面向低采样率家庭用电量的无监督分解算法
机器学习
2021-09-16 v1 信号处理
摘要
非侵入式负荷监测（NILM）在过去十年中得到了广泛研究。NILM 的目标是识别单个电器的功耗，并从整栋房屋的功耗测量中检测特定设备是开启还是关闭。这些信息使家庭能够获得关于如何更好地管理其用电量的定制化建议。在本文中，我们提出了一种替代的 NILM 方法，将聚合的功率信号分解为电器类别。最终目标是将该方法用于需求侧管理，以估算家庭用电量中的潜在灵活性。我们的方法被实现为一种结合 NILM 与负荷曲线模拟的算法。该算法基于马尔可夫模型，为家庭中的每位居民分配一条活动链，从整屋功率测量和统计数据中推断电器使用情况，相应地生成功率曲线，并最终返回各电器类别随时间消耗的能源占比。为分析其性能，该算法与多种最先进的 NILM 算法进行了基准对比，并在三个公共数据集上进行了测试。所提出的算法是无监督的，因此不需要任何标注数据，而标注数据的获取成本高昂。尽管有监督算法表现出更好的性能，但我们提出的无监督算法在节省标注数据获取成本的同时，达到了相似的不确定性范围。此外，与大多数被测 NILM 算法相比，我们的方法所需计算资源更低。它专为低采样率功率测量（每 15 分钟一次）设计，这对应于大多数常见智能电表的频率范围。
引用
@article{arxiv.1908.10713,
title = {Unsupervised algorithm for disaggregating low-sampling-rate electricity consumption of households},
author = {Jordan Holweger and Marina Dorokhova and Lionel Bloch and Christophe Ballif and Nicolas Wyrsch},
journal= {arXiv preprint arXiv:1908.10713},
year = {2021}
}