卷积序列到序列非侵入式负荷监测
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。
Dec, 2016
利用卷积神经网络架构完全替代了循环神经网络的流行序列到序列学习方法,运用门控线性单元简化了梯度传播,为每个解码器层装备了单独的注意力模块,在 GPU 和 CPU 上取得了比 Wu 等人(2016)更高的准确性和十倍以上的速度。
May, 2017
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
本文介绍了一种基于转换器注意机制和时间池化的新颖序列到序列模型,用于智能建筑的非侵入式负载监测 (NILM),旨在通过使用深度学习方法提高 NILM 的准确性。该方法使用序列到序列 (Seq2Seq) 模型,通过转换器注意机制捕获 NILM 数据的长期依赖性,并使用时间池化来提高模型的准确性,捕获电器的稳态和瞬态行为。该论文在公开数据集上评估了所提出的方法,并将结果与其他最新的 NILM 技术进行了比较,结果表明,该方法在准确性和计算效率方面优于现有的方法。
Jun, 2023
本文提出使用基于 LSTM 的序列 - 序列学习模型来捕捉家用电器负载曲线,并使用 4 个住宅建筑物的真实数据集将其与 VARMA,Dilated One Dimensional 卷积神经网络和 LSTM 模型进行比较,结果表明,在大多数情况下,提出的 LSTM 序列 - 序列模型在预测误差方面优于其他技术。
Jun, 2021
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
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
基于卷积神经网络(CNN)、自注意编码器 - 解码器网络(SAEDN)和残差优化(Res)的短期负荷预测方法提高了预测准确性和稳定性。
Sep, 2023
本文利用人工智能的计算机视觉技术,设计了一种非侵入式负载监测方法,用于智能电能管理。通过信号变换和图像处理技术,将一维电流信号映射到二维的彩色特征图像,并利用深度神经网络识别电能负载,从而实现云端、非侵入式的用户监测,从而在电力系统控制中节约能源成本。实验结果表明,该方法在大规模物联网中实现了高效的能源管理。
Aug, 2023
通过使用卷积神经网络(CNN)和长短期记忆网络(LSTM),本文介绍了一种创新的方法来建立可靠的时间序列预测模型,用于电网频率。这些模型能够有效地捕捉电网频率数据中的时空复杂性,显著提高预测准确性并增强电网可靠性。
Oct, 2023