Power Management in Smart Residential Building with Deep Learning Model for Occupancy Detection by Usage Pattern of Electric Appliances
Electronics and Telecommunications Research Institute (ETRI)（韩国电子通信研究院）；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
随着智能建筑应用的增长，住宅建筑中的占用信息变得越来越重要。在智能建筑范例的背景下，这种信息需要用于各种目的，包括提高能源效率和居住者舒适度。在这项研究中，居住建筑中的占用检测是使用深度学习的基础上的技术信息的电器。为此，提出了一种新的智能住宅建筑系统的占用检测方法。使用智能计量系统测量的电器、传感器、光和HVAC的数据集，从50个家庭收集，用于模拟。利用支持向量机和自编码算法对数据集的占用率进行分类。混淆矩阵用于准确率，精度，召回率和F1，以证明所提出的方法在占用检测的比较性能。该算法利用电器产品的技术信息实现了95.7~ 98.4%的占用检测。为了验证占用检测数据，主成分分析和t分布随机邻居嵌入（t-SNE）算法。通过使用占用检测，智能建筑中可再生能源系统的功耗降低到11.1%~13.1%。
2022-09-23 cs.HC cs.LG eess.SP
Appliance Detection Using Very Low-Frequency Smart Meter Time Series
EDF（法国电力公司）；Université Paris Cité（巴黎西岱大学）；IUF（法国大学研究院）
本文评估和比较了最先进的时间序列分类器在极低频智能电表数据上检测电器的性能，发现基于深度学习的分类器表现优异且可扩展，但仍需进一步研究提升准确率。
2023-05-21 cs.LG eess.SP
Learning Defensive Policies against Diverse Inference Attacks for Smart Meter Privacy
The University of Manchester（曼彻斯特大学）；KU Leuven（鲁汶大学）
针对智能电表隐私保护，提出代理引导的分层强化学习框架，通过电池负荷整形注入误导性设备签名，有效防御多样且未知的NILM推断攻击，在真实数据集上显著提升设备级误差并降低F1分数。
2026-09-23 cs.LG
ADF & TransApp: A Transformer-Based Framework for Appliance Detection Using Smart Meter Consumption Series
EDF R&D（法国电力公司研发部）；Université Paris Cité（巴黎西岱大学）；IUF（法国大学研究院）
本文提出ADF框架和基于Transformer的TransApp分类器，通过自监督预训练和用电序列子序列分析，在智能电表低频数据上实现优于现有方法的电器检测。
2023-12-17 cs.LG eess.SP
Bi-Level Poisoning Attack Model and Countermeasure for Appliance Consumption Data of Smart Homes
Jashore University of Science and Technology（杰索尔科技大学）；Deakin University（迪肯大学）；RMIT University（皇家墨尔本理工大学）
准确的建筑物能量预测在从建筑物能量自动化和管理到最佳存储控制的各种应用中是有用的。然而，在设计建筑物能源预测模型时应考虑漏洞，因为智能攻击者可以使用复杂的攻击模型故意影响模型性能。这些可能因此降低预测准确性，这可能影响建筑物能量管理系统的效率和性能。在本文中，我们调查的影响，从家用电器的能量使用的回归模型的双级中毒攻击。此外，针对预测模型的中毒攻击，本文提出了一种有效的对策。在基准数据集上评估攻击和防御。实验结果表明，智能网络攻击者可以毒化预测模型来操纵决策。然而，我们提出的解决方案成功地确保了防御这种中毒攻击有效地与其他基准技术相比。
2021-07-01 cs.CR cs.LG
DeviceScope: An Interactive App to Detect and Localize Appliance Patterns in Electricity Consumption Time Series
EDF R&D - Université Paris Cité（EDF研发 - 巴黎大学城）；Inria, ENS, PSL, CNRS（Inria、ENS、PSL、CNRS）；Université Paris Cité - IUF（巴黎大学城 - IUF）
