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 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
A Multi-Head Convolutional Neural Network Based Non-Intrusive Load Monitoring Algorithm Under Dynamic Grid Voltage Conditions
近年来，非侵入式负载监控（NILM）由于其在节能和管理方面的潜力，已成为配电级能源管理系统的重要工具。然而，由于实时负载的高度可变性和变化的负载组成，智能建筑环境中的负载监测是具有挑战性的。此外，随着智能电表数据量和维度的增加，准确性和计算时间是关键的关注因素。鉴于这些挑战，本文提出了一种改进的NILM技术，在动态电网电压条件下使用多头（Mh-Net）卷积神经网络（CNN）。在所提出的CNN模型中引入了注意层，这有助于提高设备功耗的估计精度。所开发的模型的性能已被验证的实验室设置为多个器具集不同的功耗水平，动态电网电压下。此外，该模型的有效性已被验证广泛使用的UK-DALE数据，其性能已与现有的NILM技术进行了比较。结果表明，该模型准确地识别设备，功耗和他们的使用时间，即使在实际的动态电网电压条件。
2022-05-31 cs.SY eess.SY
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
Scalable Hybrid Classification-Regression Solution for High-Frequency Nonintrusive Load Monitoring
National Renewable Energy Laboratory（国家可再生能源实验室）；Enphase（恩相）；University of Minnesota（明尼苏达大学）
具有监测和控制其净负荷（负荷和发电量之和）能力的住宅建筑可以为电网运营商提供宝贵的灵活性。我们提出了一种新的多类非侵入式负载监测（NILM）的方法，使有效的净负载监测功能，在高频率，最小的额外设备和成本。所提出的基于机器学习的解决方案提供了准确的多类状态预测，同时以更快的时间尺度运行（能够为美国电网中使用的每个60 Hz交流周期提供预测），而不依赖于事件检测技术。我们还介绍了一种创新的混合分类回归方法，不仅允许通过分类预测负载的开/关状态，还可以通过回归预测单个负载的工作功率水平。一个测试床与八个住宅电器用于验证NILM的方法。实验结果表明，该方法具有较高的精度，良好的尺度和泛化能力。此外，该方法被证明有足够的响应时间（在160毫秒内，对应于10个交流周期），以支持建设电网互动控制在快速的时间尺度相关的电网频率支持服务的提供。
2022-08-22 cs.LG cs.SY eess.SY
Hearing Loss, Cognitive Load and Dementia: An Overview of Interrelation, Detection and Monitoring Challenges with Wearable Non-invasive Microwave Sensors
本文概述了听力损失对神经功能和进展性疾病的影响，并探讨了认知负荷监测在检测痴呆症中的作用。它还调查了利用助听器技术扭转老年人认知能力下降和延迟痴呆症发作的前景。讨论了听力损失、认知负荷和痴呆之间的相互关系。还探讨了在更广泛的临床实践中，在稳健的诊断、以用户为中心、设备准确性和隐私方面的未来改进考虑。最后，本文讨论了设计实用的可穿戴微波技术的未来范围和潜力，并评估了它们在智能护理家居环境中的应用。
2022-02-08 cs.HC cs.SY eess.SY
Privacy-preserving household load forecasting based on non-intrusive load monitoring: A federated deep learning approach
Northeast Electric Power University（东北电力大学）；State Grid Jilin Electric Power Company Limited（国网吉林省电力有限公司）
负荷预测是电力系统分析和电网规划的重要内容。为此，我们首先提出了一种基于联邦深度学习和非侵入式负荷监测（NILM）的家庭负荷预测方法。这是国内首次将联邦学习应用于基于NILM的家庭负荷预测。在该方法中，通过非侵入式负载监测将综合功率分解为各个设备功率，并使用联合深度学习模型单独预测各个电器的功率。最后，各个电器的预测功率值被聚合以形成总功率预测。具体而言，通过对用电设备进行单独预测，得到预测功率，避免了单个设备的功率信号中强时间依赖性所带来的误差。并且在联邦深度学习预测模型中，拥有电量数据的住户业主共享本地模型的参数，而不是本地电量数据，保证了住户用户数据的隐私性。算例结果表明，该方法比传统的直接对聚合信号进行整体预测的方法具有更好的预测效果。此外，在不同的联邦学习环境中的实验设计和实现，以验证该方法的有效性。
2022-06-30 cs.LG cs.SY eess.SY
A Novel Event-based Non-intrusive Load Monitoring Algorithm
