PowerGAN：利用生成对抗网络合成家电功率签名
信号处理
2020-07-28 v1 机器学习
摘要
非侵入式负荷监测（NILM）仅利用建筑的智能电表即可让用户和能源供应商深入了解家电用电情况。当前大多数 NILM 技术都使用大量标注的家电功率数据进行训练。此类数据的收集具有挑战性，使得数据成为创建具有良好泛化能力的 NILM 解决方案的主要瓶颈。为帮助缓解数据限制，我们提出了首个真正合成的家电功率签名生成器。我们的方案 PowerGAN 基于条件式、渐进增长的一维 Wasserstein 生成对抗网络（GAN）。利用 PowerGAN，我们能够合成真正随机且逼真的家电功率数据签名。我们以定性方式以及通过使用传统 GAN 评估方法（如 Inception 分数）从数值上评估 PowerGAN 生成的样本。
引用
@article{arxiv.2007.13645,
title = {PowerGAN: Synthesizing Appliance Power Signatures Using Generative Adversarial Networks},
author = {Alon Harell and Richard Jones and Stephen Makonin and Ivan V. Bajic},
journal= {arXiv preprint arXiv:2007.13645},
year = {2020}
}