Apr, 2014

NILMTK：用于非侵入式负载监测的开源工具包

PDF
TL;DR本研究提出了 Non-intrusive Load Monitoring Toolkit (NILMTK) 工具包，旨在能够以可重复的方式比较不同的能量分解算法并评估这些算法的性能，该工具包包括了几个现有数据集的解析器和预处理算法，以及一个参考基准分解算法和一套准确度评估方法。
non-intrusive load monitoringenergy disaggregationnilmtkreproducible analysisbenchmark disaggregation algorithms
发现论文，激发创造
  • 朝着值得信赖的能源分解：非侵入式负荷监测的挑战、方法和前景综述

    该研究综述了近期针对住宅电器的非侵入式负载监测方法，分析总结了大量发表的学术文章，讨论了方法的亮点和应用问题，并强调了传统分解模型向实际可信框架的转化的必要性。

    Jul, 2022

  • 使用深度神经网络的非侵入式负载监测 (NILM) 综述

    本文综述了基于深度学习的最新非侵入式负载监测方法，介绍了最适用于住宅负载的最准确方法，总结了 NILM 评估的公共数据库，并使用标准性能指标比较了方法。

    Jun, 2023

  • MATNilm: 多电器多任务非侵入式负载监测有限标记数据

    提出了一种用于家庭电器监测和功耗识别的非侵入式负载监测（NILM）方法，通过拆分整个房屋的总功耗信号来识别各种家用电器的状态和功耗。通过有限的标记数据和训练高效的样本增强方法，可以实现体现整体功耗监测的负载识别性能。

    Jul, 2023

  • 智能家居非侵入式负载监测和电器识别的迁移学习

    提出了一种利用深度学习解决非侵入式负载监测（NILM）问题的方法，包括解决家用和场地级别的 NILM 问题以及家电识别等相关问题，利用低频 REED 数据集和 REFIT 数据集对模型进行训练和测试，能够达到最高 94.6％ 的准确率，为实现节能方案提供参考。

    Jan, 2023

  • 用于非侵入式负载监测的进化深度网络

    本研究使用深度学习方法来对非侵入式负载监测（NILM）进行数据脱密，使用神经网络和 UK-Dale 数据集来加速学习效率和分析能耗。

    Mar, 2023

  • 朝着可持续的 NILM 多标签分类的深度学习

    通过引入一种新颖的深度学习模型，该文章提出了一种改进的多标签非侵入式负载监测分类方法，以提高计算和能源效率，并且通过使用合成数据集进行测试，提出了一种比较不同模型的方法，从而更好地代表实际场景，相较于现有技术，该模型在减少碳足迹超过 23% 的同时，在以 REFIT 和 UK-DALE 数据集派生的数据上平均提供约 8 个百分点的性能改进。

    Jul, 2023

  • 智能传感器能耗分解的高效局部注意力变换器

    使用 ELTransformer 模型进行非侵入式负载监测（NILM），通过规范化和局部关注头模型大大简化计算并提高提取短期局部模式的能力，并证明了 ELTransformer 比现有模型表现更出色。

    Mar, 2022

  • DP$^2$-NILM：一种用于非侵入式负载监测的分布式隐私保护框架

    本研究针对分布式能耗监测框架中的 DP2-NILM 机制进行实验，将联邦学习（FL）技术与隐私保护和功用优化相结合，采用现实中的实测数据对方案进行了评估。

    Jun, 2022

  • 能源负荷分解的综述研究

    能源负荷分解可以通过增强需求侧管理的有效性和提高消费者意识来平衡电力网，并促进节电行为。本文通过评估 72 篇完整的期刊文章，对负荷分解领域、数据类型和方法进行了范围性回顾。研究发现，国内用电量是研究的重点领域，但其他领域如工业负荷分解很少被讨论。大多数研究使用相对较低频的数据，采样间隔在 1 到 60 秒之间。研究使用了各种方法，其中人工神经网络最常用，其次是优化策略、隐藏马尔可夫模型和图信号处理方法。

    Jan, 2024

  • UK-DALE 数据集：来自五个英国家庭的家电电力需求和整个住宅需求

    本篇研究介绍了一种低成本的无线系统，并利用已收集的数据集 (UK-DALE) 提出了一种能够通过整个家庭的电表信号来估算每个电器用电量的计算技术 - 能源分解技术，并发现消费者通过个性化的电器用电量信息最有效地提高他们的能源效率。

    Apr, 2014