IMG-NILM: 一种基于能量热力图的深度学习非侵入式负荷监测方法
机器学习
2022-07-27 v2 信号处理
摘要
能量分解从测量全屋电力需求单一电表估算各电器的用电量。与侵入式负荷监测相比,NILM(非侵入式负荷监测)成本低、易部署且灵活。本文提出一种称为IMG-NILM的新方法,利用卷积神经网络(CNN)对表示为图像的电力数据进行分解。IMG-NILM不采用将电力数据作为时间序列处理的传统方法,而是将时间序列转换为热力图,其中较高读数以“更热”的颜色呈现。该图像表示随后用于CNN,以从聚合数据中检测电器特征。IMG-NILM鲁棒且灵活,在各类电器(包括单状态与多状态)上性能一致。在UK-Dale数据集的单户住宅中,其测试准确率高达93%,且该住宅内含大量电器。在更具挑战性的不同住宅采集电力数据的场景下,IMG-NILM亦取得85%的良好平均准确率。
引用
@article{arxiv.2207.05463,
title = {IMG-NILM: A Deep learning NILM approach using energy heatmaps},
author = {Jonah Edmonds and Zahraa S. Abdallah},
journal= {arXiv preprint arXiv:2207.05463},
year = {2022}
}
备注
10 pages, under review