将偶然用水数据引入非侵入式负荷监测
系统与控制
2021-01-19 v1 机器学习
系统与控制
摘要
非侵入式负荷监测（NILM）作为从聚合功率信号中提取电器使用模式的过程，是助力居民能源管理的成功方法之一。近年来，大量功率剖面数据集得以获取，这有助于提升用于 NILM 目的的分类方法的有效性与准确性。然而，多模式电器与功率值相近电器的存在，仍显著影响并加剧了这些算法的计算复杂度并降低了其准确性。为应对这些挑战，我们提出一种基于事件的分类流程，其第一阶段采用 -近邻方法这一快速分类技术，提取具有独占非重叠功率值的电器功率信号。随后，利用两个深度学习模型，将部分电器的耗水量作为网络中的新颖特征，来区分功率值重叠的电器。除功率分解外，所提流程还提取特定电器的耗水剖面。为说明所提流程并验证其有效性，考虑了 AMPds 中的七种电器，数值分类结果显示相对于现有基于分类的 NILM 技术有显著改进。
引用
@article{arxiv.2101.07190,
title = {Incorporating Coincidental Water Data into Non-intrusive Load Monitoring},
author = {Mohammad-Mehdi Keramati and Elnaz Azizi and Hamidreza Momeni and Sadegh Bolouki},
journal= {arXiv preprint arXiv:2101.07190},
year = {2021}
}
备注
13 pages