Jun, 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

PDF
TL;DR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。
non-intrusive load monitoringmachine learningfederated deep learningprivacy-preservingsmart energy
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 基于张量分解的缺失数据填补的非侵入式负载监测

    本文通过引入一种创新的张量完成（TC）模型 - 比例积分导数控制（PID）结合非负张量潜变分析（PNLFT）的方法来解决 NILM 数据损失的问题，实验结果表明与现有模型相比，该模型在收敛速度和准确性方面具有显著提升。

    Mar, 2024

  • 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

  • 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

  • 关于深度负载分解对敌对攻击的敏感性

    对深度非侵入式负荷监测（NILM）基线模型进行敏感性研究，揭示常用 CNN-based NILM 模型在面对 Fast Gradient Sign Method 等对抗攻击时的脆弱性及其对能源管理系统的潜在影响。

    Jul, 2023