Non-intrusive Load Monitoring based on Self-supervised Learning
用于非侵入式负载监控（NILM）的深度学习模型往往需要大量标记数据进行训练。然而，由于数据集之间电器的负载特性和操作模式不同，很难将训练的模型推广到看不见的站点。为了解决这些问题，本文提出了自监督学习（SSL），其中不需要来自目标数据集或房屋的标记电器级数据。最初，仅需要来自目标数据集的聚合功率读数来经由自监督的借口任务预训练一般网络，以将聚合功率序列映射到导出的代表。然后，对每个电器类别执行监督下游任务，以微调预训练的网络，其中转移在借口任务中学习的特征。利用标记的源数据集，下游任务可以通过将聚合映射到标签来了解每个负载是如何分解的。最后，微调后的网络应用于目标站点的负载分解。为了验证，多个实验案例设计的基础上三个公开访问的REDD，UK-DALE，和REFIT数据集。此外，最先进的神经网络被用来执行NILM任务的实验。基于各种情况下的NILM结果，SSL在改进负载分解性能方面通常优于zero-shot学习，而无需来自目标数据集的任何子计量数据。
2022-10-09 eess.SP
A Fundamental Bound on Performance of Non-Intrusive Load Monitoring with Application to Smart Meter Privacy
我们证明了非侵入式负载监测算法的预期估计误差是下界的轨迹的倒数的设备的负载配置文件的导数之间的互相关矩阵。我们使用这个基本约束来制定隐私保护政策。特别是，我们设计了一个负载调度策略，通过最大限度地提高非侵入式负载监控算法的预期估计误差的下限。
2019-10-05 cs.SY eess.SP eess.SY
Non-Intrusive Load Monitoring (NILM) using Deep Neural Networks: A Review
Qom University of Technology（库姆理工大学）；London South Bank University（伦敦南岸大学）
本文综述基于深度学习的非侵入式负荷监测方法，梳理住宅负荷分解的高精度方案、公共评估数据库及标准指标对比。
2023-06-08 cs.LG eess.SP
COLD: Concurrent Loads Disaggregator for Non-Intrusive Load Monitoring
Artificial Intelligence Research Institute（人工智能研究院）
提出基于Transformer的COLD模型，解决高频多设备并发负载分解问题，支持42个设备，11个并发负载，识别准确率95%，分解性能82%，并引入新数据集。
2025-01-21 cs.LG eess.SP
Non-intrusive Load Monitoring via Multi-label Sparse Representation based Classification
这项工作遵循的方法，多标签分类的非侵入式负载监测（NILM）。我们修改了流行的稀疏表示为基础的分类（SRC）的方法（单标签分类）来解决多标签分类问题。在基准REDD和Pecan Street数据集上的结果显示，在少量训练数据的情况下，与最先进的技术相比，有了显着的改进。
2019-12-11 cs.LG cs.SY eess.SP
Challenges in Gaussian Processes for Non Intrusive Load Monitoring
IIT Gandhinagar（印度理工学院甘地纳加尔分校）
非侵入式负载监测（NILM）或能源分解旨在将家庭总能源消耗分解为组成电器。先前的工作表明，提供能量分解可以帮助人们节省高达15%的能量。近年来，深度神经网络在NILM领域取得了显著的进展。在本文中，我们证明了NILM的高斯过程（GP）的性能。我们选择GP有三个主要原因：i）GP固有的模型不确定性; ii）无限NN和GP之间的等价性; iii）通过适当设计内核，我们可以结合领域专业知识。我们探索并提出了将GP方法应用于NILM的挑战。
2022-11-18 cs.LG eess.SP
Non-intrusive load decomposition based on CNN-LSTM hybrid deep learning model
随着科学技术的飞速发展，电力设备的能量负荷监测与分解问题受到了学术界和工业界的广泛关注。为了提高非侵入式负载分解的性能，提出了一种基于混合深度学习模型的非侵入式负载分解方法。在该方法中，首先，对数据集进行归一化和预处理。其次，构建融合卷积神经网络（CNN）和长短期记忆网络（LSTM）的混合深度学习模型，充分挖掘负荷数据的时空特征。最后，采用不同的评价指标对混合物进行了分析。对该模型进行了全面的评价，并与传统的单一深度学习模型进行了对比。在开放数据集UK-DALE上的实验结果表明，该算法提高了整个网络系统的性能。本文将所提出的分解方法与现有的传统深度学习负载分解方法进行了比较。同时，与已有方法：谱分解、EMS、LSTM-RNN等算法相比，负荷分解的准确性有了显著提高，测试准确率达到98%。
2021-09-02 cs.SY eess.SP eess.SY
Augmenting an Assisted Living Lab with Non-Intrusive Load Monitoring
减少能源消耗足迹的需求以及当今家庭中越来越多的电子设备正在呼唤新的解决方案，使用户能够有效地管理其能源消耗。设备级的实时反馈将对该应用有显著的益处。此外，人口老龄化和他们希望更加自主的愿望促使使用相同的实时数据来间接监控家庭居住者的安全。通过将总功耗分解为各个组件，非侵入式负载监控可提供有关单个设备及其当前运行状态的信息。由于不需要额外的计量设备，居民不会面临侵入他们熟悉的环境。我们的工作旨在描述一种架构，该架构支持使用智能电表进行非侵入式测量，并使用开源平台处理这些数据，该平台允许可视化和处理有关总能耗的实时数据。作为一个案例研究，我们描述了一系列常见的家用设备的测量，并显示如何可以检测到异常行为。
2020-02-13 cs.HC eess.SP
Scale- and Context-Aware Convolutional Non-intrusive Load Monitoring
