HiFAKES: Synthetic High-Frequency NILM Data for NILM Models Diagnostics and Generalization Testing
摘要
在住宅和商业建筑中监控电力消耗对于提高能源效率至关重要。使用单个表计，non-intrusive load monitoring（NILM）将家庭消耗分解为 appliance-level，为 end-user electricity behavior提供全面见解。NILM模型是在家庭总功耗与次表计 appliance labels配对的情况下训练的。当以高频率（≥1 kHz）采样时，这些数据集捕获完整的波形特征，显著提高了分解准确性和模型泛化能力。然而，这些数据集稀缺，来自有限数量的家庭，且很少包括用于功率估计的标签，这使其用于模型训练、评估或调试变得复杂。我们提出HiFAKES，一个预训练的合成数据生成器，可即时生成大量 fully labeled的高频NILM数据，包括 aggregated和 submetered current signatures。该数据准备就绪，可用于 load identification（分类）和 power estimation（回归）。它允许模拟seen和 completely unseen的 appliance behavior scenarios，并对 appliance classes、operational modes、class similarity、brand diversity以及同时运行的 device数量进行完全控制。我们提出了一种结构化方法来测试NILM模型在模拟seen household上的泛化。使用 domain-agnostic 3维度 metric评估HiFAKES合成数据的可靠性。生成的签名实现了高保真（93% authenticity），与真实世界数据相似（84% fidelity），且包括 reasonable portion of unseen signatures（5%）。
引用
@article{arxiv.2409.00062,
title = {HiFAKES: Synthetic High-Frequency NILM Data for NILM Models Diagnostics and Generalization Testing},
author = {Ilia Kamyshev and Sahar Moghimian and Henni Ouerdane},
journal= {arXiv preprint arXiv:2409.00062},
year = {2025}
}