Badacze opublikowali SEDR-Seq2P, ulepszoną wersję sieci neuronowej Seq2Point dedykowaną do промышленного monitorowania poboru energii. Model wykorzystuje dilated residual blocks oraz attention-based squeeze-and-excitation do precyzyjnego rozbicia zagregowanego sygnału mocy na poszczególne urządzenia w ustawieniach przemysłowych, gdzie tradycyjne modele trenowane na danych z domów prywatnych często zawodzą ze względu na szum pomiaru i jednoczesną pracę wielu maszyn.
Team porównał SEDR-Seq2P z istniejącymi podejściami, w tym Seq2Seq, GRU i WaveNet, używając zunifikowanego benchmarku na zbiorze danych IMDELD. Podczas gdy Seq2Point oferował solidny kompromis między dokładnością a opóźnieniem, starsze modele takie jak GRU i WaveNet wymagały znacznie więcej mocy obliczeniowej. SEDR-Seq2P zmniejszył średni błąd absolutny o około 7 procent i poprawił współczynnik determinacji o 1 procent względem standardowej sieci Seq2Point, przy jednoczesnym zmniejszeniu latencji wnioskowania o 58 procent w porównaniu z WaveNet.
Proponowana architektura ma istotne znaczenie dla skalowalnych systemów monitorowania energii w przemyśle, gdzie zarówno precyzja jak i wydajność obliczeniowa stanowią krytyczne wymagania. Redukcja latencji przy zachowaniu wysokiej dokładności czyni model SEDR-Seq2P obiecującym kandydatem do wdrożenia w rzeczywistych instalacjach przemysłowych, gdzie monitoring zużycia energii poszczególnych urządzeń może prowadzić do znacznych oszczędności i optymalizacji procesów produkcyjnych.