Il monitoraggio non-intrusivo dei carichi aiuta a promuovere l’efficienza energetica e il risparmio di energia sia in ambito residenziale che industriale fornendo informazioni dettagliate sui consumi dei singoli carichi collegati all’impianto. Le metodologie basate su Deep Learning necessitano notevoli risorse computazionali, generalmente disponibili solo su piattaforme Cloud. La necessità di trasferire notevoli quantità di dati comporta problemi di latenza nella risposta, privacy, e banda.
In questo contesto, il lavoro che vi proponiamo questa settimana presenta una metodologia per la riduzione della complessità architetturale e computazionale di reti neurali al fine di incrementare le prestazioni pur riducendo la complessità. In questo modo, l’algoritmo NILM può essere eseguito su dispositivi con risorse computazionali limitate e più vicini al punto di acquisizione dei segnali.
Il paper è disponibile al link: doi.org/10.1109/TII.2023.3328436