Tsinghua University（清华大学）；University of California, Santa Cruz（加州大学圣克鲁兹分校）；ETH Zürich（苏黎世联邦理工学院）
非侵入式负载监控解决了将家庭用电量的聚合信号分解为电器级数据而无需安装专用电表的挑战性任务。通过检测负载故障和推荐节能方案，经济高效的非侵入式负载监控为公用事业和最终用户提供智能需求侧管理。在本文中，我们提高了能量分解的准确性与一种新的神经网络结构命名为规模和上下文感知网络，它利用多尺度特征和上下文信息。具体来说，我们开发了一个多分支架构与多个感受野大小和分支明智的门，连接分支的子网络。我们建立了一个自我注意模块，以促进全球背景的整合，我们将对抗性损失和状态增强，以进一步提高模型的性能。在开放数据集上测试的大量仿真结果证实了所提出的方法的优点，其性能显着优于最先进的方法。
2019-11-17 cs.LG eess.SP stat.ML
Evolutionary Deep Nets for Non-Intrusive Load Monitoring
该研究针对内存与计算受限场景，提出自适应稀疏进化训练与热启动压缩方法，在非侵入式负荷监测中优化卷积网络，提升F1值并减少权重与连接数，但受样本限制无法验证泛化性能。
2026-10-23 cs.AI cs.LG cs.NE
Towards Comparability in Non-Intrusive Load Monitoring: On Data and Performance Evaluation
University of Klagenfurt（克拉根福大学）；Simon Fraser University（西蒙弗雷泽大学）
非侵入式负载监测（NILM）包括一套技术，可提供对家庭和工业设施能耗的深入了解。最新的贡献表明，显着改善的准确性和概括能力。尽管在分类技术方面取得了所有进展，但业绩评价和可比性仍然是一个悬而未决的研究问题。缺乏标准化和共识的评价程序使得再现性和可比性非常困难。在本文中，我们提请注意NILM的可比性，重点突出了用于测试算法性能的常见能量数据集之间的显著差异。我们将关于可比性的讨论分为数据方面、性能指标，并对评估过程进行了详细的介绍。预处理以及数据清洗方法的详细信息，统一的性能报告的重要性，并在负载分解的复杂性措施的需要被发现是最紧迫的问题，在NILM相关的研究。此外，我们的评估表明，应该仔细选择数据集。最后，我们制定了建议，为今后的工作，以提高可比性。
2020-01-20 cs.LG eess.SP
FederatedNILM: A Distributed and Privacy-preserving Framework for Non-intrusive Load Monitoring based on Federated Deep Learning
University of Essex（埃塞克斯大学）；Durham University（杜伦大学）；University College Cork（科克大学学院）
非侵入式负载监测（NILM）通常利用机器学习方法，并有效地将智能电表读数从家庭级别分解为电器级别的消耗，可以帮助分析用户的用电行为，并实现实际的智能能源和智能电网应用。然而，智能电表是私有和分布式的，这使得NILM的实际应用具有挑战性。为此，本文提出了一种分布式隐私保护的联邦深度学习框架（FederatedNILM），将联邦学习与最先进的深度学习架构相结合，进行NILM，用于家电典型状态的分类。通过大量的对比实验，证明了所提出的FederatedNILM框架的有效性。
2021-08-08 cs.AI cs.LG eess.SP
Multi Label Restricted Boltzmann Machine for Non-Intrusive Load Monitoring
Indrapratha Institute of Information Technology, Delhi（德里印德拉普拉斯塔信息技术学院）
人口增长表明，需要在住宅部门管理能源需求。先前的研究表明，如果向客户提供电器级反馈，客户往往会减少大量的能源消耗。这一发现增加了负载监控在当今技术娴熟的世界中的相关性。大多数以前提出的解决方案都声称可以在没有入侵的情况下执行负载监控，但它们并不是完全非入侵的。这些方法需要历史设备级数据来训练每个设备的模型。这些数据是通过在家中的每个电器上放置传感器来收集的，这会导致建筑物的入侵。最近的一些研究提出，如果我们将非侵入式负载监控（NILM）框架为多标签分类问题，则可以避免对设备级数据的需求。在本文中，我们提出了多标签限制玻尔兹曼机（ML-RBM）的NILM和报告的实验评估建议和国家的最先进的技术。
2019-10-17 cs.LG cs.NE eess.SP
Non-Intrusive Load Monitoring Based on Image Load Signatures and Continual Learning
Tashkent State Technical University（塔什干国立技术大学）；Wuhan University（武汉大学）
针对NILM特征鲁棒性与泛化不足的问题，本文将多维电力信号转为图像负荷签名，结合深度卷积网络、自监督预训练和持续在线学习实现多设备识别，并在高采样率数据集上验证准确率显著提升。
2025-06-07 cs.AI cs.CV cs.LG
Realization of Self-Demand Response Through Non-Intrusive Load Monitoring Algorithm
在智能电网（SG）范式下，对关键用户参数和关键公用设施参数的实时统计标志着需求响应（DR）的实施。先进的计量基础设施（AMI）可对这两个关键参数进行监测和控制，以反映SG的可靠信息。首先，本文针对AMI的物理实现，它包括一个由智能电表支持的电表数据管理系统（MDMS）。其次，提出了一种基于滑动窗口的非侵入式负载监测算法来说明功耗模式。MDMS的特点是泰米尔纳德邦电力局为估计和预测电费而提供的增量块率电价结构。最后，一个实现的角度来描述其组成部分的功能，理论和实验，这可以设想一个面向消费者的网格和发挥建议的自我-DR计划。
2020-02-15 cs.SY eess.SP eess.SY
