面向能源时间序列的边缘优化深度学习与模式识别技术用于非侵入式负载监测

全球能源需求的持续增长以及可持续发展的紧迫需求，催生了创新方式以提升能源效率。虽然存在先进的节能系统，但缺乏用户参与往往局限于其效用。就能源消费行为提供反馈是促进可持续实践的关键。非侵入式负载监测（Non-Intrusive Load Monitoring, NILM）通过从由中央智能表记录的总家庭能源使用数据中解聚分为 appliance 级别数据，为用户提供优化消费的可能性。AI、物联网和智能表的推广进一步增强了 NILM 的潜力。尽管如此，实际 NILM 部署面临主要挑战：一是现有数据集主要覆盖美国和英国等地区，地中海地区 underrepresented，限制了对区域消费模式（如空调和电热水器的大量使用）的理解；二是NILM使用的深度学习模型需要高计算资源，常依赖云端服务，增加成本、引发隐私问题，并限制了对网络覆盖不足家庭的可扩展性。本论文通过关键贡献克服了这些问题：提出一种可互操作的数据收集框架，引入 Plegma 数据集聚焦 underrepresented 的地中海能源模式；探索先进深度神经网络和模型压缩技术以实现边缘部署。该工作旨在通过桥接理论进展与实际需求，使 NILM 在全球能源可持续性方面实现可扩展、高效和适应性。