针对智能电表聚合数据难理解、电器级真实标签稀缺的问题，本文提出交互式应用 DeviceScope，并基于仅需电器存在信息的弱监督方法 CamAL 实现单电器用电模式的检测与定位。
2025-06-06 cs.LG eess.SP
Cluster Aggregated GAN (CAG): A Cluster-Based Hybrid Model for Appliance Pattern Generation
Department of Artificial Intelligence, School of Electronics Engineering, Kyungpook National University（人工智能系，电子工程学院，全北国立大学）
针对现有生成方法忽略间歇性与连续电器行为差异导致训练不稳定和保真度有限的问题，提出CAG框架，通过聚类模块为间歇电器分配专用生成器，连续电器使用LSTM生成器，在UVIC数据集上优于基线方法。
2026-08-19 cs.AI cs.LG
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
Activity Detection And Modeling Using Smart Meter Data: Concept And Case Studies
Stanford University（斯坦福大学）；Total, R&D（道达尔研发中心）
住宅消费者消耗的电力占全球电力消耗的很大一部分，由于广泛部署的先进计量基础设施，公用事业公司可以收集高分辨率的负载数据。通过非侵入式负载监控对设备负载分解的研究兴趣越来越大。由于电器的用电量与消费者的活动直接相关，本文提出了一种新的更有效的方法，即，活动分解我们提出了活动分解的概念，并讨论了它的优势，传统的设备负载分解。我们开发了一个框架，利用机器学习的活动检测的基础上住宅负荷数据和功能。我们通过数值案例研究来证明活动检测方法的有效性，并通过时间依赖的活动建模来分析消费者行为。最后但并非最不重要的是，我们讨论了一些潜在的用例，可以受益于活动分解和一些未来的研究方向。
2021-03-10 cs.HC cs.LG
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
Short-Term Load Forecasting for Smart HomeAppliances with Sequence to Sequence Learning
University of Central Florida（中佛罗里达大学）；University of Ottawa（渥太华大学）
负荷预测在住宅能源管理中起着至关重要的作用，除了具有显着的重要性，由公用事业公司执行的辅助服务。在本文中，我们建议使用基于LSTM的序列到序列（seq2seq）学习模型，可以捕获设备的负载配置文件。我们使用了一个从四个住宅楼收集的真实数据集，并将我们提出的方案与其他三种技术，即VARMA，一维卷积神经网络和LSTM模型进行了比较，结果表明，在大多数情况下，基于LSTM的seq2seq模型在预测误差方面优于其他技术。
2021-06-26 cs.LG cs.SY eess.SP
LoaDiff: Conditional Generation of Electricity Consumption Time Series for Energy Analytics
EDF R&D（法国电力集团研发部）；Université Paris Cité（巴黎西岱大学）
LoaDiff是一种基于扩散的生成模型，用于生成亚小时级居民电耗曲线，支持静态和动态条件控制，在保真度、多样性和下游应用上表现优异。
2026-09-11 cs.AI cs.LG eess.SP
Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring
Department of Computer Science University of Colorado Colorado Springs（计算机科学系，科罗拉多州立大学）；School of Computation, Information, and Technology (CIT) Technical University of Munich（计算、信息与技术学院（CIT），慕尼黑技术大学）；School of CIT Technical University of Munich（计算、信息与技术学院，慕尼黑技术大学）；Software AG Munich, Germany（软件AG，德国慕尼黑）；School of CIT and MDSI Technical University of Munich（计算、信息与技术学院和MDSI，慕尼黑技术大学）
