Conv-NILM-Net：一种用于能源分离的因果多电器模型
信号处理
2023-02-14 v2 机器学习
摘要
非侵入式负载监测（NILM）旨在通过从单一总测量中估计单个电器的功率使用来节省能源。深度神经网络在尝试解决 NILM 问题中变得越来越流行。然而，大多数使用的模型用于负载识别而非在线源分离。在源分离模型中，大多数采用单任务学习方法，即每个电器专门训练一个神经网络。该策略计算成本高，且忽略了多个电器可同时活动及它们之间的依赖关系。其余模型不是因果的，而这对实时应用十分重要。受用于语音分离的 Convtas-Net 模型启发，我们提出 Conv-NILM-net，一种用于端到端 NILM 的全卷积框架。Conv-NILM-net 是一种用于多电器源分离的因果模型。我们的模型在两个真实数据集 REDD 和 UK-DALE 上进行了测试，在保持显著小于竞争模型规模的同时，明显优于当前最优（SOTA）方法。
引用
@article{arxiv.2208.02173,
title = {Conv-NILM-Net, a causal and multi-appliance model for energy source separation},
author = {Simo Alami C. and Jérémie Decock and Rim Kaddah and Jesse Read},
journal= {arXiv preprint arXiv:2208.02173},
year = {2023}
}
备注
Published in ECML PKDD 2022: Machine Learning and Principles and Practice of Knowledge Discovery in Databases