面向无监督负荷监测的大语言模型提示策略
机器学习
2025-08-05 v3 人工智能
信号处理
摘要
无监督负荷监测（NILM）旨在将总电力消耗分解为单个 appliance 的使用情况，从而实现更有效的能源管理。虽然深度学习已推动 NILM 进步，但其仍受限于对标记数据的依赖、泛化受限以及缺乏可解释性。本文引入首个基于提示的 NILM 框架，利用大语言模型（LLM）进行上下文学习。我们设计并评估了将 appliance 特征、上下文信息和代表性时间序列示例通过提示方式整合的策略。在 REDD 和 UK-DALE 数据集上进行大规模实验表明，仅凭提示引导的 LLM 能实现基础的 NILM 功能，在复杂场景下性能逊于传统深度学习模型。然而，实验还显示，在仅通过注入 appliance 特征的情况下，LLM 能实现对不同房屋乃至不同地区的强大泛化能力。它还为推断的 appliance 状态提供清晰、人类可读的解释。我们的发现界定了仅使用提示方式的 LLM 完成 NILM 任务的能力边界。其在泛化性和可解释性方面的优势为该领域带来了有前景的新方向。
引用
@article{arxiv.2505.06330,
title = {Prompting Large Language Models for Training-Free Non-Intrusive Load Monitoring},
author = {Junyu Xue and Xudong Wang and Xiaoling He and Shicheng Liu and Yi Wang and Guoming Tang},
journal= {arXiv preprint arXiv:2505.06330},
year = {2025}
}