用于能源分解的交错阶乘非齐次隐马尔可夫模型
应用统计
2014-07-01 v1
摘要
为了减少家庭能源需求，了解哪些电器在何时使用是有益的。监测单个电器成本高昂且具有侵入性，而获取家庭总用电量数据则更为容易。在本文中，我们考虑能源分解问题，即将家庭用电量分解为各个组成电器。阶乘隐马尔可夫模型 (FHMM) 是拟合此类数据的自然模型。我们通过对 FHMM 的状态序列引入两个约束来增强这一通用模型。第一个是使用非齐次马尔可夫链，模拟电器使用情况在一天中的变化；另一个是强制每个时间步长内至多只有一个链改变状态。由此产生了一个新模型，我们称之为交错阶乘非齐次隐马尔可夫模型 (IFNHMM)。我们在超低频设置下，利用 251 个英国家庭的数据集评估了该模型执行分解的能力。在这种新设置下，由于对隐马尔可夫链的状态施加了更强的约束，IFNHMM 在恢复组成电器所用能量方面优于 FHMM。有趣的是，我们发现模型性能在不同家庭间的差异显著，这强调了在分解问题中使用大规模数据的重要性。
引用
@article{arxiv.1406.7665,
title = {Interleaved Factorial Non-Homogeneous Hidden Markov Models for Energy Disaggregation},
author = {Mingjun Zhong and Nigel Goddard and Charles Sutton},
journal= {arXiv preprint arXiv:1406.7665},
year = {2014}
}
备注
5 pages, 1 figure, conference, The NIPS workshop on Machine Learning for Sustainability, Lake Tahoe, NV, USA, 2013