Neural NILM: Deep Neural Networks Applied to Energy Disaggregation

论文地址

论文简介：论文发在ACM BuildSys’15,2015

作者：Jack Kelly，William Knottenbelt，其中Jack Kelly（PhD）在2014在该领域发表过论文，所用算法是FHMM，主要研究方向能源的解聚合，活跃在github上，自己有开源的NILMTK工具，产生了较高的影响，NILMTK wins best demo award at ACM BuildSys.

本文主要是将深度学习的算法应用在能源解聚合中，用到了三种算法：RNNS(LSTM),Autoencoder,Rectangles,这些算法是深度学习中主流的算法，所用的数据来自实际采集，采样率有两种，一种是1秒1次，另一种是6秒1次，包括5个房间，每个房间包括5个用电器：kettle,firdge,washingM,microware,dish washer.最后用TP，FP，FN，F1等来评价模型的好坏,同时和之前出现的算法（CO，FHMM）进行对比，等到最后的评价，DNN有更好的表现（所采集的数据集合叫UK_DALE）。

关键字：

Energy disaggregation; neural networks; feature learning;NILM; energy conservation; deep learning

论文算法的主要实现：

论文未介绍算法具体该怎么做，可以从论文中得到下面信息：论文所用数据来自UK_dale.数据才用批处理方方式，训练数据有两部分构成，一部分是综合数据，一部分是真是数据，各占训练数据的50%，因为深度神经网络的训练需要大量的数据，所以加了综合数据，综合数据由算法从真实数据中产生，训练好网络后测试数据来自不同的房间且全是真实数据，由于能源数据并不能很好运用在网络上，作者做了很多的预处理，目的是为了更好进行训练。网络中所用的激活函数是是线性和tanh，为了加快速度用GPU训练 单个用电器的训练时间最长达12小时，训练参数数目在1-150 百万级，网络较复杂。

算法结果展示：

算法模型的评价指标：

最后的结果，见下面fig3,fig4

The disaggregation results on an unseen house are shown in Figure 3. The results on houses seen during training are shown in Figure 4.

论文挑战和未来工作：

本文指出论文存在和挑战有两点：

• 对多状态的用电器的识别上DNN和表现没有CO,FHMM算法好，可以从上面的fig3，fig4中显示出来
• 对于小功率的用电器本文并没有去研究

上面两点也是作者以后的研究工作