Non-Intrusive Load Monitoring for Feeder-Level EV Charging Detection: Sliding Window-based Approaches to Offline and Online Detection
Monash University（莫纳什大学）；Monash Energy Institute（莫纳什能源研究所）
本文针对馈线级电动汽车充电检测的研究空白，提出基于滑动窗口特征提取与XGBoost、随机森林的轻量高效方法，支持离线与在线检测，离线F-Score达98.88%，在线达93.01%。
2023-12-04 cs.LG eess.SP
Sequence-to-Sequence Model with Transformer-based Attention Mechanism and Temporal Pooling for Non-Intrusive Load Monitoring
Qom University of Technology（库姆理工大学）；London South Bank University（伦敦南岸大学）
本研究针对智能建筑非侵入式负荷监测的准确率提升问题，提出融合Transformer注意力机制与时序池化的Seq2Seq模型，捕捉数据长期依赖及电器稳态、瞬态行为，经公开数据集验证，该方法在准确率和计算效率上均优于现有前沿技术。
2023-06-08 cs.CV cs.LG eess.SP
RFTacho: Non-intrusive RF monitoring of rotating machines
转速测量在许多工程应用中是必不可少的，它可以消除单独通过振动监测无法检测到的故障，并增强旋转机械振动信号的分析。光学、磁性或机械转速表是目前最先进的转速表。它们的局限性是需要视线，直接接近旋转物体。本文提出了RFTacho，转速测量\emph{system}，利用新的硬件和信号处理算法，方便地产生高精度的读数。RFTacho使用RF轨道角动量（OAM）波同时测量多台机器的转速，对机器的性能没有要求。OAM天线使其能够在工业中常见的高散射环境中工作，因为与线性极化天线相比，它们对去极化具有弹性。RFTacho通过使用两种新颖的信号处理算法来实现这一点，以同时提取多个旋转物体的旋转速度，这些旋转物体存在于高散射环境、非视线场景和动态环境条件下产生的噪声中，分辨率为$1 rpm$。我们在几个真实世界的机器上测试RFTacho，如风扇，电机，空调。结果表明，RFTacho具有平均。$<0.5\%$与地面实况相比的误差。我们展示了RFTacho的同时多目标测量能力，其他转速计没有。初步实验表明，RFTacho可以测量高达7000 rpm（理论上为60000 rpm）的速度，在不同的覆盖距离和方位角下具有高弹性，在5 GHz免许可频段工作时仅需150 mW的发射功率。RFTacho是第一个基于RF的传感系统，它结合了OAM波和新颖的处理方法，以非侵入式方式同时测量多台机器的转速。
2022-02-20 eess.SP
Real-Time Energy Measurement for Non-Intrusive Well-Being Monitoring of Elderly People -- a Case Study
OneMeter Sp. z o.o.（OneMeter有限责任公司）；Warsaw University of Technology（华沙理工大学）
本文通过案例研究提出一种基于实时能耗测量的非侵入式老年人健康监测方法，利用电表信标和异常检测分析日常用电画像，为护理人员提供健康洞察。
2024-06-29 cs.CY cs.LG eess.SP
Improving Non-Intrusive Load Disaggregation through an Attention-Based Deep Neural Network
University of Rome Tor Vergata（罗马第二大学）
能量分解，在文献中称为非侵入式负载监测（NILM），是在给定由监测多个电器的单个智能电表记录的总功率需求的情况下推断各个电器的功率需求的任务。在本文中，我们提出了一个深度神经网络，它结合了回归子网络和分类子网络来解决NILM问题。具体来说，我们通过在回归子网络中包含具有定制注意力机制的编码器-解码器来提高整体架构的泛化能力。注意力机制受到时间注意力的启发，时间注意力已成功应用于神经机器翻译、文本摘要和语音识别。在两个公开的数据集-REDD和UK-DALE-上进行的实验表明，我们提出的深度神经网络在所有考虑的实验条件下都优于最先进的技术。我们还表明，建模注意力转化为网络的能力，正确地检测打开或关闭一个设备，并定位信号部分具有高功耗，这是在能源分解领域的极大兴趣。
2021-02-08 cs.LG eess.SP stat.ML
Sequence to Point Learning Based on Bidirectional Dilated Residual Network for Non Intrusive Load Monitoring
School of Computer Electronics and Information, Guangxi University（广西大学计算机与电子信息学院）；Guangxi Key Laboratory of Multimedia Communication and Network Technology, Guangxi University（广西大学广西多媒体通信与网络技术重点实验室）；School of Electrical Engineering, Guangxi University（广西大学电气工程学院）；Guangxi Key Laboratory of Power System Optimization and Energy Technology, Guangxi University（广西大学广西电力系统优化与能源技术重点实验室）
