Unsere NILM-Forschung (Non Intrusive Load Monitoring) – besser bekannt unter dem Begriff Geräteerkennung – ist und bleibt ein spannendes Feld. Wie können einzelne Geräte im Haushalt mithilfe eines Smart Meter an ihrem Verbrauch erkannt und dem Nutzer transparent aufbereitet werden, ohne weitere Zwischenstecker oder manuelle Ablesungen?
Die Technologie dahinter ist dabei weiter ein dynamisches Forschungsfeld und lebt vor allem von Tests und Ideen in der Breite. Bei der Arbeit mit großen Datenmengen und unterschiedlichsten Verbrauchern ist das Feedback aus möglichst vielen Richtungen unabdinglich. Auch aus diesem Grund möchten wir externen Entwicklern und technisch interessierten Anwendern die Möglichkeit geben, selbst einen Blick auf unsere gesammelten Erfahrungen zu sammeln. Sie bekommen dabei die Möglichkeit, anhand real generierter, voll-anonymisierter Datensätze selbst zu erkunden, welche Methodiken hinter NILM und der Geräteerkennung schlummern.
Modelle, Testdaten und und und …
Was genau haben wir dabei veröffentlicht? Zahlreiche unterschiedliche Klassifizierungsmodelle und Testdaten zu verschiedensten Verbrauchern wie Spül- oder Waschmaschinen, Heizelementen, Kühlaggregate usw. Darüber hinaus stellen wir außerdem Informationen in der Breite zur Geräteerkennung genauso zur Verfügung wie historische Erfahrungen, die wir im Testing gesammelt haben. Sollten Sie Bedarf an weitern Datensätzen haben, melden Sie sich mit Ihrem Anliegen gerne auch einfach direkt bei unserer Forschungsabteilung über die forschung@inexogy.com.
Die Zukunft der Geräteerkennung
Open Source Entwicklungen sind in unseren Augen eine sehr gute Möglichkeit, mit dem gewonnen Feedback und zurückgespielten Denkanstößen unsere eigenen Weiterentwicklungen zu beschleunigen. Gleichzeitig würde die verbesserte Qualität von NILM dafür sorgen, dass wir neue Innovationspotenziale der Geräteerkennung erkunden und für unsere Nutzer greifbar machen könnten – bspw. gerätespezifische Empfehlungen zur Optimierung des Verbrauchs.
Damit möglichst wenig Fragen zum Start übrig bleiben, haben wir hier noch einmal die wichtigsten Punkte zum Gebrauch der GitHub Daten für Sie in einem FAQ zusammengefasst.
Was genau finde ich auf GitHub?
Verschiedene Test- und Klassifizierungsmodelle zum Thema NILM. Diese umfassen außerdem Anwendungsskripte sowie die Train-Historie. Zu dem GitHub Profil mit allen notwendigen Informationen gelangen Sie hier
Was kann ich als GitHub Nutzer mit den Daten genau machen, um NILM voranzubringen?
Mit den vorhanden Datensätzen lassen sich Fixes entdecken und Vorschläge einreichen, die zur Verbesserung des Systems beitragen können. Weiter können Sie als Nutzer auch neue, eigene Modelle / Klassifikatoren nach Einleitung hinzufügen und somit helfen, Systeme zu komplementieren.
Kann ich auch meine eigenen Daten analysieren?
Ja, Sie können nach Einleitung Ihrer eigenen Daten, diese in entsprechende Dateiformate umformulieren und das System laufen lassen, um Ergebnisse anhand Ihrer eigenen Daten zu berechnen.
Welche Kenntnisse werde ich brauchen?
Um sich direkt vom Start an gut zurechtzufinden, empfehlen wir grundlegende Python-Kenntnisse sowie Basisfähigkeiten im Bereich des Machine Learnings (besonders mit den Bibliotheken TensorFlow, Numpy und Pandas). Die Datensätze bieten einen sehr guten Einstiegspunkt, um das Thema NILM grundlegend kennenzulernen.