本文提出基于贝叶斯优化的AutoML方法以支持NIALM能源分解，基准发现简单模型常优于复杂方法，并发布开源工具AutoML4NIALM。
2025-04-25 cs.AI cs.LG cs.SE
Efficient Localness Transformer for Smart Sensor-Based Energy Disaggregation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
基于传感器的现代智能能源管理系统利用非侵入式负载监控（NILM）来实时预测和优化设备负载分布。NILM或能量分解是指以聚合功率信号为条件的电力使用的分解（即，主通道上的智能传感器）。基于使用传感技术的实时家电功率预测，能量分解具有提高电力效率和降低能源支出的巨大潜力。随着Transformer模型的引入，NILM在预测设备功率读数方面取得了显著的改进。然而，由于O（l^2）的复杂度，Transformers的效率较低。序列长度l.此外，由于在局部环境中缺乏电感偏置，Transformers可能无法在序列到点设置中捕获局部信号模式。在这项工作中，我们提出了一个有效的本地Transformer的非侵入式负载监测（EL Transformer）。具体来说，我们利用归一化函数和切换矩阵乘法的顺序来近似自注意，并降低计算复杂性。此外，我们引入了局部性建模与稀疏的局部注意头和相对位置编码，以提高模型的能力，在提取短期的局部模式。据我们所知，ELTransformer是第一个解决NILM中计算复杂性和局部建模的NILM模型。通过大量的实验和定量分析，我们证明了所提出的ELTransformer的效率和有效性，与最先进的基线相比有了相当大的改进。
2022-03-29 cs.AI cs.LG eess.SP
Plug In and Learn: Federated Intelligence over a Smart Grid of Models
Aalto University, Finland（芬兰阿尔托大学）
提出一种模型无关的联邦学习方法，借鉴智能电网机制，通过图正则化器协调统计相似的本地模型在公共无标签数据集上产生相似预测，支持多种参数与非参数模型，且兼容标准机器学习库。
2025-05-29 cs.LG
Demand Response For Residential Uses: A Data Analytics Approach
The University of Western Ontario（西安大略大学）
在智能电网环境中，智能测量设备的出现促进了对电器用电量的监控。这些数据可用于通过数据分析在住宅中应用需求响应（DR），并开发数据挖掘技术。在本研究中，我们介绍了一个智能系统的基础上，应用于用户的分类功耗数据。该系统通过改变用户使用较重的操作模式的行为以较轻的模式，并通过鼓励用户将其使用转移到非高峰时间，来鼓励用户应用DR。首先，我们应用互相关（XCORR）来检测设备使用时发生的时间。然后，我们使用动态时间规整（DTW）来识别所使用的操作模式。
2020-08-07 cs.LG eess.SP
Privacy Preserving Demand Forecasting to Encourage Consumer Acceptance of Smart Energy Meters
Keele University（基尔大学）
在这份提案文件中，我们强调了隐私保护能源需求预测的必要性，以减轻消费者对智能电表安装的主要担忧。高分辨率智能电表数据可以暴露消费者家庭的许多隐私方面，例如占用率，习惯和个人电器使用情况。然而，智能计量基础设施有可能通过提高运营效率来大幅减少能源部门的碳排放。我们提出了一种分布式机器学习设置称为联邦学习的应用程序，用于各种规模的能源需求预测，使负荷预测成为可能，同时保留消费者的原始能源消耗数据的隐私。
2020-12-14 cs.CY cs.LG
Smart Households Demand Response Management with Micro Grid
University of Guelph（圭尔夫大学）
如今，新兴的智能电网技术开辟了客户和能源公司之间的双向通信的可能性。需求响应管理（DRM）为商业客户和家庭提供了节省资金的承诺，同时帮助公用事业公司更有效地运营。在本文中，基于激励的需求响应优化（IDRO）模型，提出了有效地调度家用电器在高峰时段的最低使用率。该方法是一种基于非线性自回归神经网络（NAR-NN）的多目标优化技术，它考虑了公用事业和屋顶安装的光伏（PV）系统提供的能量。所提出的方法进行了测试和验证，使用300个案例研究（家庭）。为期一年的数据分析表明，功率因数和客户账单有明显改善。
