用于非侵入式负荷监测的基于神经网络的序列到点学习
应用统计
2018-01-19 v3 机器学习
摘要
能量分解（又称非侵入式负荷监测，NILM）是一个单通道盲源分离问题，旨在将记录整个房屋耗电量的总线分解为各电器的读数。这个问题很困难，因为它本质上是不可辨识的。最近的方法表明，通过将领域知识引入模型可以减轻不可辨识性问题。深度神经网络已被证明是解决此类问题的一种有前途的方法，但在处理信号处理问题中出现的长序列时，滑动窗口是必要的，这引发了如何结合来自不同滑动窗口的预测的问题。在本文中，我们提出了序列到点学习，其中输入是总线的窗口，输出是目标电器的单个点。我们使用卷积神经网络来训练模型。有趣的是，我们系统地表明，卷积神经网络能够内在地学习目标电器的特征签名，这些特征签名被自动加入到模型中以减轻不可辨识性问题。我们将所提出的神经网络方法应用于真实的家庭能源数据，并表明该方法实现了 SOTA 性能，将两个标准误差指标分别提高了 84% 和 92%。
引用
@article{arxiv.1612.09106,
title = {Sequence-to-point learning with neural networks for nonintrusive load monitoring},
author = {Chaoyun Zhang and Mingjun Zhong and Zongzuo Wang and Nigel Goddard and Charles Sutton},
journal= {arXiv preprint arXiv:1612.09106},
year = {2018}
}
备注
8 pages, 3 figures