Hawk：一种高效精准的低功耗家电识别 NALM 系统
信号处理
2024-10-23 v1 人工智能
机器学习
摘要
非侵入式家电负载监测（NALM）旨在无需室内传感器即可识别主表针量程内的单个家电使用情况。然而，现有系统在数据集构建效率与事件/状态识别精度之间往往难以平衡，尤其是针对低功耗家电识别。本文引入 Hawk 系统，这是一个高效且精准的 NALM 系统，采用两阶段结构：数据集构建与事件识别。在数据构建阶段，我们基于平衡 Gray 码高效收集平衡且多样化的数据集 HawkDATA，并通过称为共享可感知时间的抽样同步策略实现自动数据标注。在事件识别阶段，我们的算法集成了稳态微分预处理和基于投票的后处理，实现对总体电流的精准事件识别。实验结果表明，HawkDATA 只需 baseline 的 1/71.5 的收集时间，即可收集 6.34 倍更多的家电状态组合。在 HawkDATA 和广泛使用的数据集中，Hawk 对状态识别的平均 F1 分数为 93.94%，事件识别为 97.07%，分别比现有 SOTA 算法提高了 47.98% 和 11.57%。此外，所选家电子集和从 HawkDATA 训练的模型被部署在两个包含众多未知背景家电的实际场景中。事件识别的平均 F1 分数分别为 96.02% 和 94.76%。Hawk 的源代码和 HawkDATA 已访问 https://github.com/WZiJ/SenSys24-Hawk。
引用
@article{arxiv.2410.16293,
title = {Hawk: An Efficient NALM System for Accurate Low-Power Appliance Recognition},
author = {Zijian Wang and Xingzhou Zhang and Yifan Wang and Xiaohui Peng and Zhiwei Xu},
journal= {arXiv preprint arXiv:2410.16293},
year = {2024}
}
备注
Accepted to the 22nd ACM Conference on Embedded Networked Sensor Systems (SenSys 2024)