Real-time non-intrusive load monitoring enhanced with user feedback

Non-Intrusive Appliance Load Monitoring (NIALM) is a process for deducting what appliances are being used in a household by observing the total energy consumption over time. Such process makes it possible to provide energy management services to a large number of users without installation of per-appliance meters. This thesis analyzes the performance of NIALM for publicly available datasets i.e REDD, UK-DALE, iAWE and Load Profile (generated by “Load profile generator”) using energy disaggregation algorithms Combinatorial Optimization (CO) and Factorial Hidden Markov Model (FHMM). Comparison between the performance of energy disaggregation algorithms is made by calculating accuracy metrics i.e FTE, NEP, RMSE and F-score. This study also discusses the improvement of proposed algorithms. In this thesis the analysis of the performance of NIALM is presented when used to provide real-time services. It also studies how the performance of NIALM could be improved by dynamically selecting the disaggregation model on the basis of user feedback about the correctness of the disaggregation and also provides the basis for the development of an automated mechanism that chooses the best model depending on user’s habits. Limitations of mechanism are also discussed. Simulation of the algorithm developed for real-time NILM shows promising result for some appliances.

Sommario Il monitoraggio del carico degli apparecchi non intrusivi (NIALM) è un processo per dedurre quali apparecchi vengono utilizzati in una casa osservando il consumo totale di energia nel tempo. Tale processo consente di fornire servizi di gestione energetica a un gran numero di utenti senza installazione di contatori per apparecchio. Questa tesi analizza le prestazioni di NIALM per set di dati disponibili pubblicamente, ovvero REDD, UK-DALE, iAWE e Load Profile (generati da "Load profile generator") utilizzando algoritmi di disaggregazione energetica Combinatorial Optimization (CO) e Factorial Hidden Markov Model (FHMM). Il confronto tra le prestazioni degli algoritmi di disaggregazione energetica viene effettuato calcolando le metriche di precisione, ad esempio FTE, NEP, RMSE e punteggio F. Lo studio discute anche il miglioramento degli algoritmi proposti. In questa tesi viene presentata l'analisi delle prestazioni di NIALM quando viene utilizzata per fornire servizi in tempo reale. Studia anche come le prestazioni di NIALM potrebbero essere migliorate selezionando dinamicamente il modello di disaggregazione sulla base del feedback degli utenti sulla correttezza della disaggregazione e anche per lo sviluppo di un meccanismo automatizzato che sceglie il modello migliore in base alle abitudini dell'utente. Vengono anche discussi i limiti del meccanismo. La simulazione dell'algoritmo sviluppata per NILM in tempo reale mostra risultati promettenti per alcuni dispositivi.