van een huishouden door gebruik te maken van slechts 1 sensor. De verzamelde data wordt vervolgens gebruikt om te bepalen welke huishoudelijke toestellen aanwezig zijn, welke al dan niet actief zijn en voor hoe lang. Hiervoor wordt machine learning gebruikt. Het omzetten van deze data naar kennis resulteert in bruikbare inzichten in uw elektriciteitsrekening. Er bestaan verschillende soorten NILM. Mijn proefschrift concentreert zich op de op gebeurtenis gebaseerde methoden, die de volgende stappen omvatten: (1) data verzamelen, (2) activering of deactivering van toestellen (gebeurtenissen) detecteren, (3) kenmerken extraheren, en (4) classificeren van huishoudelijke toestellen. Elke stap wordt in dit proefschrift onderzocht: (1) we verzamelen data, (2) detecteren gebeurtenissen op een robuuste manier, (3) extraheren karakteristieken uit afbeeldingen eigen aan het stroomverbruik van de toestellen en (4) voeren beeldclassificatie uit. Daarbij wordt er ook een methode voorgesteld die in staat is om nieuwe/niet-geïdentificeerd toestellen te herkennen door een voorstellingsruimte te leren waarin verschillende toestellen verschillende, verspreide groepen vormen

Praktisch

Wanneer
Vrijdag 27 april 2018, 15:30
Waar
auditorium 1, iGent, eerste verdieping, Technologiepark Zwijnaarde 15, 9052 Zwijnaarde

Meer info

Contact
doctoraat.ea@UGent.be