0. 前言

本文是“Raghunath Reddy, et al: A feature fusion technique for improved non-intrusive load monitoring”的阅读笔记。在对原文的理解和转述时不免会添油加醋地夹带点个人脑补的私货，再加上受水平限制，不免有错漏之处，读完本笔记后感兴趣的朋友可以自行找英文原文阅读，并欢迎讨论和指正。

1. 论文概要

本文的目的在于提高基于标准的机器学习的NILM 算法的准确度(accuracy)和通用性/泛化能力(generalization)，本文所考虑的算法是基于10Hz的低频采样数据。

本文的要点（贡献）在于：

提出一种新的混合特征（hybrid feature set, or fusion feature set）构建方式，新的混合特征具有低维度（low-dimensional）的优势（相比什么？），可以很容易地应用于现有的分类模型以提高负荷识别性能
构建了一种自动数据采集机制（automatic data collection setup），以受控的方式进行数据合成和采集
基于合成数据，针对4种常用分类算法{NB，KNN，DT，RF}，对三种特征机制{混合特征，稳态特征，暂态特征}的分类性能进行对比实验。

实验结果表明本文提出的混合特征具有比较好的效果，就分类准确度（accuracy）而言，相比稳态特征和暂态特征分别有不低于9%和15%的提升。

图 1 本文所考虑的NILM处理流程

以下各章节针对上述各点分别进行进一步的描述。

2. 混合特征生成

本文所提出的混合特征（hybrid features）基于稳态特征（steady-state features）和宏观暂态特征（macroscopic transient-state features）生成。实验中所考虑的原始采样数据为10Hz的低频数据，所谓的宏观暂态特征，估计是因为低频采样数据中只包含较“粗糙”的暂态特征吧。相比较而言，高频采样数据中包含更精细的微观（换言之，高频）变化的特征。

混合特征生成的思路如下：首先将宏观暂态特征转换为数值特征（numeric features），然后将所生成的数值特征与稳态特征组合得到新的混合特征。

暂态特征转换中采用了几种不同的距离度量(Distance measure)：

DWT: dynamic time warping
Euclidean distance
Mahalanobis metric

作为对比，也考虑了DWT(Discrete wavelet transform)用于暂态特征转换（Chang2012）的性能对比实验。

3. 数据合成

图 2 自动数据采集装置示意图

如图所示，通过Arduino实时地控制一个开关阵列控制各种电器设备的ON/OFF。需要产生不同的数据只需要对Arduino进行编程即可。很显然，由于各设备的ON/OFF是编程控制的，所以事件的标注也自然就自动生成了。

这样做的最大的优点就是省掉了监督学习所需要的标签加注（label annotation）的工作。当然，相比实际现场采集的数据肯定也有它的缺陷，比如说可能过于理想化能不能真实反映现场情况。。。但是这个代价低啊，可以任意地进行电气设备种类选择以及事件序列的随机指定,可以随意模拟生成各种场景和环境的数据，因此对于评估算法的鲁棒性和泛化能力来说是非常方便的

4. 对比实验

4.1 数据生成

实验中采用了7种常见电气设备，在多种不同的电压条件下进行数据生成，采集的数据中所包含的（原始）特征包括电压(V), 电流 (I), 有功功率 (P: Active Power), 无功功率 (Q: Reactive Power)和视在功率(S: Apparent power).

4.2 事件检测

如上所述，由于ON/OFF事件都是事先编程的，所以在本实验中上面流程图中的“event detection”是被跳过去了，相当于采样了理想的事件检测算法。这样也避免了事件检测准确度对负荷识别算法性能的影响，从而可以实现对负荷识别算法性能的更客观的评估。

4.3 特征提取(Feature extraction)

图 3 特征提取示意图

事件发生时刻是已知的，稳态特征和暂态特征就围绕着事件发生时刻提取就可以了。

比如说，上图表现是某个设备D在某个时刻发生了OFFàON事件前后的功率变化曲线，用事件发生后的A1点和事件发生前的B1点的值求差就可以得到设备的功率值。如果为了提高精度，则可以选择多个点（只要离事件发生时刻足够远以确保设备已经进入稳态就可以了）。

暂态特征则对事件发生前后一段时间（图中transientsize所示区间）内的（P,Q,R,S等）数值进行一阶差分即可。这样的数值当然很粗糙，大概这也是被称之为macroscopic transient feature的原因了。

（未完待续）

NILM论文笔记：R.Reddy, et al: A feature fusion technique for improved NILM相关推荐

#论文笔记#【MRM-Lasso:A sparse Multiview Feature Selection Method Via Low-Rank Analysis】论文笔记
前言从现在开始记录一下看的每篇论文,也算是给研究生三年一个交代,不然三年过去了啥也没干不太好.虽然以后可能不会从事这个行业,但是把当下的事做好,不管什么行业,自律是很重要的,从去年进实验 ...
【论文笔记】Bullseye Polytope: A Scalable Clean-Label Poisoning Attack with Improved Transferability
Bullseye Polytope: A Scalable Clean-Label Poisoning Attack with Improved Transferability 创新性本篇论文的贡献 ...
论文笔记目录（ver2.0）
1 时间序列 1.1 时间序列预测论文名称来源主要内容论文笔记:DCRNN (Diffusion Convolutional Recurrent Neural Network: Data-Dr ...
论文笔记（六）：A VR Teleoperation Suite with Manipulation Assist
A VR Teleoperation Suite with Manipulation Assist 文章概括摘要 1. 介绍和相关工作 2. 系统概述 2.1 硬件 2.2 软件 2.3 物体位姿跟 ...
行为识别论文笔记|I3D S3D R(2+1)D P3D CSN
行为识别论文笔记-I3D T3D S3D R(2+1)D P3D CSN I3D Carreira, Joao, and Andrew Zisserman. "Quo vadis, acti ...
【论文笔记】李盟, et al. 一种恶意代码特征选取和建模方法. 计算机应用与软件 08(2015):272-277.
前言论文笔记. 论文笔记出处及年份 <计算机应用与软件 Computer Applications and SoftwareVol.>第32卷第8期2015年8月论文标题一种恶意代 ...
神经稀疏体素场论文笔记
论文地址:https://proceedings.neurips.cc/paper/2020/file/b4b758962f17808746e9bb832a6fa4b8-Paper.pdf Githu ...
论文笔记：HIE-SQL:History Information Enhanced Network for Context-Dependent Text-to-SQL Semantic Parsing
论文笔记:HIE-SQL: History Information Enhanced Network for Context-Dependent Text-to-SQL Semantic Parsin ...
Check It Again: Progressive Visual Question Answering via Visual Entailment 论文笔记
Check It Again: Progressive Visual Question Answering via Visual Entailment 论文笔记一.Abstract 二.引言三.R ...

NILM论文笔记：R.Reddy, et al: A feature fusion technique for improved NILM