面向基于 MCU 的边缘 NILM 的特征提取与推理裁剪：一种系统性方法
机器学习
2021-05-24 v1
摘要
非侵入式负载监测（NILM）能够将来自单个智能电表的多个负载的总功耗分解为电器级细节。最先进的方法基于机器学习方法，并利用来自电流和电压传感器时域与频域特征的融合。遗憾的是，这些方法计算需求高且内存密集。因此，在低成本、资源受限的基于 MCU 的电表上运行低延迟 NILM 目前是一项开放挑战。本文解决了特征空间的优化问题，以及在与内存和计算受限的 MCU 上执行最先进（SoA）NILM 算法所需的计算与存储成本降低问题。我们在不同分类场景下比较了四种监督学习技术，并刻画了整体 NILM 流水线在基于 MCU 的智能测量节点上的实现。实验结果表明，优化特征空间可实现基于边缘 MCU 的 NILM，准确率达 95.15%，与最准确特征向量部署（96.19%）相比仅有微小下降，同时实现高达 5.45 倍加速与 80.56% 存储缩减。此外，我们表明仅依赖电流测量的低延迟 NILM 可达到近 80% 准确率，通过从硬件设计中移除电压传感器可实现显著成本降低。
引用
@article{arxiv.2105.10302,
title = {Trimming Feature Extraction and Inference for MCU-based Edge NILM: a Systematic Approach},
author = {Enrico Tabanelli and Davide Brunelli and Andrea Acquaviva and Luca Benini},
journal= {arXiv preprint arXiv:2105.10302},
year = {2021}
}