面向单负荷提取的通用深度分解可行性研究
机器学习
2018-02-08 v1 计算机视觉与模式识别
摘要
近来，随着大型能源数据集的不断发展，数据驱动学习技术开始成为能源分解问题的潜在解决方案，其表现优于工程化与手工设计模型。然而，大多数已提出的深度分解模型依赖于负荷类型，即即便在获取并清洗了总表与分项计量数据之后，训练与部署前仍需专家知识或超参数优化阶段（通常针对每一负荷类别）。本文针对基于数据驱动学习的通用分解模型开发进行可行性研究。具体而言，我们提出一种通用深度分解模型，能够在多种负荷类别的负荷监测中达到当前最优性能。所开发模型在公开可用的 UK-DALE 数据集上以适中低采样频率及多种家用负荷进行了评估。
引用
@article{arxiv.1802.02139,
title = {On the Feasibility of Generic Deep Disaggregation for Single-Load Extraction},
author = {Karim Said Barsim and Bin Yang},
journal= {arXiv preprint arXiv:1802.02139},
year = {2018}
}