基于MobileNetV3和动态时间规整的边缘计算非侵入式负载监测方法
信号处理
2025-04-24 v1 人工智能
机器学习
摘要
近年来，非侵入式负载监测(NILM)技术因其独特优势——仅利用单个电表数据即可实现对设备级能源消耗的精确分解——受到广泛关注。在机器学习和深度学习基础的方法中，通过融合时频域特征已在负载分解精度方面取得显著成果。然而，这些方法通常面临高计算成本和巨大的内存要求，成为在资源受限的单片机单元(MCU)上部署的主要障碍。为此，本研究提出一种创新的时频域基于动态时间规整(DTW)算法，并系统比较和分析了家庭电力场景下六种机器学习技术的性能。通过对边缘MCU的完整实验验证，该方案成功实现了95%的识别准确率。同时，本研究深入优化了频域特征提取过程，有效将运行时间缩短55.55%，存储开销降低约34.6%。该算法性能将在未来研究中进一步优化。考虑到消除电压变压器设计可显著降低成本，后续研究将聚焦于此方向，并致力于为实际应用中更具成本效益的NILM解决方案提供可靠的理论基础和可行的技术路径，以适应边缘计算环境中高效NILM系统的设计。
引用
@article{arxiv.2504.16142,
title = {A Non-Invasive Load Monitoring Method for Edge Computing Based on MobileNetV3 and Dynamic Time Regulation},
author = {Hangxu Liu and Yaojie Sun and Yu Wang},
journal= {arXiv preprint arXiv:2504.16142},
year = {2025}
}