Dec, 2016

神经网络序列点学习在非侵入式负载监测中的应用

PDF
TL;DR本文提出了一种基于卷积神经网络的 “序列到点”（sequence-to-point）学习方法，用于解决能源分解中的非识别性问题，并通过在真实家庭能源数据上的应用证明了其比现有方法具有更高的性能。
energy disaggregationnonintrusive load monitoringdeep neural networkssequence-to-point learningconvolutional neural networks
发现论文，激发创造
  • 基于双向膨胀残差网络的序列到点学习用于非侵入式负载监测

    本篇论文研究针对非侵入式负载监测 (Non Intrusive Load Monitoring) 或能源分解 (Energy Disaggregation) 问题，提出了一种基于双向 (非因果) 扩张卷积的序列至点学习框架，与现有算法进行了比较，实验证明该方法优于其他方法。

    May, 2020

  • 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

  • 卷积序列到序列非侵入式负荷监测

    提出了一种卷积序列到序列的非侵入式负载监测模型，并成功地将其应用于 REDD 数据集来进行电器分解，并与文献中的卷积序列对点模型进行比较。结果表明，该模型能够为具有不同特征的电器提供令人满意的分解性能。

    Jun, 2018

  • Conv-NILM-Net, 一种用于能量来源分离的因果和多器具模型

    使用深度神经网络进行实时，多设备源分离的，全卷积的非侵入式负荷监测，优于现有技术

    Aug, 2022

  • Wavenilm：一种基于因果神经网络的电力信号复杂分解方法

    本研究提出了一种基于 WaveNet 的因果 1-D 卷积神经网络方法，通过使用复杂电力信号的四个分量来实现非侵入式负荷监测，实现了能效目标。实验结果表明，与同一数据集上现有的结果相比，我们的方法收敛更快、性能更高。

    Feb, 2019

  • 电器识别的表示学习：与传统机器学习的比较

    本研究通过采用深度学习算法，对非侵入式负载监测（NILM）处理链进行改进和简化，实现自动化特征提取和家电识别，取得优于传统机器学习方法的表现。

    Aug, 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

  • 基于 CNN-BiLSTM 注意机制的低频负荷识别

    本研究提出了一种旨在从低频功率数据中进行精确区分的混合学习方法，它采用卷积神经网络（CNN）和双向长短期记忆网络（BILSTM）的整合，包含一个集成的注意力机制。经过模拟实验使用现有低频 REDD 数据集评估该模型性能，结果表明我们提出的方法在准确性和计算时间方面超过了现有方法。

    Nov, 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

  • 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