从低频电力消耗数据中提取空置家居时间间隔的新方法，包括变点检测、分类、周期检测和周期性尖峰检索等多种算法，对模拟和真实消耗曲线均取得了令人鼓舞的结果。该方法为能源利用的优化提供了实用见解，并有潜在的节能成本和可持续性效益，但在不同场景和大型数据集上仍需要进一步的研究以提高可应用性。

Dec, 2023

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

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

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

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

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

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

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

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

该研究论文介绍了一个建筑运营中的异常检测系统，包括监测、早期发现、以及基于监测仪的实时异常检测方法。通过结合有监督学习和无监督学习算法，利用动态阈值实现对异常数据的实时检测，并通过真实数据的实证研究验证其有效性，这对于建筑运营中的决策科学和视觉分析有重要意义。

May, 2024