基于双向扩张残差网络的序列到点学习用于非侵入式负荷监测
信号处理
2020-06-02 v1 机器学习
机器学习
摘要
非侵入式负荷监测（NILM）或能量分解（ED）旨在通过从整个房屋的总功率读数中分解出相应电器的功率读数来节省能源。这是一个单通道盲源分离问题（SCBSS），也是一个难以预测的问题，因为它是不可识别的。最近的研究表明，深度学习在NILM问题中越来越受欢迎。神经网络提取负荷特征的能力与其深度密切相关。然而，深度神经网络由于梯度爆炸、梯度消失和网络退化而难以训练。为了解决这些问题，我们提出了一种基于双向（非因果）扩张卷积的序列到点学习框架用于NILM。为了更有说服力，我们将我们的方法与最先进的方法Seq2point（Zhang）直接比较，并通过两个相同的数据集和指标与现有算法间接比较。基于REDD和UK-DALE数据集的实验表明，我们提出的方法在所有电器上均远优于现有方法。
引用
@article{arxiv.2006.00250,
title = {Sequence to Point Learning Based on Bidirectional Dilated Residual Network for Non Intrusive Load Monitoring},
author = {Ziyue Jia and Linfeng Yang and Zhenrong Zhang and Hui Liu and Fannie Kong},
journal= {arXiv preprint arXiv:2006.00250},
year = {2020}
}