MATNilm：面向有限标注数据的多电器任务非侵入式负荷监测
机器学习
2023-08-01 v2 信号处理
摘要
非侵入式负荷监测(NILM)通过分解整栋房屋的总用电信号来识别各种家用电器的状态与功耗。高效准确的负荷监测有助于建立用户画像、智能家庭能源管理与削峰。这通过提升配电网络整体效率，对终端用户与电力公司均有益处。现有方法主要侧重于为每个电器开发独立模型。这些方法通常依赖大量家庭标注数据，而此类数据难以收集。本文中，我们提出一种多电器任务框架，并配以训练高效的样本增强(SA)方案，以在有限标注数据下提升分解性能。对于每个电器，我们为其回归与分类任务设计了共享-分层拆分结构。此外，我们还提出一种二维注意力机制以捕获所有电器间的时空相关性。仅用一天训练数据与有限的电器运行剖面，所提 SA 算法即可达到与使用完整数据集训练相当的测试性能。最后，仿真结果表明，我们的方法相较许多基线模型性能显著提升，相对误差平均可降低 50% 以上。本工作的代码见 https://github.com/jxiong22/MATNilm。
引用
@article{arxiv.2307.14778,
title = {MATNilm: Multi-appliance-task Non-intrusive Load Monitoring with Limited Labeled Data},
author = {Jing Xiong and Tianqi Hong and Dongbo Zhao and Yu Zhang},
journal= {arXiv preprint arXiv:2307.14778},
year = {2023}
}