2019-07-08 cs.AI cs.LG cs.SY
Time Series Anomaly Detection in Smart Homes: A Deep Learning Approach
University of Siegen（锡根大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）
修复由不同异常引起的能源泄漏可以显著节省能源并延长设备寿命。此外，它还可以帮助电网运营商调度其资源，以满足最终用户的实际需求，同时帮助最终用户降低能源成本。在本文中，我们分析了REFIT数据集的两个房屋中使用的洗碗机的功耗模式。然后训练两个以1D-CNN和TCN为主干的自动编码器（AE）来区分正常模式和异常模式。我们的研究结果表明，TCN优于CNN 1D在检测异常的能源消耗。最后，我们也使用来自Refit中的Fridge_Freezer和3号房屋的Freezer的数据来评估我们的方法。
2023-02-28 cs.LG
Identification of TV Channel Watching from Smart Meter Data Using Energy Disaggregation
University of Hertfordshire（赫特福德大学）；Leeds Beckett University（利兹贝克特大学）
智能电表用于测量家庭的能源消耗。具体而言，在能源消耗任务中，智能电表已用于负荷预测，减少消费者账单以及减少电网失真。除了能源消耗，智能电表可用于在设备级别上分解能源消耗。在本文中，我们调查的潜力，确定由电视或显示器设备播放的多媒体内容，使用中央住宅的智能电表测量家庭的所有工作电器的总能耗。所提出的架构是基于聚合的能量信号帧与20个参考电视频道信号的弹性匹配。使用不同的弹性匹配算法，最好的实现视频内容识别的准确率为93.6%，使用MVM算法。
2020-07-01 cs.LG eess.SP
Analysis Co-Sparse Coding for Energy Disaggregation
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。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。词典学习是一个综合的公式，在这项工作中，我们提出了一个分析方法。我们提出的方法的优点是，与最先进的技术相比，训练量的要求大大降低。这意味着，我们需要更少的仪器家庭，或者每个家庭更少的仪器天数;在任何一种情况下，这都大大降低了传感成本。在两个基准数据集上的结果表明，我们的方法产生了与最先进的方法相同水平的分解精度，但只有一小部分训练数据。
2019-12-11 cs.LG 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
Mixed-Integer Nonlinear Programming for State-based Non-Intrusive Load Monitoring
能量分解，在文献中称为非侵入式负载监测（NILM），是在给定由单个智能电表记录的聚合信号的情况下推断每个电器的能量消耗的任务。在本文中，我们提出了一种新的两阶段优化为基础的能量分解方法。在第一阶段，一个小的训练集，包括分解的功率分布被用来估计参数和功率状态，通过解决一个混合整数规划问题。一旦模型参数被估计，能量分解问题被公式化为一个受约束的二元二次最优化问题。我们采用惩罚条款，利用先验知识的分解痕迹是如何产生的，和电器特定的约束特征的签名不同类型的电器同时操作。我们的方法与现有的基于优化的算法在合成数据集和三个现实世界的数据集进行比较。所提出的配方是计算效率高，能够消除歧义的负载与类似的消费模式，并成功地重建签名的已知电器，尽管存在未计量的设备，从而克服了文献中提供的基于优化的方法的主要缺点。
2022-02-22 cs.LG math.OC stat.ML
A Comprehensive Review on the NILM Algorithms for Energy Disaggregation
Deakin University（迪肯大学）；Edith Cowan University（伊迪丝·考恩大学）
随着城市化和世界各地高层建筑建设的增长，住房结构发生了变化，这需要终端设备的实时节能和管理。这一转变也伴随着智能电表的出现，智能电表能够从建筑物的总功耗读数中估计特定于电器的功耗。非侵入式负载监测（NILM）或能量分解的目的是将在总体水平上测量的家庭能量分离成组成电器。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。在能源分解、非侵入性负载监测、家庭能源管理和电器分类方面进行了令人难以置信的研究和出版。存在一个API，NILMTK，一个可重复的基准算法。已经采用了许多其他方法来执行能源分解，例如深度神经网络架构和用于家庭能源分解的大数据方法。本文提供了一个调查的有效NILM系统框架，并全面审查基准算法的性能。本文还总结了广泛的应用范围和算法性能的有效性在三个公开的数据集。
