基于 CNN-BiLSTM 注意力机制的低频负荷辨识
系统与控制
2023-11-16 v1 机器学习
系统与控制
摘要
非侵入式负荷监测（NILM）是一种成熟的技术，用于有效且经济高效的电力消耗管理。该方法用于从聚合功率测量中估算电器级功耗。本文提出了一种混合学习方法，由卷积神经网络（CNN）和双向长短期记忆（BiLSTM）组成，并集成了注意力机制，均处于低频功率数据分解的背景下。虽然先前的研究主要关注高频数据分解，我们的研究通过聚焦低频数据采取了不同方向。所提出的混合 CNN-BiLSTM 模型擅长提取时间（与时间相关）和空间（与位置相关）特征，使其能够精确识别电器级能耗模式。注意力机制进一步增强了这一准确性，帮助模型精确定位数据的关键部分，以实现更精确的事件检测与负荷分解。我们使用现有的低频 REDD 数据集进行仿真以评估模型性能。结果表明，我们提出的方法在准确率和计算时间上均优于现有方法。
引用
@article{arxiv.2311.08536,
title = {Low-Frequency Load Identification using CNN-BiLSTM Attention Mechanism},
author = {Amanie Azzam and Saba Sanami and Amir G. Aghdam},
journal= {arXiv preprint arXiv:2311.08536},
year = {2023}
}