面向 EMS 的负荷监测时间序列维度扩展与迁移学习
机器学习
2023-04-20 v4 信号处理
摘要
能源管理系统 (EMS) 依赖（非）侵入式负荷监测 (N)ILM 来监测和管理电器，帮助居民提高能效从而更加节约。最有前景的 (N)ILM 机器学习解决方案的鲁棒性及迁移潜力尚未被充分理解，因为它们在相对有限的数据上训练和评估。本文中，我们提出一种基于时间序列维度扩展与迁移学习的建筑 EMS 负荷监测新方法。我们在 5 个不同低频数据集上进行了广泛评估。所提出的利用类视频变换的特征维度扩展及资源感知深度学习架构在涵盖 29 个电器的数据集上取得了 0.88 的平均加权 F1 分数，且相比最先进的成像方法计算更高效。针对所提方法的跨数据集域内迁移学习研究，我们发现：1) 我们的方法平均加权 F1 分数为 0.80，同时相比非迁移方法所需训练轮数减少 3 倍；2) 仅用 230 个数据样本即可达到 0.75 的 F1 分数；3) 对于未见电器，我们的迁移方法在精度下降上比最先进水平最多优 12 个百分点。
引用
@article{arxiv.2204.02802,
title = {Dimensionality Expansion of Load Monitoring Time Series and Transfer Learning for EMS},
author = {Blaž Bertalanič and Jakob Jenko and Carolina Fortuna},
journal= {arXiv preprint arXiv:2204.02802},
year = {2023}
}
备注
This paper has been withdrawn because it was significantly altered and does not fit as a replacement anymore