哈，我又來啦，第一篇扯完淡，這一篇就談技術吧。之前的研究集中在低頻（秒級）資料，用的是各種深度學習方法，因此我就談談這種方法。
看雞尾酒會問題的舉例，如下圖，你走在路上聽見啥聲都有，你要分離出每種聲音（警笛，人聲，狗叫什麼的）。
再看nilm任務的圖如下。這是乙個家庭一段時間總電表的有功曲線，其中每種顏色是乙個電器的有功消耗，所有電器組成了電表的有功曲線，你說和語音識別領域像不像。（艾瑪，終於有張圖不是盜的了，這是我畢業**裡的圖。我盜我自己？）
說了大半天，我其實想說的是，語音識別領域之前最流行的演算法之一就是隱馬爾可夫，而深度學習興起之後……***，語音識別誰不用深度學習。而nilm任務與之這麼像，深度學習方法效果好就很正常了。
好，下面，梳理下我看到的一些深度學習方法的**：
第二：《sequence-to-point learning with neural networks for nonintrusive load monitoring》
（之所以提二和三，是因為它倆很像，也和我畢業**有些像，我差點撞車（沒撞，兄弟，撞的是翟天臨（手動滑稽）），所以印象太深了，這倆是17年18年的文章，是對kelly2023年那篇文章中rnn方法的改進）
第四：《denoising autoencoders for non-intrusive load monitoring: improvements and comparative evaluation》 2023年這篇是對2023年kelly**中降噪自編碼方法的優化（這篇文章還又把隱馬爾可夫踩了一腳，後面會說）
第五：《on the feasibility of generic deep disaggregation for single-load extraction》這篇是2018nilm國際會議的最佳**，不過你要說有什麼亮點的話……原來都是直接輸出電器的有功消耗序列，它反而倒退了，輸出的是電器的0，1開關序列。當然，這是有好處的，後面有時間講。
哇，已經挖了不少坑了，先把上面的講完再說吧，打算一篇說一集。下面還有一些我經常用的資料集啊，綜述啊，也給大家參考下。
《redd: a public data set for energy disaggregation research》redd是第乙個nilm領域的公開資料集，2023年。
《nilmtk: an open source toolkit for non-intrusive load monitoring》這是kelly14年發布的nilm領域的工具包（tool kit嘛）
《dataport and nilmtk: a building data set designed for non-intrusive load monitoring》為什麼要提這個資料集，因為……太踏馬6了，美國三個州，700多個家庭的資料……當然，這是1分鐘取樣的，不過現在dataport推出了1s的。（你也很6）
工具包和資料集，我應該也會講一下，這東西確實有點費勁。過星期天嘍，回去玩unity了，先再見！
NILM 非侵入式電力負荷監測之我見（三）
我發現nilm領域中文的部落格還是很少的，比較系統講解的就更少，目前打算把這個部落格寫的全面些，而工欲善其事必先利其器，先說 似乎不太容易理解，先說下nilmtk這個工具包吧。然後再講幾個資料集，再說 nilmtk，顧名思義，nilm的tool kit，是專門為非侵入式負荷監測任務開發的開源工具包，...
非侵入式負荷分解之BLUED資料集
16個大壓縮包裡面，只有乙個壓縮包是包含430個小壓縮包，其餘都是400個。解壓後是包含檔案頭的txt文字，後面的資料分別是時間，a相電流，b相電流，a相電壓。這個時間是從0開始的，而這個0時刻對應的是start end.txt檔案裡面的開始時間。每100個txt文字對應乙個功率資料的mat檔案，所...
侵入式和非侵入式的區別
簡單說一下我的理解吧。假設大家都想要把使用者 塞到乙個框架裡。侵入式的做法就是要求使用者 知道 框架的 表現為使用者 需要繼承框架提供的類。非侵入式則不需要使用者 引入框架 的資訊，從類的編寫者角度來看，察覺不到框架的存在。例如 使用struts的時候，我需要繼承一些struts的類，這時strut...