Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | UTFPR - Federal University of Technology | - |
Autor(es): dc.creator | Bosco, Thais Berrettini | - |
Autor(es): dc.creator | Gonçalves, Flavio Alessandro Serrão | - |
Autor(es): dc.creator | de Souza, Wesley Angelino | - |
Data de aceite: dc.date.accessioned | 2025-08-21T23:42:46Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T23:42:46Z | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2021-08-15 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/INDUSCON51756.2021.9529824 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/233587 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/233587 | - |
Descrição: dc.description | The appliance evaluation and the power consumption consciousness are becoming essential for improving demand management and power grid enhancement. Load disaggregation becomes a promising engine for this goal, and some researches efforts have been made in the last years. In this sense, achieving the load characterization is essential to the technique's success; moreover, the proper feature extraction becomes essential. In this way, this paper presents a comparative study of machine learning classifiers for electric load disaggregation using an enhanced version of a household appliance dataset proposed by Souza et al. of Brazilian appliances (NILMbr). The load characterization is performed through the Conservative Power Theory, a recent power theory that extracts appliance signatures by means of power quantities. Then, it is proposed three machine learning models to validate proper load identification, being: classification algorithms - kNearest Neighbor (k-NN), Support Vector Machine (SVM), and Random Forest (RF). These algorithms were used to assess computational time and performance metrics. Subsequently, the RF algorithm presented the best performance, with an accuracy of 99.5%. | - |
Descrição: dc.description | ICTS - Institute of Science and Technology of Sorocaba UNESP - Sao Paulo State University | - |
Descrição: dc.description | DAELE - Department of Electrical Engineering UTFPR - Federal University of Technology | - |
Descrição: dc.description | ICTS - Institute of Science and Technology of Sorocaba UNESP - Sao Paulo State University | - |
Formato: dc.format | 270-277 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | 2021 14th IEEE International Conference on Industry Applications, INDUSCON 2021 - Proceedings | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Load disaggregation | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Power meter | - |
Título: dc.title | A comparative study of machine learning classifiers for electric load disaggregation based on an extended nilm dataset | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: