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...