Data Augmentation Strategies for High-Frequency NILM Datasets - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue IEEE Transactions on Instrumentation and Measurement Année : 2023

Data Augmentation Strategies for High-Frequency NILM Datasets

Stratégies d'enrichissement de données pour les bases données NILM haute fréquence

Résumé

The Nonintrusive Load Monitoring (NILM) process aims to monitor the different appliances connected to a power grid. It accomplishes this by analyzing one or multiple signals measured at the main breaker level of the power grid. In order for it return a response with high fidelity, it needs to be trained and tested using data pools of individual and aggregated appliance signals. Although, some datasets are publicly available, they lack a sufficient quantity of labeled and time stamped aggregated signals, and a sufficient quantity of individual signals per appliance. Although, recent works have worked on this topic and introduced synthetic datasets. However, they revolve around low sampling frequencies, which does not allow us to extract high frequency signatures from the signal waveform and in particular from the transient phases. In this paper, we aim to solve the two problems mentioned above. We solve the first one using an algorithm that takes any number of individual appliance signals and construct a fully labeled and time stamped aggregated signal. Next, we solve the second problem by introducing an approach that allows us to construct a large number of synthetic single appliance signals using a relatively smaller number of real single appliance signals. In addition, we perform all of this work on signals with high sampling frequencies, which will allow the extraction of the high frequency features for later use.
Le processus de surveillance de la charge non intrusive (NILM) vise à surveiller les différents appareils connectés à un réseau électrique. Pour ce faire, il analyse un ou plusieurs signaux mesurés au niveau du disjoncteur principal du réseau électrique. Pour qu'il renvoie une réponse avec une grande fidélité, il doit être formé et testé en utilisant des pools de données de signaux d'appareils individuels et agrégés. Bien que certains ensembles de données soient accessibles au public, ils ne disposent pas d'une quantité suffisante de signaux agrégés étiquetés et horodatés, ni d'une quantité suffisante de signaux individuels par appareil. Des travaux récents se sont penchés sur ce sujet et ont introduit des ensembles de données synthétiques. Cependant, ils portent sur des fréquences d'échantillonnage basses, ce qui ne nous permet pas d'extraire des signatures à haute fréquence de la forme d'onde du signal et en particulier des phases transitoires. Dans cet article, nous visons à résoudre les deux problèmes mentionnés ci-dessus. Nous résolvons le premier à l'aide d'un algorithme qui prend n'importe quel nombre de signaux individuels d'appareils et construit un signal agrégé entièrement étiqueté et horodaté. Ensuite, nous résolvons le second problème en introduisant une approche qui nous permet de construire un grand nombre de signaux synthétiques d'appareils individuels en utilisant un nombre relativement plus petit de signaux réels d'appareils individuels. En outre, nous effectuons tout ce travail sur des signaux à haute fréquence d'échantillonnage, ce qui permettra d'extraire les caractéristiques à haute fréquence en vue d'une utilisation ultérieure.
Fichier non déposé

Dates et versions

hal-04455949 , version 1 (13-02-2024)

Identifiants

Citer

Mohamad Nour, J C Le Bunetel, Philippe Ravier, Y. Raingeaud. Data Augmentation Strategies for High-Frequency NILM Datasets. IEEE Transactions on Instrumentation and Measurement, 2023, 72, pp.1-9. ⟨10.1109/TIM.2023.3261907⟩. ⟨hal-04455949⟩
9 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More