非侵入式负载监测（NILM）旨在通过纯粹的分析方法从聚合的功率信号推断电器的功率分布。现有的NILM方法容易受到各种问题的影响，例如功率信号的噪声和瞬态尖峰、模式转换时间的过冲、不同电器的接近消耗值以及大型训练数据集的不可用。本文提出了一种新的基于事件的NILM分类算法缓解这些问题。所提出的算法（i）过滤功率消耗信号并准确地检测所有事件，（ii）从训练数据集中的设备的功率消耗信号中提取设备的特定特征，诸如操作模式及其相应的功率消耗间隔，以及（iii）用设备模式转换以高准确度标记聚合信号的每个检测到的事件。利用REDD对该算法进行了验证，结果表明该算法能够准确分解现有智能电表的低频测量数据。
2020-09-06 cs.SY eess.SY
A 40.68-MHz, 200-ns-Settling Active Rectifier and TX-Side Load Monitoring for Minimizing Radiated Power in Biomedical Implants
本文提出40.68 MHz植入式无线供电接收方案，通过辐射功率效率优化、发射端负载监测和200 ns建立的40nm CMOS有源整流器降低组织发热并保持高效率。
2025-06-09 cs.SY eess.SY
A Load Impedance Emulation Active Interface for Piezoelectric Vibration Energy Harvesters
Università degli Studi della Campania Luigi Vanvitelli（坎帕尼亚路易吉凡维泰利大学）
本文提出了一种无需复杂控制的压电振动能量收集器主动接口，通过模拟最佳负载阻抗实现稳态和动态条件下的最大功率点工作。
2026-01-07 cs.SY eess.SY
Farm-wide virtual load monitoring for offshore wind structures via Bayesian neural networks
ANAST, University of Liege（ANAST，利耶日大学）；Department of Wind and Energy Systems, Technical University of Denmark（风能与能源系统系，丹麦技术大学）；OWI-Lab, Vrije Universiteit Brussel（OWI实验室，布鲁塞尔自由大学）
本文提出基于贝叶斯神经网络的风电场虚拟负载监测框架，通过训练模型预测未完全监测风机的负载，利用不确定性分析提升生命周期管理决策的准确性。
2023-08-24 cs.AI cs.LG cs.SY
Reliability-based lifetime fatigue damage assessment of offshore composite wind turbine blades
East China Jiaotong University（华东交通大学）；University of Hull（赫尔大学）；University of Cambridge（剑桥大学）；University of Greenwich（格林威治大学）
针对海洋环境下不确定风载荷导致的风力机复合材料叶片疲劳损伤问题，提出基于监测随机退化建模的疲劳失效概率分析方法，经数值算例验证可实现可靠的时变可靠性分析。
2026-11-04 cs.SY eess.SY
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
A comparison of non-intrusive load monitoring methods for commercial and residential buildings
Indraprastha Institue of Information Technology（印度拉普拉斯坦信息学院）；University of Southampton（南安普顿大学）；Carnegie Mellon University（卡内基梅隆大学）
本文通过印度德里教育校园的智能电表数据，比较了商业和住宅建筑的负载监控方法，揭示了二者在能耗和负载特性上的差异，并评估了住宅 NILM 解决方案在商业建筑中的适用性。
2014-08-27 cs.SY eess.SY
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
Real-time Load Current Monitoring of Overhead Lines Using GMR Sensors
Lamar University（拉马尔大学）；Victoria University of Wellington Research Trust（惠灵顿维多利亚大学研究信托基金）；Robinson Research Institute（罗宾逊研究院）
本文利用GMR传感器实时监测三相400伏架空线路电流，对比传统霍尔效应传感器，开发数学框架和MATLAB仪表盘，实现线性和非线性负载下的实时可视化，GMR传感器精度达64.64%-91.49%。
2026-02-09 cs.SY eess.SY
Privacy Preserving in Non-Intrusive Load Monitoring: A Differential Privacy Perspective
Tsinghua University（清华大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））
