针对非入侵负荷监测（NILM）的主动学习基准测试
机器学习
2024-11-26 v1 人工智能
摘要
非入侵负荷监测（NILM）旨在将总 household 用电消耗分解为特定 appliance 的用电情况。许多高级 NILM 方法基于神经网络，这些方法通常需要大量标记的 appliance 数据，而在实际场景中收集这些数据可能具有挑战性和高昂的成本。我们假设，所有 household 的 appliance 数据并不均等地对 NILM 模型的改进作出贡献。因此，我们提出一种主动学习方法，针对在有限数量的房屋中选择性安装 appliance 监控器。本工作是首次对主动学习用于战略性选择 appliance 级别数据以优化 NILM 性能进行基准测试。我们首先开发了针对 NILM 的不确定性感知神经网络，然后在 disaggregation 不确定性最高的住宅场所安装传感器。在公开的 Pecan Street Dataport 数据集上进行基准测试，我们的做法显著优于标准随机基线，并实现了与在整个数据集上训练的模型相当的性能。使用这种方法，我们以约 30% 的数据即可实现相当的 NILM 准确率；对于固定数量的传感器，随机抽样相比可实现最高 2 倍的 disaggregation 误差降低。
引用
@article{arxiv.2411.15805,
title = {Benchmarking Active Learning for NILM},
author = {Dhruv Patel and Ankita Kumari Jain and Haikoo Khandor and Xhitij Choudhary and Nipun Batra},
journal= {arXiv preprint arXiv:2411.15805},
year = {2024}
}