面向非侵入式负荷监测的对抗式能量分解
信号处理
2021-08-05 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
能量分解，又称非侵入式负荷监测（NILM），致力于将全屋用电总量分离为各电器的单独消耗，是数据分析的典型应用。{NILM 旨在帮助家庭了解能源使用情况，进而告知其如何有效管理能源，从而实现能源效率——这被视为可持续能源政策的两大支柱之一（即能源效率与可再生能源）。}尽管 NILM 不可辨识，但人们普遍认为该问题可通过数据科学解决。现有多数方法采用稀疏编码、非负矩阵分解和隐马尔可夫模型等传统技术处理能量分解问题。近期进展表明，深度神经网络（DNNs）能为 NILM 取得良好性能，因其可固有地学习不同电器的判别性特征。本文提出一种基于 DNNs 的名为对抗式能量分解（AED）的新方法。我们将对抗学习的思想引入 NILM，这对能量分解任务而言是全新的。我们的方法以对抗方式训练一个生成器与多个判别器。所提方法不仅学习不同电器的共享表示，还捕捉每个电器的特定多模态结构。在真实数据集上的大量实验验证了我们的方法可达到新的最先进性能。
引用
@article{arxiv.2108.01998,
title = {Adversarial Energy Disaggregation for Non-intrusive Load Monitoring},
author = {Zhekai Du and Jingjing Li and Lei Zhu and Ke Lu and Heng Tao Shen},
journal= {arXiv preprint arXiv:2108.01998},
year = {2021}
}
备注
Accepted to ACM/IMS Trans. on Data Science, codes can be found at https://github.com/lijin118/AED