邻域NILM：一种面向家庭能源分解的大数据方法

在本文中，我们研究对于能源分解问题（即按设备分解总能源使用量的过程），“大数据”是否比“精确”数据更有价值。现有的分解技术依赖于 1 分钟或更高分辨率的能源计量，但当今大多数电表每月仅提供一次读数，且至多每 15 分钟一次。在本文中，我们提出一种称为邻域 NILM（Neighbourhood NILM）的新技术，该技术利用来自“邻近”家庭的数据，在仅给定每月一次能源读数的情况下进行能源分解。我们方法背后的关键直觉是“相似”家庭在按设备基础上的能源消耗是“相似”的。邻域 NILM 将每个家庭与一组具有直接子计量基础设施（即单个电路或负载上的功率计）的“邻居”相匹配。许多此类家庭已经存在。然后，它将目标家庭的设备级能源消耗估计为其 K 个邻居的平均值。我们使用 25 个家庭评估该方法，结果表明，与文献中报道的依赖于手动模型训练、高频功率计量或两者的顶尖精度相比，我们的方法给出了相当或更好的分解效果。结果显示，邻域 NILM 在分解冰箱和采暖/制冷负载时能达到 83% 和 79% 的准确率，而称为 FHMM 的技术分别为 74% 和 73%。此外，它在洗衣机、烘干机、洗碗机和照明负载上达到高达 64% 的准确率，高于先前报道的结果。许多现有技术根本无法分解这些负载。这些结果表明，在少数选定家庭中安装子计量基础设施，而非在所有家庭中安装新的高频智能计量基础设施，具有潜在显著优势。