NILM论文笔记:R.Reddy, et al: A feature fusion technique for improved NILM
目录
0. 前言
1. 论文概要
2. 混合特征生成
3. 数据合成
4. 对比实验
4.1 数据生成
4.2 事件检测
4.3 特征提取(Feature extraction)
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 ...
最新文章
- Spring-boot注入配置为java静态属性
- 简单描述ListView中使用GestureDetector冲突的解决办法
- 【 Verilog HDL 】case, casez, casex 之干货总结
- 小公司如何提高效率?
- java slf4j日志框架_SLF4J - 日志框架 - 类库 - Java - 代码树
- 区块链BaaS云服务(21)腾讯CCGP“跨链流程”
- React项目开发中的数据管理
- Entity Framework 6 Recipes 2nd Edition(9-2)译-用WCF更新单独分离的实体
- linux 桌面显示视频播放器,Ubuntu 13.10开启媒体播放器VLC桌面通知的步骤
- Swift 全功能的绘图板开发
- 启动修复黑屏服务器,使用光标修复Windows 10黑屏
- 计算机组成部分有cpu吗,计算机组成原理笔记——处理器(1)[未完]
- 关于html中利用jQuery选择子节点方法总结——待续
- docker nginx 命令。
- Windows平台上实现P2P服务(一)
- 基于鱼群算法的函数寻优算法
- IDEA开发工具当前窗口导入多个项目
- 天猫盒子 显示电脑连接服务器失败,天猫魔盒访问电脑共享文件需要密码的解决方法...
- UI设计中聊天气泡框的设计技巧
- 负反馈元器件参数对功放性能的影响