智能电表设备可以更好地了解需求，避免私人信息泄露的潜在风险。减轻这种风险的一种有希望的解决方案是将噪声注入到仪表数据中以实现一定水平的差分隐私。在本文中，我们投一次性的非侵入式负载监测（NILM）的压缩感知框架，并弥合NILM推理的理论精度和差分隐私的参数之间的差距。然后，我们推导出有效的理论界提供见解的差分隐私参数如何影响NILM的性能。此外，我们推广了我们的结论，提出了层次框架来解决多镜头NILM问题。数值实验验证了我们的分析结果，并提供更好的物理见解的差分隐私在各种实际情况下。这也说明了我们的工作对一般隐私保护机制设计的意义。
2020-11-12 cs.CR cs.LG cs.SY
Quantifying the benefit of load uncertainty reduction for the design of district energy systems under grid constraints using the Value of Information
本研究扩展了信息价值框架以量化建筑监测在区域能源系统设计中的经济效益，发现尽管负荷不确定性显著影响成本与设计，但监测数据带来的成本降低不足以抵消其成本。
2025-06-28 cs.SY eess.SY
A Novel Hybrid Deep Learning Approach for Non-Intrusive Load Monitoring of Residential Appliance Based on Long Short Term Memory and Convolutional Neural Networks
University of Glasgow（格拉斯哥大学）
能量分解或非侵入式负载监测（NILM），是一个单输入盲源鉴别问题，旨在将干线用户的电力消耗解释为设备水平测量。本文提出了一种通过使用深度递归长短期记忆（LSTM）网络结合卷积神经网络（CNN）进行功率分解的新方法。深度神经网络由于其复杂性和大量的可训练参数，已被证明是解决这类问题的重要方法。本文提出的混合方法可以显著提高NILM的整体精度，因为它受益于两个网络的优点。所提出的方法使用序列到序列学习，其中输入是电源的窗口，输出是目标设备的窗口。所提出的深度神经网络方法已被应用于现实世界的家庭能源数据集“REFIT”。本文描述的REFIT电力负荷测量数据集包括整个房屋的总负荷和9个单独的电器测量，每个房子在8秒的时间间隔，连续收集了超过两年的时间从英国各地的20所房子。所提出的方法取得了显着的性能，提高准确率和F1分数的措施，分别为95.93%和80.93%，这表明所提出的方法的有效性和优越性的家庭能源监测。所提出的方法和其他最近公布的方法的比较已经提出和讨论的基础上的精度，所考虑的器具和深度神经网络可训练参数的大小的数量。与以往的方法相比，该方法具有显著的性能。
2021-04-15 cs.LG cs.SY eess.SY
Enhancing Non-Intrusive Load Monitoring with Features Extracted by Independent Component Analysis
Center for Digital Engineering, Skolkovo Institute of Science and Technology（数字工程中心，斯克尔科夫科学与技术研究所）
本文提出一种以独立成分分析为骨干的神经网络，用于非侵入式负荷监测，解决数据有限和多电器分解难题，在真实数据上优于现有算法。
2025-01-28 cs.LG cs.SY eess.SY
Incorporating Coincidental Water Data into Non-intrusive Load Monitoring
Tarbiat Modares University（塔比阿特莫达勒斯大学）
非侵入式负载监测（NILM）作为从聚合功率信号提取电器的使用模式的过程是辅助住宅能量管理的成功方法之一。近年来，关于功率分布的大容量数据集已经变得可用，这有助于使用于NILM目的的分类方法更有效和更准确。然而，多模式电器和具有接近功率值的电器的存在在恶化计算复杂性和降低这些算法的准确性方面仍然有影响。为了解决这些挑战，我们提出了一个基于事件的分类过程，在第一阶段的$K$ -最近邻居的方法，作为一种快速分类技术，提取电力信号的电器独家不重叠的功率值。然后，利用两个深度学习模型来区分具有重叠功率值的设备，这两个深度学习模型将一些设备的耗水量视为网络中的新签名。除了功率分解之外，所提出的过程还提取特定器具的水消耗概况。为了说明所提出的过程，并验证其效率，七个电器的AMPDS被认为是与数值分类结果显示显着改善现有的基于分类的NILM技术。
2021-01-18 cs.LG cs.SY eess.SY
Towards a Deeper Understanding of Transformer for Residential Non-intrusive Load Monitoring
Int’l Islamic University Chittagong（吉大港国际伊斯兰大学）
本文通过全面实验分析了超参数对住宅NILM中Transformer模型性能的影响，并利用最优超参数训练出超越现有性能的模型，为未来优化提供了指导。
2024-10-13 cs.AI cs.SY eess.SY
H-Watch: An Open, Connected Platform for AI-Enhanced COVID19 Infection Symptoms Monitoring and Contact Tracing
本文提出全开源可穿戴平台H-Watch，集成多传感器、多射频、微控制器和能量采集器，以5.9 mW平均功耗实现9天续航，用于COVID-19症状监测与接触者追踪。
2024-07-31 cs.SY eess.SY
