基于运行状态变化分类的非侵入式负荷监测神经网络
机器学习
2019-03-20 v2 机器学习
摘要
非侵入式能源分解通过测量整户用电需求的单一电表估算电器级电力消耗。近来，随着能源数据的持续增长，许多数据驱动的深度学习架构被应用于解决非侵入式能源分解问题。然而，大多数已有方法试图估算电器的开关状态或功耗，不仅需要大量参数，还需在训练前进行超参数优化，甚至针对特定电器对能源数据进行预处理。本文中，我们不直接估算开关状态或功耗，而是采用神经网络估算电器的运行状态变化。相较于先前方法，我们所提方案在不同电器上更具可行性且复杂度更低。在低采样率数据集 REDD 上的仿真实验表明，相较于基于隐马尔可夫模型与基于图信号处理这两种基准方法，所设计方法具有竞争性性能。
引用
@article{arxiv.1902.02675,
title = {Neural Network for NILM Based on Operational State Change Classification},
author = {Peng Xiao and Samuel Cheng},
journal= {arXiv preprint arXiv:1902.02675},
year = {2019}
}
备注
5 pages, 4 figures