基于 K 近邻的非侵入式电器监测与分类
机器学习
2020-12-23 v1 信号处理
摘要
非侵入式负荷监测(NILM)是从聚合能耗特征中检测单个设备能耗信号的方法[1]。由于现有电能表除总功率额定值外几乎不提供或完全不提供关于各电器能耗的信息,通过 NILM 识别单个电器的用能情况,不仅可向消费者提供电器级用能反馈,还能促使其改变消费行为以节约能源。B Neenan 等人[2]已证明,直接的电器级用能信号可使消费者行为改变,从而将能效提升多达 15%。在能耗信号被分解后,需依据相应电器对其进行分类。因此,本文的目标是将总能耗数据分解为单个电器特征,随后使用一种著名的监督分类方法——K 近邻(KNN)对电器级能耗负荷进行分类。为此,我们使用了公开可获取的、包含多栋房屋功率信号的 REDD 数据集。在应用 KNN 前,对每台设备的数据进行预处理。然后应用 KNN 检验其能耗特征是否可分离。KNN 取 K=5。
引用
@article{arxiv.1911.13257,
title = {Non-Intrusive Electrical Appliances Monitoring and Classification using K-Nearest Neighbors},
author = {Mohammad Mahmudur Rahman Khan and Md. Abu Bakr Siddique and Shadman Sakib},
journal= {arXiv preprint arXiv:1911.13257},
year = {2020}
}
备注
To be published in the 2nd International Conference on Innovation in Engineering and Technology (ICIET)