短纸

用于非侵入性负载监测的长期递归卷积网络

作者:

玛丽亚卡塞利米和

尼古劳斯杜拉米斯作者信息和声明

PETRA’20：第13届ACM辅助环境相关保护技术国际会议记录

2020年6月

文章编号：64页1-4

https://doi.org/10.1145/3389189.3397995

出版:2020年6月30日出版历史记录

获取访问权限

摘要

识别负荷测量和监测家庭的耗电量是帮助能源浪费的关键因素。非侵入式负载监测是一种机器学习和信号处理算法满足能耗监测需求的过程，无需智能插电房屋，因此也无需直接监测每个设备的功耗。事实证明，深度学习技术是一种高效、低成本的能源分解解决方案。我们提出了一种CNN-LSTM架构，该架构使用卷积神经网络（CNN）层对输入数据进行特征提取，并结合长短期记忆（LSTM）网络来支持序列到序列NILM建模。我们的CNN-LSTM模型提高了各种电器的精确度，包括：干衣机、洗碗机、热泵和烤箱，其平均绝对误差值（MAE）为<50瓦在大多数情况下。

补充材料

MP4文件（a64-kaselimi.mp4）

下载
27.00 MB

工具书类

[1]

G.W.哈特。1992年，非侵入性设备负载监测。程序。IEEE 80,12（1992年12月），1870--1891。

[2]

A.Voulodimos、N.Doulamis、A.Doulamiss和E.Protopapadakis。2018年，《计算机视觉深度学习：简要回顾》。计算智能与神经科学2018（2018年2月），1-13。

数字图书馆

[3]

N.D.Doulamis、A.D.Doulamis和E.Varvarigos，“可再生分割市场下智能能源网络消费者的虚拟协会”，《IEEE智能电网交易》，第9卷，第6期，第6069-6083页，2018年11月。

[4]

I.Mamounakis，D.J.Vergados，P.Makris，E.Varvarigos，N.Doulamis，“一种基于递归预测对RES消费者进行聚类以创建目标聚集消费曲线的方法”，第十二届IEEE PES PowerTech会议，英国曼彻斯特，2017年6月18-22日，http://ieeexplore.ieee.org/document/7981174/

[5]

V.Botsis、N.D.Doulamis、A.D.Doulamis和E.Varvarigos，“通过聚合器在多个微电网和多个公用设施之间的本地资源电力市场需求分配”。第20届IEEE交响曲。计算。Commun公司。（ISCC），塞浦路斯拉纳卡，2015年7月，第91-98页。

[6]

N.Doulamis、A.Doulamis、E.Varvarigos和T.Varvariguo，“网格中的公平调度算法。并行和分布式系统”，IEEE Trans。并行分配系统。，第18卷，第11期，第1630--1648页，2007年11月。

数字图书馆

[7]

Ruano，A.、Hernandez，A.、UreñA，J.、Ruano、M.和Garcia，J.，“智能家庭能源管理和环境辅助生活的NILM技术：综述”，《能源》，12（11），2203。

[8]

J.Liao、G.Elafoudi、L.Stankovic和V.Stankovi。2014.使用低分辨率智能电表数据进行非侵入式设备负载监测。2014年IEEE智能电网通信国际会议（SmartGridComm）。535--540.

[9]

J.，Kim，T.T.H.，Le，Kim，H.（2017）。基于高级深度学习和新签名的非侵入式负载监测。计算智能与神经科学，2017年。

[10]

J.Kelly和W.Knottenbelt。2015年，《神经NILM:深度神经网络应用于能源分解》（Neural NILM:Deep Neural Networks Applied to Energy Disaggregation）。

数字图书馆

[11]

M.Kaselimi、N.Doulamis、A.Doulamiss、A.Voulodimos和E.Protopapadakis。2019.用于非侵入性负载监测的贝叶斯优化双向LSTM回归模型。在2019-2019 IEEE声学、语音和信号处理国际会议（ICASSP）上。2747--2751.

[12]

M.Kaselimi、N.Doulamis、A.Voulodimos、E.Protopapadakis和Anastasios Doulamis。2020年。使用自适应双向LSTM模型的上下文感知能量分解。IEEE智能电网汇刊PP（2020年2月），1--1。

[13]

M.Kaselimi、E.Protopapadakis、A.Voulodimos、N.Doulamis和A.Doulamis。2019.用于能量分解的多通道递归卷积神经网络。IEEE接入7（2019），81047--81056。

[14]

D.Murray、L.Stankovic、V.Stankovi、S.Lulic和S.Sladojevic。2019年，神经网络方法在低级能源分解中的可传递性。在2019-2019年ICASSP IEEE声学、语音和信号处理国际会议（ICASSP）上。8330--8334.

