智能家居中的能量分解与电器识别：迁移学习赋能边缘计算
信号处理
2024-03-15 v2 人工智能
机器学习
摘要
非侵入式负荷监测（NILM）或称能量分解，旨在给定智能家居总进线负荷曲线的前提下，提取各个消费电子电器的负荷曲线。本工作提出了一种新颖的深度学习与边缘计算方法，以解决 NILM 问题及若干相关问题，如下所述。1）我们在知名的 seq2-point 卷积神经网络（CNN）模型基础上，提出 seq2-[3]-point CNN 模型，用于解决（家庭）NILM 问题与站点级 NILM 问题（本质上为小尺度 NILM）。2）我们基于最先进的（预训练）2D-CNN 模型，即 AlexNet、ResNet-18 与 DenseNet-121，通过微调由电器的基于小波与短时傅里叶变换（STFT）的二维电气特征构成的两个自定义数据集，解决相关的电器识别问题。3）最后，我们通过比较同一电器在多个家庭中的功耗，对单个电器的健康状况做一些基础的定性推断。除站点级 NILM 使用 REFIT 数据集外，所有问题均使用低频 REDD 数据集。在结果方面，家庭级 NILM 最高准确率达 94.6%，站点级 NILM 为 81%，电器识别（基于 ResNet 的模型）为 88.9%。
引用
@article{arxiv.2301.03018,
title = {Energy Disaggregation & Appliance Identification in a Smart Home: Transfer Learning enables Edge Computing},
author = {M. Hashim Shahab and Hasan Mujtaba Buttar and Ahsan Mehmood and Waqas Aman and M. Mahboob Ur Rahman and M. Wasim Nawaz and Haris Pervaiz and Qammer H. Abbasi},
journal= {arXiv preprint arXiv:2301.03018},
year = {2024}
}
备注
10 pages, 4 figures, 3 tables, under review with a journal