非侵入式负载监测（NILM）或能量分解（ED）试图通过从整个房屋的总功率读数分解对应的电器功率读数来节省能量。它是一个单通道的盲源分离问题，由于其不可辨识性，预测困难。最近的研究表明，深度学习已经成为NILM问题越来越受欢迎的方法。神经网络提取负荷特征的能力与其深度密切相关。但是，深度神经网络由于存在梯度爆炸、梯度消失和网络退化等问题，很难进行训练。为了解决这些问题，我们提出了一个基于双向（非偶然）扩张卷积的NILM序列到点学习框架。为了更有说服力，我们直接将我们的方法与最先进的方法Seq 2 point（Zhang）进行比较，并通过两个相同的数据集和度量间接与现有算法进行比较。基于REDD和UK-DALE数据集的实验表明，我们提出的方法是远远优于现有的方法在所有的电器。
2020-05-30 cs.LG eess.SP stat.ML
A Deep Learning Technique using Low Sampling rate for residential Non Intrusive Load Monitoring
International Institute of Information Technology, Hyderabad（海得拉巴国际信息技术学院）
个人设备负荷和能耗反馈是追求用户节能的重要途径之一。这可以帮助识别故障设备和设备在未使用时浪费的能量。主要的挑战是识别和估计单个设备的能耗，而无需每个设备上的侵入式传感器。非侵入式负载监测（NILM）或能量分解是一个盲源分离问题，其需要一个系统从聚集的家庭能量消耗估计各个电器的电力使用。在本文中，我们提出了一种新的基于深度神经网络的方法，用于对从居民家庭获得的低频功率数据进行负载分解。我们结合了一系列一维卷积神经网络和长短期记忆（1D CNN-LSTM）来提取特征，这些特征可以识别活动设备并在给定聚合家庭功率值的情况下检索其功耗。我们使用CNN从给定时间范围内的主要读数中提取特征，然后使用这些特征来分类给定设备在该时间段是否处于活动状态。然后，提取的特征用于使用LSTM对生成问题进行建模。我们训练LSTM来生成特定设备的分解能耗。我们的神经网络能够生成需求方的详细反馈，为最终用户提供有关其电力消耗的重要见解。该算法专为ESP 32等低功耗离线设备而设计。实证计算表明，我们的模型优于国家的最先进的参考能源分解数据集（REDD）。
2021-11-07 cs.AI cs.LG eess.SP
Exploring Bayesian Surprise to Prevent Overfitting and to Predict Model Performance in Non-Intrusive Load Monitoring
Simon Fraser University（西蒙弗雷泽大学）；University of Klagenfurt（克拉根福大学）
非侵入式负载监测（NILM）是一个研究领域，其重点是仅基于其聚合信号来隔离系统中的组成电气负载。大量的计算资源和研究时间都花在了训练模型上，通常使用尽可能多的数据，这可能是由于更多的数据等同于更准确的模型和更好的算法。什么时候进行过充分的前期培训？什么时候NILM算法遇到了新的、看不见的数据？这项工作适用于贝叶斯惊喜的概念来回答这些问题，这对监督和无监督算法都很重要。我们量化了预测分布（称为事后惊喜）和过渡概率（称为过渡惊喜）之间的惊喜程度，在观察窗口之前和之后。我们比较了几个基准NILM算法支持的NILMTK的性能，以建立一个有用的阈值上的两个联合措施的惊喜。我们通过探索流行的隐马尔可夫模型作为惊喜阈值的函数的性能来验证过渡惊喜的使用。最后，我们探索使用惊喜阈值作为正则化技术，以避免跨数据集性能的过拟合。虽然在没有进一步测试的情况下，本文讨论的特定惊喜阈值的一般性可能是可疑的，但这项工作提供了明确的证据，表明存在模型性能相对于数据集大小的收益递减点。这对未来的模型开发、数据集获取以及在部署过程中帮助提高模型灵活性都有影响。
2020-09-16 cs.AI eess.SP
MATNilm: Multi-appliance-task Non-intrusive Load Monitoring with Limited Labeled Data
University of California Santa Cruz（加州大学圣克鲁兹分校）；University of Georgia（佐治亚大学）；Eaton Research Labs（伊顿研究实验室）
提出多电器任务框架MATNilm与样本增强方案，通过共享分层结构和二维注意力机制，在有限标注数据下显著提升非侵入式负荷监测性能，相对误差平均降低50%以上。
2023-07-29 cs.LG eess.SP
A Federated Learning Framework for Non-Intrusive Load Monitoring
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
非侵入式负荷监测（NILM）的目的是将家庭用电量的总读数分解为电器方面的读数，这有利于消费者行为分析以及节能。基于深度学习的NILM一直是研究的热点。为了训练一个更好的神经网络，需要向网络提供包含各种电器和反映消费者行为习惯的海量数据。因此，拥有NILM数据的公用事业和DNO（分布式网络运营商）之间的数据合作变得越来越重要。然而，在合作过程中，消费者隐私泄露和数据控制权丧失的风险也随之产生。针对上述问题，本文提出了一种利用联邦学习提高NILM性能的框架。在该框架中，模型的权重，而不是本地数据之间共享的实用程序。全局模型通过对局部训练模型权重进行加权平均以收集局部训练模型信息来生成。最优模型选择帮助选择最适合不同领域数据的模型。实验结果表明，该方法提高了本地NILM运行器的性能。该框架的性能接近于在没有隐私保护的情况下通过收敛数据获得的集中训练模型的性能。
2021-04-04 cs.DC cs.LG eess.SP
Prompting Large Language Models for Training-Free Non-Intrusive Load Monitoring
Southern University of Science；Technology \& Peng Cheng Laboratory；The Chinese University of Hong Kong, Shenzhen；The Hong Kong University of Science；Tsinghua University
本文提出首个基于提示的LLM非侵入式负荷监测框架，利用上下文学习实现无需训练的设备分解，在REDD和UK-DALE上验证了其泛化性与可解释性，但性能不及传统深度学习。
