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
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
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。
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
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
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
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。
Jun, 2022
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