基于深度学习的家庭电器能耗分解与开关状态检测
机器学习
2019-08-06 v2 多媒体
信号处理
摘要
能耗分解（又称非侵入式负载监测）旨在从测量总能耗（例如整个房屋）的主电能表的读数中分离出各个电器的能耗。单个电器的能耗在许多应用中都很有用，例如向终端用户提供电器级反馈，帮助他们了解自己的能耗并最终节省能源。最近，随着大规模能耗数据集的可用，各种神经网络模型（如卷积神经网络和循环神经网络）已被研究用于解决能耗分解问题。神经网络模型可以从大量数据中学习复杂模式，并且已被证明优于隐马尔可夫模型变体等传统机器学习方法。然而，当前用于能耗分解的神经网络方法要么计算代价高昂，要么无法处理长期依赖关系。在本文中，我们研究了最近开发的 WaveNet 模型在能耗分解任务中的应用。基于从 20 户家庭两年间收集的真实世界能源数据集，我们表明 WaveNet 模型在误差度量和计算成本两方面均优于文献中提出的用于能耗分解的最先进（state-of-the-art）深度学习方法。在能耗分解的基础上，我们进而研究了两种基于深度学习的框架在开关检测任务中的性能，该任务旨在估计电器是否正在运行。基于同一数据集，我们表明对于开关检测任务，第二种框架（即直接训练一个二分类器）在 F1 分数方面取得了更好的性能。
引用
@article{arxiv.1908.00941,
title = {Deep Learning Based Energy Disaggregation and On/Off Detection of Household Appliances},
author = {Jie Jiang and Qiuqiang Kong and Mark Plumbley and Nigel Gilbert},
journal= {arXiv preprint arXiv:1908.00941},
year = {2019}
}
备注
19 pages