2025-08-02 cs.AI cs.LG eess.SP
Towards trustworthy Energy Disaggregation: A review of challenges, methods and perspectives for Non-Intrusive Load Monitoring
National Technical University of Athens（雅典国立技术大学）
非侵入式负载监控（NILM）是将总功耗分解为各个子组件的任务。多年来，信号处理和机器学习算法已经结合起来实现这一目标。大量的出版物和广泛的研究工作进行了能量分解或NILM的国家的最先进的方法，以达到理想的性能。科学界最初的兴趣是使用机器学习工具在数学上制定和描述NILM问题，现在已经转移到更实用的NILM。目前，我们正处于NILM的成熟期，人们正在尝试将NILM应用于现实生活中的应用场景。因此，算法的复杂性，可转移性，可靠性，实用性和一般的可信度是主要的问题。这篇综述缩小了早期未成熟NILM时代和成熟NILM时代之间的差距。特别是，本文提供了一个全面的文献综述的NILM方法，住宅电器。本文分析、总结和介绍了大量最近发表的学术文章的成果。此外，本文还讨论了这些方法的亮点，并介绍了研究人员应用NILM方法时应考虑的研究困境。最后，我们需要将传统的分解模型转化为一个实用和值得信赖的框架。
2022-07-05 cs.AI cs.LG eess.SP
A Non-Intrusive Load Monitoring Approach for Very Short Term Power Predictions in Commercial Buildings
本文提出了一种新的算法来提取设备配置文件完全无监督的三相无功和有功总功率测量。提取的设备配置文件应用于使用粒子群优化来分解总功率测量值。最后，本文提供了一种新的方法，利用分解数据进行短期功率预测。为此目的，通过人工神经网络执行每个设备的状态变化预测，并且之后通过重构关于状态变化和设备简档的功率来将其转换为功率预测。天气预报是15分钟。为了证明所开发的方法，三相无功和有功总功率测量的多租户的商业建筑。数据粒度为1 s。在这项工作中，52个设备配置文件中提取的聚合功率数据。分解示出了测量功率的非常准确的重建，能量误差百分比约为1%。所开发的间接功率预测方法应用到测量的功率数据优于两个持久性预测和人工神经网络，这是专为24小时提前一天的功率预测工作在功率域。
2020-07-23 eess.SP stat.ML
Non-Intrusive Signature Extraction for Major Residential Loads
University of Alberta（阿尔伯塔大学）
智能电表采集的数据包含了大量有用的信息。这些数据的一个潜在用途是跟踪主要家用电器的能源消耗和运行状态。结果将使房主能够就如何节省能源和如何参与需求响应计划做出明智的决定。本文提出了一种新的方法来细分总的电力需求测量的智能电表，以使用的个人电器。所提出的方法的一个独特的特征是，它利用与电器的整个操作窗口相关联的不同签名进行识别。因此，可以跟踪具有复杂中间过程的设备。还提出了一种新的设备注册设备和方案，以自动创建设备签名数据库，并消除了在识别之前的大量训练的需要。为了验证所提出的方法，软件和系统已经开发并部署到真实的房屋。
2018-04-30 cs.AI cs.CE eess.SP
NILMFormer: Non-Intrusive Load Monitoring that Accounts for Non-Stationarity
EDF R&D - Université Paris Cité（EDF研究与开发 - 巴黎大学）
本文提出基于Transformer的NILMFormer，通过子序列平稳化/去平稳化方案和时间戳位置编码缓解智能电表数据非平稳性带来的分布漂移，显著提升非侵入式负荷监测性能，并已部署于法国电力公司服务。
2025-06-06 cs.LG eess.SP
Non-Intrusive Electrical Appliances Monitoring and Classification using K-Nearest Neighbors
Vanderbilt University（范德堡大学）；International University of Business Agriculture and Technology（国际商业农业技术大学）
非侵入式负载监控（NILM）是一种从聚合能耗特征中检测单个设备的能量信号的方法[1]。由于现有的能量计除了提供聚合的额定功率之外几乎不提供关于各个电器的能量消耗的信息，所以通过NILM发现各个电器的能量使用不仅将向消费者提供电器特定的能量使用的反馈，而且还导致他们的消费行为的改变，这促进了节能。B Neenan等人[2]已经证明，直接的个人特定于电器的能量使用信号导致消费者的行为变化，从而将能量效率提高多达15%。在分解能量信号时，需要根据适当的器具对信号进行分类。因此，本文的目标是将总能耗数据分解为单个设备签名，然后使用称为K-最近邻（KNN）的突出监督分类方法对特定于设备的能源负载进行分类。为了执行此操作，我们使用了一个可公开访问的来自几个房屋的电力信号数据集，称为REDD数据集。在应用KNN之前，为每个设备预处理数据。然后应用KNN检验它们的能耗特征是否可分离。在K=5时应用KNN。
2019-11-22 cs.LG eess.SP
Deep Sparse Coding for Non-Intrusive Load Monitoring
能量分解是将整个建筑物的总能量（如由智能电表记录的）分离为单个电器消耗的能量的任务。这是一个单通道（唯一通道是智能电表）盲源（不同电器）分离问题。解决这个问题的传统方法是通过随机有限状态机（例如阶乘隐马尔可夫模型）。近年来，基于字典学习的方法在解决解聚问题方面表现出了希望。通常的技术是为每个设备学习字典，并在分解期间使用学习的字典作为盲源分离的基础。这一领域的先前研究是浅层学习技术，即它们为每个设备学习单层字典。在这项工作中，我们提出了一种深度学习方法，而不是学习一个级别的字典，我们为每个设备学习多层字典。这些多层次的字典被用作在分解过程中进行源分离的基础。两个基准数据集和一个实际实现的结果表明，我们的方法优于国家的最先进的技术。
