面向公用事业使用数据无监督模式挖掘的在线高斯LDA方法
机器学习
2019-10-28 v1 机器学习
摘要
非侵入式负荷监测（NILM）旨在将全屋能耗信号分离为其电器分量。此类方法可用于提供多种服务以更好地管理和控制能耗（最优规划与节约）。传统上，NILM从信号处理与电气工程视角展开研究。近年来，机器学习在NILM中开始发挥重要作用。尽管多数工作聚焦于监督算法，无监督方法在真实场景中可能更具趣味性与实用价值。具体而言，它们无需从单个电器获取标注训练数据，算法可直接部署于测量的聚合数据上运行。本文提出一种基于贝叶斯层次混合模型的完全无监督NILM框架。特别地，我们开发了一种基于高斯隐狄利克雷分配（GLDA）的新方法，以提取概括能耗信号的全局分量。这些分量提供了消费模式的表示。为应对大数据而设计的本算法不同于现有NILM算法，不聚焦于电器识别。为处理海量数据，GLDA以在线方式工作。相较于现有NILM，本工作的另一新颖之处在于数据涉及不同公用事业（如电力、水和燃气）以及一些传感器测量值。最后，我们提出不同的评估方法来分析结果，表明我们的算法发现了有用模式。
引用
@article{arxiv.1910.11599,
title = {Online Gaussian LDA for Unsupervised Pattern Mining from Utility Usage Data},
author = {Saad Mohamad and Abdelhamid Bouchachia},
journal= {arXiv preprint arXiv:1910.11599},
year = {2019}
}