[15]

K.Chen、Q.Wang、Z.He、K.Cheng、J.Hu和J.He。2018.卷积序列到序列非侵入荷载监测。《工程杂志》2018，17（2018），1860--1864。

[16]

Zhang，Y.，Yang，G.，&Ma，S.，基于微分输入卷积神经网络的非侵入式负荷监测。Procedia CIRP，2019，83，670--674。

[17]

A.Harell、S.Makonin和I.V.Bajić，“Wavenilm：复杂功率信号功率分解的因果神经网络”，ICASSP 2019-2019 IEEE声学、语音和信号处理国际会议（ICASSP），英国布莱顿，2019年，第8335-8339页。

[18]

S.Hochreiter和J.Schmidhuber。1997.长短记忆。神经计算9（12 1997），1735--80。

数字图书馆

[19]

F.A.Gers、J.Schmidhuber和F.Cummins。1999.学会遗忘：使用LSTM进行持续预测。1999年第九届国际人工神经网络会议ICANN 99。（Conf.Publ.No.470），第2卷。850——855第2卷。

[20]

S.Makonin、F.Popowich、L.Bartram、B.Gill和I.V.Bajić。2013.AMPds：用于负载分解和生态反馈研究的公共数据集。2013年IEEE电力能源会议。1--6.

[21]

N.Batra、J.Kelly、Oliver Parson、Haimonti Dutta、William Knottenbelt、Alex Rogers、Amarjeet Singh和Mani Srivastava。2014年。NILMTK：非侵入性负载监测的开源工具包。2014年电子能源——第五届ACM未来能源系统国际会议论文集。

数字图书馆

引用人

刘杰刘G赵H赵杰邱杰东Z(2023)基于非侵入性负荷监测的工业园区实时碳排放估算框架可持续能源技术和评估2016年10月10日/j.seta.2023.10348260(103482)在线发布日期：2023年12月
https://doi.org/10.1016/j.seta.2023.103482
风扇Y刘C郭T蒋D(2022)用于非破坏性负载监测的双向注意LSTM网络2022年预测与健康管理会议（PHM-2022伦敦）10.1109/PHM2022-London伦敦52454.2022.00076(399-404)在线发布日期：2022年5月
https://doi.org/10.109/PHM2022-London伦敦52454.2022.00076
丁D李杰张凯（Zhang K）王H王凯（Wang K）曹T(2021)基于初始结构CNN的非侵入式负荷监测方法应用智能2007年10月10日/10489-021-02690-y52:6(6227-6244)在线发布日期：2021年9月3日
https://doi.org/10.1007/s10489-021-02690-y

索引术语

用于非侵入性负载监测的长期递归卷积网络
1. 计算方法
  1. 机器学习
    1. 学习范式
      1. 监督学习
        回归监督学习

建议

神经NILM：用于能量分解的深层神经网络
BuildSys’15：第二届ACM节能建筑环境嵌入式系统国际会议记录

能源分类从一个测量整个家庭电力需求的电表中估算每个设备的电力消耗。最近，深度神经网络在分类性能方面取得了显著的进步。。。
阅读更多信息
非侵入性负载监测：系统、指标和用例
SenSys’15：第13届ACM嵌入式网络传感器系统会议论文集

世界各地的建筑对整体能源消耗做出了重大贡献。有针对性的反馈可以帮助乘客优化能耗。在我们的第一份工作中，我们介绍了冰箱和空调之间可操作反馈的技术（。。。
阅读更多信息
预测长期投资决策的多步骤每日股价：全球指数深度学习模型研究
摘要
深度机器学习算法在促进股票市场预测模型的开发方面发挥着重要作用。然而，大多数研究侧重于预测未来股票价格或走势，限制了。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM其他会议

PETRA’20：第13届ACM辅助环境相关保护技术国际会议记录

2020年6月

574页

国际标准图书编号：9781450377737

内政部：10.1145/3389189

会议主席：
菲利亚·马克登
德克萨斯大学阿灵顿分校

版权所有©2020 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重作者以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布、在服务器上发布或重新分发到列表，需要事先获得特定许可和/或收取费用。从请求权限[电子邮件保护].

赞助商

NSF：国家科学基金会
联合技术学院CSE：德克萨斯大学阿灵顿分校计算机科学与工程系
NCRS：Demokritos国家科学研究中心

出版商

计算机协会

美国纽约州纽约市

出版历史记录

出版：2020年6月30日

权限

请求对此文章的权限。

检查更新

作者标记

限定符

短片

资金来源

地平线2020框架计划

会议

20年PETRA

赞助商：

国家科学基金会
联合技术学院CSE
不符合项报告

PETRA’20：第13届与辅助环境相关的保护技术会议

2020年6月30日至7月3日

希腊科孚

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

三
引文总数
查看引文
102
总下载次数

下载次数（过去12个月）10
下载次数（最近6周）1

其他指标

查看作者指标

引文

引用人

刘杰刘G赵H赵J邱杰东Z(2023)基于非侵入性负荷监测的工业园区实时碳排放估算框架可持续能源技术和评估2016年10月10日/j.seta.2023.10348260(103482)在线发布日期：2023年12月
https://doi.org/10.1016/j.seta.2023.103482
风扇Y刘C郭T蒋D(2022)用于非破坏性负载监测的双向注意LSTM网络2022年预测与健康管理会议（PHM-2022伦敦）10.1109/PHM2022-London伦敦52454.2022.00076(399-404)在线发布日期：2022年5月
https://doi.org/10.109/PHM2022-London伦敦52454.2022.00076
丁D李杰张凯（Zhang K）王H王凯（Wang K）曹T(2021)基于初始结构CNN的非侵入式负荷监测方法应用智能2007年10月10日/10489-021-02690-y52:6(6227-6244)在线发布日期：2021年9月3日
https://doi.org/10.1007/s10489-021-02690-y

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

媒体

数字

其他

桌子