2019-12-11 cs.LG cs.SY eess.SP
Ask for Any Appliance: A Prompt-Programmable Foundation Model for Non-Intrusive Load Monitoring
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Southern University of Science and Technology（南方科技大学）
本文提出FM4NILM，一个可提示编程的基础模型，通过自然语言和示例从聚合数据中估计任意电器的功率轨迹，以单一共享模型实现多电器分解，优于专用基线。
2026-09-22 cs.LG eess.SP
Adversarial Energy Disaggregation for Non-intrusive Load Monitoring
University of Electronic Science and Technology of China（电子科技大学）；Shandong Normal University（山东师范大学）
能量分解，也称为非侵入式负载监控（NILM），挑战了将整个家庭的电力使用分离为特定于电器的个人消费的问题，这是数据分析的典型应用。{NILM旨在帮助家庭了解如何使用能源，从而告诉他们如何有效地管理能源，从而提高能源效率，这被认为是可持续能源政策的两大支柱之一（即，能源效率和可再生能源）。尽管NILM无法识别，但人们普遍认为NILM问题可以通过数据科学来解决。现有的方法大多通过传统的技术，如稀疏编码，非负矩阵分解，隐马尔可夫模型来解决能量分解问题。最近的进展表明，深度神经网络（DNN）可以为NILM获得良好的性能，因为DNN可以固有地学习不同设备的区分签名。在本文中，我们提出了一种新的方法命名为对抗能量解聚（AED）的DNNs的基础上。我们将对抗学习的思想引入到NILM中，这对于能量分解任务来说是新的。我们的方法通过对抗方式训练生成器和多个鉴别器。所提出的方法不仅学习不同设备的分片表示，而且捕获每个设备的特定多模结构。在真实世界数据集上的大量实验验证了我们的方法可以实现新的最先进的性能。
2021-08-02 cs.AI cs.CV cs.LG
Edge-Optimized Deep Learning & Pattern Recognition Techniques for Non-Intrusive Load Monitoring of Energy Time Series
National Technical University of Athens（雅典国立科技大学）
针对NILM数据集地域偏差及深度学习依赖云端的问题，本文提出Plegma Dataset与可互操作采集框架，并结合模型压缩实现高效边缘部署。
2025-05-07 cs.LG eess.SP stat.ML
Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management
Fuzhou University（福州大学）；Zhicheng College, Fuzhou University（福州大学至诚学院）；Peng Cheng Laboratory（鹏城实验室）；City University of Hong Kong（香港城市大学）
针对智慧城市大规模电力系统的负荷监测需求，提出将电流信号转为特征图像、结合U型深度网络的非侵入式负荷监测方法，经多数据集验证性能更优，可支撑高效能源管理。
2023-08-08 cs.AI cs.CV cs.SY
Probabilistic Power Flow Calculation using Non-intrusive Low-rank Approximation Method
提出了一种基于低秩近似（LRA）的非侵入式概率潮流（PPF）分析方法，该方法能够准确、高效地估计出系统的概率特性（如，平均值，方差，概率密度函数）的PPF解决方案。该方法的目的是通过少量的潮流计算，建立一个与PPF解在物理上等价的代理。通过利用保留的张量积形式的一元多项式的基础上，一个顺序的校正更新计划，使未知数的总数是线性的，而不是指数的随机输入的数量。因此，LRA方法是特别有前途的处理高维问题，大量的随机输入。对IEEE 39节点、118节点和1354节点系统的数值研究表明，与Monte Carlo仿真相比，该方法能够以更少的计算量获得PPF解的精确概率特性。即使与多项式混沌展开方法相比，LRA方法也可以达到相当的精度，而LRA方法更能够处理高维问题。此外，数值结果表明，随机性所带来的可再生能源资源和负荷可能不可避免地影响调度/规划方案的可行性。
2019-01-31 eess.SP
Smooth nonnegative tensor factorization for multi-sites electrical load monitoring
从智能电表收集的负载曲线分析是许多能源管理任务的关键步骤，从消费预测到客户表征和负载监控。在这方面的贡献，我们提出了一个模型的基础上的非负张量因式分解的功能制定，并获得相应的优化问题的更新。我们在多站点负荷曲线分解的具体示例中展示了该公式如何有助于1）展示平滑的日内消耗模式和2）考虑外部变量，如外部温度。通过展示基于所获得的分解的所观察到的站点的有意义的聚类，在模拟和真实数据上证明了这些益处。
2021-06-29 eess.SP
PulseFi: A Low Cost Robust Machine Learning System for Accurate Cardiopulmonary and Apnea Monitoring Using Channel State Information
PulseFi利用Wi-Fi传感和人工智能，通过信道状态信息实现低成本、非侵入式的心率、呼吸率监测及睡眠暂停检测，其系统在准确性和成本效益上优于传统高成本设备。
2025-10-15 cs.AI eess.SP
Interfacial Load Monitoring and Failure Detection in Total Joint Replacements via Piezoresistive Bone Cement and Electrical Impedance Tomography
