面向低频计量家电的高效深度多标签开关(ON/OFF)分类
机器学习
2024-04-01 v2 人工智能
摘要
非侵入式负荷监测(NILM)是从单一计量点获取电器级数据的过程,该计量点测量家庭或企业的总用电消耗。电器级数据可直接用于需求响应应用和能源管理系统,也可用于提升意识并激励能效改进。近来,经典机器学习与深度学习(DL)技术在 NILM 分类中变得非常流行且被证明极为有效,但随着复杂度增长,这些方法在训练与运行期间均面临显著的计算与能耗需求。本文提出一种新颖的 DL 模型,旨在增强 NILM 的多标签分类,并改善计算与能效。我们还提出了一种利用测量数据集合成数据以更好代表真实场景的模型比较评估方法。与当前最优方法相比,所提模型能耗降低逾 23%,同时在基于 REFIT 与 UK-DALE 数据集衍生的数据评估中平均性能提升约 8 个百分点。我们还展示了所提基于 DL 的模型相较随机森林模型有 12 个百分点的性能优势,并观察到性能随家庭内设备数量增加而下降,即每额外增加 5 台设备,平均性能约下降 7 个百分点。
引用
@article{arxiv.2307.09244,
title = {Energy Efficient Deep Multi-Label ON/OFF Classification of Low Frequency Metered Home Appliances},
author = {Anže Pirnat and Blaž Bertalanič and Gregor Cerar and Mihael Mohorčič and Carolina Fortuna},
journal= {arXiv preprint arXiv:2307.09244},
year = {2024}
}