先验流变分自编码器：一种用于非侵入式负荷监测的密度估计模型
机器学习
2021-06-29 v2 人工智能
计算机视觉与模式识别
摘要
非侵入式负荷监测（NILM）是一种通过单个电表测得的总消耗量来逐电器估算功率负荷的计算技术。在本文中，我们提出一种基于深度神经网络的条件密度估计模型，它将条件变分自编码器与条件可逆归一化流模型结合，以估计各电器的功率需求。所得模型称为先验流变分自编码器，或简称为PFVAE。因此，不同于为每个电器配备一个模型，该模型负责一次性地逐电器估算功率需求。我们在一个公开可用的数据集上训练并评估所提模型，该数据集由位于巴西的一家家禽饲料厂的功率需求测量值组成。通过将所得归一化分解误差（NDE）与信号聚合误差（SAE）与先前工作在同一数据集上的数值进行比较，来评估所提模型的质量。我们的方案取得了极具竞争力的结果，并且对于属于该数据集的八台机器中的六台，我们观察到NDE从28%到81%、SAE从27%到86%的一致改进。
引用
@article{arxiv.2011.14870,
title = {Prior Flow Variational Autoencoder: A density estimation model for Non-Intrusive Load Monitoring},
author = {Luis Felipe M. O. Henriques and Eduardo Morgan and Sergio Colcher and Ruy Luiz Milidiú},
journal= {arXiv preprint arXiv:2011.14870},
year = {2021}
}