用于电器识别的表示学习：与经典机器学习的比较
信号处理
2022-09-09 v1 人工智能
机器学习
摘要
非侵入式负荷监测 (NILM) 旨在借助信号处理与机器学习算法，从聚合消耗测量中检索能耗与电器状态信息。基于深度神经网络的表示学习已成功应用于若干相关学科。表示学习的主要优势在于以对原始数据格式中多种表示的层次化学习，取代专家驱动的手工特征提取。在本文中，我们展示了如何利用近期深度学习算法改进 NILM 处理链、降低其复杂度并对其进行替代设计。基于事件驱动的电器识别方法，我们评估了七种不同的分类模型：一种基于手工特征提取的经典机器学习方法、三种用于原始波形数据自动特征提取的深度神经网络架构，以及三种用于原始数据处理的基线方法。我们在两个包含超过 50,000 个来自 44 种电器的事件的大规模能耗数据集上评估了所有方法。我们表明，通过使用深度学习，我们能够达到并超越经典机器学习电器识别方法的性能，F 值分别为 0.75 和 0.86，而经典方法为 0.69 和 0.87。
引用
@article{arxiv.2209.03759,
title = {Representation Learning for Appliance Recognition: A Comparison to Classical Machine Learning},
author = {Matthias Kahl and Daniel Jorde and Hans-Arno Jacobsen},
journal= {arXiv preprint arXiv:2209.03759},
year = {2022}
}