2021-04-15 cs.LG eess.SP
BMI: A Behavior Measurement Indicator for Fuel Poverty Using Aggregated Load Readings from Smart Meters
Liverpool John Moores University（利物浦约翰摩尔大学）
燃料贫困影响到欧洲5 000万至1.25亿个家庭，是全球发达国家和发展中国家的一个重大问题。这意味着燃料贫乏的居民无法充分温暖他们的家，并运行照明，烹饪，热水和电器所需的必要能源服务。这个问题很复杂，但通常是由三个因素造成的：低收入，高能源成本和能源效率低下的家庭。在英国，目前有400万家庭生活在燃料贫困中。那些陷入财务困境的人要么被迫自行断开连接，要么被能源供应商终止服务。2016-2107年冬季，由于房屋寒冷，燃料匮乏导致英格兰1万人死亡。虽然各国政府承认这是一个社会、公共卫生和环境政策问题，欧洲联盟（欧盟）本章讨论了欧盟目前的燃料贫困战略，并提出了一个新的基本行为测量指标，旨在直接评估和监测使用智能的家庭燃料贫困风险。仪表、消费者接入设备（CAD）数据和机器学习。通过检测家用电器使用情况的日常生活活动（ADLS），可以发现财务困难的早期迹象，并确定何时需要支持包。
2020-02-16 cs.CY cs.LG 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
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
Federated Learning for Water Consumption Forecasting in Smart Cities
Mohammed V University in Rabat（拉巴特穆罕默德五世大学）；ENSIAS（国家高等信息与系统分析学院（拉巴特穆罕默德五世大学下属，按独立机构提取为ENSIAS，中文暂译：国家高等信息与系统分析学院））；Al Akhawayn University in Ifrane（伊夫兰阿卡韦恩大学）；School of Science and Engineering（科学与工程学院）
水的消耗仍然是世界未来挑战中的一个主要关切。对于负载监控和需求响应等应用，深度学习模型使用智能城市中的大量消费数据进行训练。一方面，所使用的信息是私人的。例如，作为消费者住宅处的系统物联网架构的一部分的智能电表收集的精确信息可以提供有关电器的详细信息，从而提供消费者在家中的行为。另一方面，深度学习模型需要具有足够变化的巨大数据量才能正确训练。本文介绍了一种新的模型，用于智能城市的用水量预测，同时保护每月用水量的隐私。所提出的方法利用联邦学习（FL）作为一种机器学习范例，旨在以分布式方式训练机器学习模型，同时避免与中央训练设施共享用户数据。此外，这种方法有希望通过降低用户和中心实体之间的数据传输频率来降低开销利用率。大量的模拟表明，所提出的方法显示出不同的家庭用水量的预测增强。
2023-01-30 cs.LG
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
Time Series Anomaly Detection for Smart Grids: A Survey
McGill University（麦吉尔大学）
随着可再生能源发电并网的迅速增加和各种电器的广泛采用，电网现在面临着越来越多的挑战。一个突出的挑战是实现有效的异常检测不同类型的异常行为在电网中。这些异常行为可能是由用户的异常消费模式、电网基础设施故障、停电、外部网络攻击或能源欺诈引起的。识别这些异常对于现代电网的可靠和高效运行至关重要。针对电网时间序列数据的异常检测问题，已经提出了多种方法。本文简要介绍了电网时间序列数据异常检测的最新进展。具体来说，我们首先概述了目前的研究挑战，在电网异常检测领域，并进一步审查主要的异常检测方法。最后，我们通过确定未来研究的潜在方向来总结调查。
2021-07-16 cs.LG eess.SP
Energy Injection Identification enabled Disaggregation with Deep Multi-Task Learning
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；The Hong Kong University of Science（香港科学大学）；Southern University of Science（南方科技大学）；University of Cambridge（剑桥大学）