无菌性松动或植入物固定丢失是全关节置换术后的常见并发症。在美国，翻修手术每年花费医疗保健系统超过80亿美元。尽管无菌性松动普遍存在，但及时准确地检测仍然是一个挑战，因为传统的成像方式（如平片）难以可靠地检测早期植入物松动。基于这一挑战，我们提出了一种新的方法，用于骨水泥关节置换的体内监测和失效检测。聚（甲基丙烯酸甲酯）（PMMA）骨水泥改性与低体积分数的短切碳纤维（CF），赋予压电为基础的自传感。电阻抗断层扫描（EIT），然后用于检测和监测负载引起的变形和断裂的CF/PMMA在一个幻影坦克。因此，我们表明，EIT确实能够熟练地检测假体替代物上的负载力，区分增加的负载大小，检测植入物固定失败，甚至区分骨水泥开裂和骨水泥脱粘。由于EIT是一种低成本、生理良性且可能实时成像的方式，因此本文所述的可行性研究有可能改变植入物状况术后监测的护理标准。除了临床相关性之外，该技术还可以通过体内监测深入了解引发无菌性松动的因素，对骨科研究人员产生积极影响。
2019-12-11 eess.SP
PMU based Monitoring and Mitigation of Delayed Voltage Recovery using Admittances
通过引入负荷导纳和热继电器动态特性对西部电力协调委员会（WECC）的复合负荷模型进行简化，分析了电压恢复延迟现象。从这个分析中，一个封闭的形式近似的恢复时间的表达式推导和关键的负载参数影响的电压恢复的行为被识别。然后，提出了一种基于测得的负载导纳的监测方案，以检测失速的发生，即使在存在电压振荡的情况下，并估计延迟电压恢复的持续时间。一个缓解方案，利用智能恒温器和离线学习，以确保电压恢复到事故前的电压在指定的时间内。监测和缓解方案都只需要在变电站进行本地测量，这使得它们有希望用于在线应用。IEEE 162总线系统验证用于分析的各种假设，并建立延迟电压恢复现象和负载导纳之间的连接的监测和缓解方案的结果进行了详细描述。
2018-09-17 eess.SP
Non-Invasive Monitoring of Vital Signs in Calves Using Thermal Imaging Technology
本研究提出基于热成像的犊牛生命体征非侵入监测方法，结合KCF运动追踪与信号处理技术，实现低误差的呼吸率和心率检测，为精准畜牧业提供低应激的监测工具。
2024-05-19 eess.SP
Multi-timescale Event Detection in Nonintrusive Load Monitoring based on MDL Principle
负载事件检测是基于事件的非侵入式负载监控（NILM）的基础。然而，现有的事件检测方法与固定参数可能无法应付固有的多时间尺度特性的事件，其事件检测精度容易受到负载波动。在这方面，本文扩展了我们以前设计的两阶段事件检测框架，并提出了一种新的多时间尺度事件检测方法的最小描述长度（MDL）的基础上的原则。在第一阶段完成阶跃事件检测之后，第二阶段设计了一种变长滑动窗的长瞬变事件检测方案，用于在不同时间尺度上对同一事件进行观测和表征。该方法通过模体发现来挖掘聚合负载数据中的上下文信息，然后基于MDL原则，针对不同的事件选择合适的观测尺度，并确定相应的检测结果。在后处理阶段，提出了一种基于语音激活检测（VAD）的负载波动定位方法，以识别和去除波动引起的不合理事件。基于新提出的评估指标，在公共和私有数据集上的比较测试表明，我们的方法实现了更高的检测准确性和完整性的各种设备的事件在不同的场景。
2022-11-19 eess.SP
Machine Learning Approaches for Non-Intrusive Home Absence Detection Based on Appliance Electrical Use
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
家庭缺席检测是灵巧家庭装置上的新兴领域。确定房子的居民是否在场，在许多情况下都很重要。可能的情况包括但不限于：独居老人、痴呆症患者、居家隔离。大多数已发表的论文都集中在压力/门传感器或摄像机上，以检测外出事件。虽然上述方法提供了可靠的结果，但它们是侵入性的，并且需要对传感器放置进行修改。在我们的工作中，电器的使用是作为一种手段来检测居民的存在或不存在。能量使用是功率分解的结果，这是一种非侵入式/非侵入式感测方法。由于无法获得为家庭缺失提供能量数据和地面实况的数据集，因此在UK-DALE数据集上引入了人工外出事件，UK-DALE数据集是用于非侵入式负载监测（NILM）的众所周知的数据集。使用生成的数据集评估了几种机器学习算法。基准测试结果表明，使用家电功耗的家庭缺席检测是可行的。
2022-03-30 cs.AI cs.LG cs.NE
Nonintrusive Load Monitoring for Machines used in Manufacturing
为了提高生产机器的电能效率，必须确定组成电负载的能量需求。因此，本文提出了一种基于非侵入式负载监测的新型测量系统。它只测量总负载的电压和电流，然后使用自动分解方法来估计组成负载的能量需求。在两个算例中，大多数负荷的能量需求可以用这种方法确定，其精度在85%以上。
2019-12-01 cs.OH eess.SP
Non-intrusive Water Usage Classification Considering Limited Training Data
KIOS Research and Innovation Center of Excellence, University of Cyprus（塞浦路斯大学KIOS研究与创新卓越中心）；Department of Electrical and Computer Engineering, University of Cyprus（塞浦路斯大学电气与计算机工程系）
