用于非侵入式负荷监测的子任务门控网络
机器学习
2018-11-19 v1 应用统计
机器学习
摘要
非侵入式负荷监测（NILM），又称能耗分解，是一个盲源分离问题，即将家庭的总用电消耗分解为各个电器的用电情况。通过这种方式，可以避免在众多家用电器上安装许多测量设备的成本与麻烦，只需安装一台设备即可。该问题自 Hart 于 1992 年的开创性论文以来已广为人知，且近来通过采用深度网络取得了显著的性能提升。在本工作中，我们聚焦于电器具有开/关状态这一思想，并开发了一个深度网络以进一步提升性能。具体而言，我们提出了一种子任务门控网络，将主回归网络与一个开/关分类子任务网络相结合。与多任务学习算法中多个任务简单地共享网络参数以利用任务间相关性不同，子任务门控网络将主网络的回归输出与子任务的分类概率相乘。当额外学习待机功率时，所提出的方案在大多数基准案例中超越了最先进的性能。子任务门控网络对于任何固有具有开/关状态的问题都非常有效。
引用
@article{arxiv.1811.06692,
title = {Subtask Gated Networks for Non-Intrusive Load Monitoring},
author = {Changho Shin and Sunghwan Joo and Jaeryun Yim and Hyoseop Lee and Taesup Moon and Wonjong Rhee},
journal= {arXiv preprint arXiv:1811.06692},
year = {2018}
}