提出DualNILM框架，通过深度多任务学习同时实现电器状态识别和注入能量识别，解决分布式能源对非侵入式负荷监测的干扰问题。
2026-06-23 cs.LG eess.SP
Unsupervised algorithm for disaggregating low-sampling-rate electricity consumption of households
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；CSEM（瑞士电子与微技术中心）
在过去的十年中，非侵入式负载监控（NILM）得到了广泛的研究。NILM的目标是识别单个设备的功耗，并通过测量整个房屋的功耗来检测特定设备何时打开或关闭。这些信息使家庭能够获得关于如何更好地管理其电力消耗的定制建议。在本文中，我们提出了一种替代NILM的方法，打破了聚合的电力信号到电器的类别。最终目标是将这种方法用于需求方管理，以估计家庭用电量的潜在灵活性。我们的方法被实现为一个算法结合NILM和负载分布模拟。该算法基于马尔可夫模型，将活动链分配给家庭的每个居民，从全屋功率测量和统计数据中推导出电器使用情况，相应地生成功率分布，并最终返回每个电器类别随时间消耗的能量份额。为了分析其性能，该算法与几种最先进的NILM算法进行了基准测试，并在三个公共数据集上进行了测试。所提出的算法是无监督的，因此它不需要任何标记的数据，这是昂贵的获取。虽然监督算法表现出更好的性能，但我们提出的无监督算法实现了类似的不确定性范围，同时节省了获取标记数据的成本。此外，我们的方法需要较低的计算能力相比，大多数测试NILM算法。它专为低采样率功率测量（每15分钟一次）而设计，这对应于大多数常见智能电表的频率范围。
2019-08-20 cs.LG eess.SP
Energy Disaggregation with Semi-supervised Sparse Coding
住宅智能电表已在全国范围内的城市住宅中广泛安装，为消费者提供高效和响应式的监控和计费。研究表明，为客户提供设备级的使用信息可以帮助消费者节省大量的能源，而现代智能电表只能提供低分辨率的信息性全屋数据。因此，旨在将聚集的能源消费数据分解到其组成设备的能源分解研究引起了广泛的关注。在本文中，基于稀疏编码的判别式解聚模型已经评估了大规模的家庭用电数据集的节能。我们利用一个结构化的预测模型，提供有区别的稀疏编码训练，因此，最大限度地提高能量分解性能。设计这样大规模的解聚任务进行了分析研究，并在现实世界的智能电表数据集与基准模型进行了比较。
2020-07-13 cs.LG cs.SY eess.SP
Renewable energy management in smart home environment via forecast embedded scheduling based on Recurrent Trend Predictive Neural Network
Institute of Theoretical and Applied Informatics, Polish Academy of Sciences（波兰科学院理论与应用信息研究所）；Prime Vision；Yaşar University（亚沙尔大学）
本文提出rTPNN-FES算法，将可再生能源预测与家电调度嵌入同一神经网络，在智能家居中实现接近最优且对预测误差鲁棒的调度，速度比优化方法快37.5倍。
2023-07-06 cs.LG cs.SY eess.SY
Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids
School of Computer Science and Engineering, Nanyang Technological University（南洋理工大学计算机科学与工程学院）
我们考虑需求侧能源管理的问题，每个家庭都配备了一个智能电表，能够在线调度家用电器。目标是在实时定价方案下最小化总成本。虽然以前的作品已经引入了集中式的方法，其中调度算法具有充分的可观测性，我们提出了一个智能电网环境的马尔可夫博弈的制定。每个家庭都是一个具有部分可观察性的分散代理，这允许在现实环境中实现可扩展性和隐私保护。电网运营商产生随能源需求变化的价格信号。我们提出了一个扩展的多代理，深演员批评算法，以解决部分可观察性和感知的非平稳性的环境从代理的观点。该算法学习一个集中的评论家，协调分散的代理的训练。因此，我们的方法使用集中式学习，但分散执行。仿真结果表明，我们的在线深度强化学习方法可以完全基于瞬时观察和价格信号来降低所有家庭的总能耗峰均比和电力成本。
2022-08-23 cs.LG cs.SY eess.SY