对家庭用水量进行智能计量，以持续监测不同电器的使用情况，已被证明对人们的节水行为有影响。然而，安装多个传感器来监视每个电器目前具有高的初始成本，并且因此，使用传感器监视来自不同电器的消耗不具有成本效益。为了应对这一挑战，研究重点是使用机器学习（ML）方法分析家庭总消费量的测量结果，将用水量分解到每个设备中。通过ML识别哪些设备正在使用是具有挑战性的，因为它们的操作可能是重叠的，而特定的设备可能会以间歇性的流操作，使得单个消费事件难以区分。此外，ML方法需要大量标记的输入数据来训练它们的模型，这通常不适用于单个家庭，而使用特性可能在不同地区有所不同。在这项工作中，我们首先提出了一个数据模型，该模型根据区域用水特征和分辨率生成合成时间序列，以克服对具有真实标记数据的大型训练数据集的需求。该方法需要少量的真实标记的数据从研究区域。在此之后，我们提出了一种新的算法，用于分类单一和重叠的家庭用水事件，使用总的家庭消费测量。
2023-01-02 cs.LG cs.SY eess.SP
IMG-NILM: A Deep learning NILM approach using energy heatmaps
University of Bristol（布里斯托大学）
能源分解估计家电用电量从一个单一的米，衡量整个家庭的电力需求。与侵入式负载监控相比，NILM（非侵入式负载监控）具有成本低、易于部署、灵活性强等优点。在本文中，我们提出了一种新的方法，创造IMG-NILM，利用卷积神经网络（CNN）来分解表示为图像的电力数据。与传统的将电力数据作为时间序列处理的方法不同，IMG-NILM将时间序列转换为热图，将更高的电力读数描绘为“更热”的颜色。然后在CNN中使用图像表示来从聚合数据中检测电器的签名。IMG-NILM功能强大且灵活，在各种类型的设备上具有一致的性能;包括单一和多个状态。它在单个房屋内的UK-Dale数据集上达到了高达93%的测试准确度，其中存在大量的电器。在从不同房屋收集电力数据的更具挑战性的环境中，IMG-NILM也达到了85%的平均准确度。
2022-07-26 cs.LG eess.SP
Microcontroller Based Load Monitoring System
在上个世纪，对电力的需求呈指数级增长。解决当今能源问题的一个途径是减少家庭的能源使用。这就更加强调了对准确和经济的功率测量方法的需求。提供这些数据的目的是优化和降低其功耗。鉴于此，本文重点介绍了利用PIC单片机芯片（PIC16F877A）设计和实现精确可靠的负荷监测系统。这涉及负载的电压、电流和功率因数的精确感测。巧妙地利用微控制器的内置ADC和定时器，降低了系统的设计复杂度。该系统实时连续监测负载，并在LCD模块中显示电压、电流、功率因数、有功功率、无功功率和视在功率等参数。微控制器的使用降低了成本，使装置紧凑。所提出的系统已在实验室中实施和测试单相负载。
2021-08-11 cs.SY eess.SP eess.SY
A Blind Source Separation Framework to Monitor Sectoral Power Demand from Grid-Scale Load Measurements
Politecnico di Milano（米兰理工大学）；Terna S.p.A（特纳股份公司）
本文提出盲源分离框架，通过非负矩阵因子化方法从电网负荷数据中分离出不同行业电力需求，验证了方法在意大利数据中的有效性。
2026-04-15 eess.SP stat.AP
InfiniteEn: A Multi-Source Energy Harvesting System with Load Monitoring Module for Batteryless Internet of Things
本文提出面向 IoBT 的多源能量收集平台 InfiniteEn，通过高效能量组合器、可配置存储缓冲器阵列和 LMM 实现低开销负载能量状态跟踪与异常检测。
2024-01-25 cs.AR eess.SP
Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data
Monash University（莫纳什大学）
本文提出利用天气数据与联邦序列到序列学习框架L2GD，在不共享数据的低分辨率智能电表场景下实现12种高低耗能电器的负荷分解，有效处理统计异质性并显著提升NILM性能。
2024-08-15 cs.AI cs.LG eess.SP
Real Time NILM Based Power Monitoring of Identical Induction Motors Representing Cutting Machines in Textile Industry
Department of Electrical and Electronic Engineering, BRAC University, Dhaka, Bangladesh（电气与电子工程系，BRAC大学，达卡，孟加拉国）
针对纺织行业能源监控落后的问题，提出基于实时非侵入式负荷监测（NILM）的框架，使用MATNILM模型对同型号感应电机进行功率分解，验证了实时监控可行性并指出多台相同设备同时运行时的分解困难。
2026-05-27 cs.LG eess.SP
Unsupervised Disaggregation of Water Heater Load from Smart Meter Data Processing
在住宅领域，电热水器是具有相对高的功率消耗和显著的热惯性的电器，其特别适合于需求响应方案。通过控制热水器的有效DR方案的成功预先假定了在每个时刻对它们的功率需求的准确估计。虽然热水器的负载很少直接测量，但智能电表（SM）在配电网中的大量渗透使得能够通过负载分解在大规模上间接推断此信息。为此，在文献中提出了相当数量的非侵入式负载监控（NILM）方法。然而，它们要求数据流的时间分辨率在一秒或更高的范围内，这对于标准SM是不现实的。因此，本文提出了一种无监督的方法来检测和分解的热水器的负载曲线从标准SM数据的时间分辨率在分钟范围内。在多个实际负载与分计量评估，所提出的方法实现了归一化平均绝对误差（NMAE）低于2%，精度一般高于92%，时间分辨率在5和15分钟之间。
2021-04-07 cs.SY eess.SP eess.SY
Dimensionality Expansion of Load Monitoring Time Series and Transfer Learning for EMS
提出结合时间序列类视频维度扩展与资源感知深度学习的 EMS 负荷监测方法，并通过跨数据集迁移学习在少样本、训练效率和未见电器泛化上取得提升。
2023-04-19 cs.LG eess.SP
