A comprehensive study about machine learning technology and data analysis in different dateset for energy consumption disaggregation by using NILMTK toolkit

In this present world, energy reservation is a complicated issue because of exponentially expanding energy consumption requirement. Nowadays, researchers are endeavoring to create innovative real-time technological answers for addressing and solution to this issue. Non-intrusive Load Monitoring Toolkit is an open-source disaggregation toolkit aiming to estimate each appliance's power usage from a whole-house meter studying. It is an excellent tool for reproducible energy consumption disaggregation research activity. It is designed mainly for the comparison purpose of energy disaggregation algorithms. In this project, we demonstrate a detailed data analysis of REDD, GREEND, and UK-DALE dataset for close and better disaggregation results of the appliances. All the data analysis that we did perform by the NILMTK toolkit. Our aim of this project was to lower the value of RMSE, MSE, and MAE as much as possible because this three-performance metrics lower value indicates the disaggregation model's better performance. At the same time, the optimal and more accurate disaggregation result of the appliances is possible.

In questo mondo attuale, la prenotazione di energia è una questione complicata a causa del fabbisogno di consumo energetico in espansione esponenziale. Al giorno d'oggi, i ricercatori stanno cercando di creare risposte tecnologiche innovative in tempo reale per affrontare e risolvere questo problema. Il toolkit di monitoraggio del carico non intrusivo è un toolkit di disaggregazione open source che mira a stimare l'utilizzo di energia di ogni apparecchio da uno studio di contatori di tutta la casa. È uno strumento eccellente per un'attività di ricerca sulla disaggregazione del consumo energetico riproducibile. È progettato principalmente per lo scopo di confronto degli algoritmi di disaggregazione dell'energia. In questo progetto, dimostriamo un'analisi dettagliata dei dati del set di dati REDD, GREEND e UK-DALE per risultati di disaggregazione più ravvicinati e migliori delle appliance. Tutte le analisi dei dati che abbiamo eseguito con il toolkit NILMTK. Il nostro scopo di questo progetto era abbassare il più possibile il valore di RMSE, MSE e MAE perché questo valore inferiore delle metriche a tre prestazioni indica le migliori prestazioni del modello di disaggregazione. Allo stesso tempo, è possibile il risultato di disaggregazione ottimale e più accurato degli apparecchi.