基于自监督学习的非侵入式负荷监测
信号处理
2022-10-11 v1
摘要
用于非侵入式负荷监测（NILM）的深度学习模型往往需要大量标注数据用于训练。然而，由于不同数据集间电器负载特性与运行模式的差异，训练好的模型难以泛化至未见过的新站点。针对此类问题，本文提出自监督学习（SSL），其不需要来自目标数据集或房屋的电器的标注级数据。最初，仅需目标数据集的总功率读数，通过自监督前置任务预训练一个通用网络，将总功率序列映射至导出的表示。随后，针对每一电器类别执行有监督下游任务以微调预训练网络，其中前置任务中学习到的特征被迁移。利用带标注的源数据集，下游任务能够通过将总功率映射至标签来学习各负载如何被分解。最后，微调后的网络被应用于目标站点的负荷分解。为验证，基于三个公开可用的REDD、UK-DALE与REFIT数据集设计了多个实验案例。此外，实验中采用了最先进的神经网络来执行NILM任务。基于各案例中的NILM结果，SSL在无需目标数据集任何分项计量数据的情况下，总体上优于零样本学习，提升了负荷分解性能。
引用
@article{arxiv.2210.04176,
title = {Non-intrusive Load Monitoring based on Self-supervised Learning},
author = {Shuyi Chen and Bochao Zhao and Mingjun Zhong and Wenpeng Luan and Yixin Yu},
journal= {arXiv preprint arXiv:2210.04176},
year = {2022}
}
备注
12 pages,10 figures