自动化机器学习：以非侵入式电器负荷监测为例的研究
软件工程
2025-05-13 v2 人工智能
机器学习
摘要
我们提出一种新方法，通过贝叶斯优化为非侵入式电器负荷监测（NIALM，亦称能量分解）启用自动化机器学习（AutoML）。NIALM 提供了一种相较智能电表更具成本效益的替代方案，用于测量电器与设备的能耗。NIALM 方法分析家庭的总功耗信号，并预测电器类型及其各自功耗（即它们对聚合信号的贡献）。我们使通常不具备深入数据分析或机器学习（ML）技能的 NIALM 领域专家与从业者也能受益于最先进的 NIALM 机器学习方法。此外，我们对现有最先进方法进行了调研与基准测试，并表明在许多情况下，诸如决策树等简单基础的 ML 模型与算法优于现有最先进水平。最后，我们呈现了开源工具 AutoML4NIALM，它将促进工业界对现有 NIALM 方法的利用。
引用
@article{arxiv.2203.02927,
title = {Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring},
author = {Armin Moin and Ukrit Wattanavaekin and Alexandra Lungu and Stephan Rössler and Stephan Günnemann},
journal= {arXiv preprint arXiv:2203.02927},
year = {2025}
}
备注
ITNG 2025 - To be published by Springer