May, 2020

基于深度学习的图像自动抄表：数据集和基准模型

PDF
TL;DR本研究提出了一种基于深度学习的多表盘电表读取方法，这是首个尝试采用深度学习方法读取非智能表的研究，并在多个模型上进行了实验。通过本研究，我们提供了一个公共的、基于真实世界的电表数据集，同时还进行了详细的误差分析，对实际中存在的主要问题进行了评估。
smart metersautomatic meter readingdeep learningenergy companydial meters
发现论文，激发创造
  • 在无约束场景下的基于图像的自动抄表：一种强健高效的方法

    本文针对自动抄表在真实场景中遇到的挑战，提出一种全新的自动抄表系统，通过引入角点检测和反分类技术，优化识别之前的计数器区域，提高识别率，在 Copel-AMR 数据集的测试中，该系统表现出较高的识别率。

    Sep, 2020

  • 基于随机超参数调整的 AMI 网络深度循环电力盗窃检测

    该论文提出了一种基于深度循环神经网络的电力盗窃检测器，该模型利用客户用电的时间序列特性实现门控循环单元（GRU）循环神经网络，并采用随机搜索分析进行超参数适当微调，实验结果表明该检测器相比现有技术具有更好的性能。

    Sep, 2018

  • 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

  • METER-ML: 自动甲烷源映射的多传感器地球观测基准

    该研究建立了一个名为 METER-ML 的多传感器数据集，包含标记 85,599 张图像的美国甲烷源设施，并实验了不同的模型，最终找到了一个精度召回曲线下面积达到 0.915 和 0.821 的最佳模型，证明了大规模映射的潜力。

    Jul, 2022

  • 利用 Transformer 增强物联网应用中的自动调制识别

    利用 Transformer 网络为物联网应用中的自动调制识别提出了一种高效的方法，优于传统深度学习技术，实现了最高的识别准确度。

    Mar, 2024

  • 智能电表数据的重新伪装策略对深度学习分析攻击不具鲁棒性

    智能电表、再节点化、基于深度学习的剖析攻击、神经网络嵌入以及家庭用电记录

    Apr, 2024

  • 利用超低频智能电表时间序列进行家电检测

    本文研究了时序分类器在检测低频智能电表数据中多种家电的存在和缺失方面的应用和比较，并提高了关于提高检测性能的建议。

    May, 2023

  • ABODE-Net: 一种基于注意力机制的深度学习模型，利用智能电表数据进行非侵入式建筑物占用检测

    本文提出了一个利用智能电表数据进行建筑物占用检测的深度学习模型 ABODE-Net，并采用了一种称为 Parallel Attention 的新型并行关注机制，结合时间、变量和通道注意力实现对重要特征的识别。在两个广泛应用于建筑物占用检测的智能电表数据集上，模型表现优于浅层机器学习和深度学习模型，有效地实现了非侵入式建筑物占用检测。

    Dec, 2022

  • 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

  • 揭开潜力：多任务深度学习用于空间定量监测挥发性甲烷泄漏

    通过基于物理仿真的遥感影像监测方法，我们提出了一种新的基于深度学习的定量甲烷排放监测框架，该框架包括甲烷浓度反演、甲烷烟团分割和甲烷排放速率估计三个子任务，并引入多任务学习模型来提高准确性。

    Jan, 2024