发表机构
Dublin City University（都柏林城市大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对智能电表数据粒度粗的问题，提出结合事件检测与问卷引导的无标签分解系统，将用电分解为9类家电，在多个数据集上实现最低分解误差，并提供节能建议。
AI 中文摘要
爱尔兰的智能计量项目以30分钟分辨率记录电力使用情况，截至2025年底，超过80%的家庭已安装智能电表。虽然这对于按使用时间计费的智能电费计价很有用，但对于捕捉家用电器的使用情况来说过于粗糙。我们提出了一种无标签分解系统，通过将高功率负载的事件检测与问卷引导的估计相结合，将使用数据分解为9个家电类别。我们的评估基于四个数据集：一个带有商业比较器的校准家庭，两个带有每台电器子计量的公共基准（UK-DALE和REFIT），以及一个来自2,968名爱尔兰消费者的超过4,800年使用数据的智能电表数据集。与两个独立开发的分解系统相比，我们结合使用数据分析与问卷结果的混合方法，在所有数据集的所有建筑中实现了最低的整体分解误差，在54个配对月份中具有更好的月度性能（p<0.001，霍尔姆校正）。我们的方法为家庭的能源消耗模式提供了有用的建议，并就如何减少或转移某些电器的使用以降低成本提供了建议。
英文摘要
Ireland's smart metering programme records electricity use at 30-minute resolution, with smart meters installed in over 80\% of households as of late 2025. While this is useful for billing of smart, time-of-use tariffs, it is too coarse to capture use of domestic appliances. We present a label-free disaggregation system that breaks usage data into 9 appliance categories by combining event detection for high-power loads with questionnaire-guided estimation. Our evaluation draws on four datasets: a calibration household with a commercial comparator, two public benchmarks (UK-DALE and REFIT) with per-appliance sub-metering, and a smart meter dataset of more than 4,800 years of use from 2,968 Irish consumers. Compared against two independently developed disaggregation systems our hybrid method combining analysis of usage data with questionnaire results, achieves the lowest whole-decomposition error on all buildings across the datasets, with better month-level performance over 54 paired months ($p<0.001$, Holm-corrected). Our method provides useful advice on a household's energy consumption patterns and advice on how to reduce or shift usage on some appliances in order to reduce costs.
