[论文解读] GREEND: An Energy Consumption Dataset of Households in Italy and Austria
GREEND 是一个公开可用的高分辨率能耗数据集，涵盖奥地利和意大利10户家庭的能耗数据，采样频率为1 Hz，采用自研传感基础设施采集。该数据集支持负载分解、人员在场检测和电器使用建模等研究，通过粒子滤波、人员在场建模和贝叶斯网络进行基准测试，证明其在智能家居和能源管理应用中的实用性。
Home energy management systems can be used to monitor and optimize consumption and local production from renewable energy. To assess solutions before their deployment, researchers and designers of those systems demand for energy consumption datasets. In this paper, we present the GREEND dataset, containing detailed power usage information obtained through a measurement campaign in households in Austria and Italy. We provide a description of consumption scenarios and discuss design choices for the sensing infrastructure. Finally, we benchmark the dataset with state-of-the-art techniques in load disaggregation, occupancy detection and appliance usage mining.
研究动机与目标
- 为解决欧洲家庭，特别是奥地利和意大利家庭，缺乏公开可用的高分辨率能耗数据集的问题。
- 通过提供真实世界、设备级别的功率使用数据，支持家庭能源管理系统（HEMS）的研究。
- 为负载分解、在场检测和电器使用挖掘等先进技术提供基准测试支持。
- 克服现有数据集的局限性，如采样频率低、缺乏上下文数据或地理偏向北美地区。
- 发布数据集及完整的测量基础设施代码库，以支持智能电网和能效研究中的可复现性和再利用。
提出的方法
- 在奥地利和意大利开展多户家庭测量实验，使用基于树莓派的自研硬件（数据记录器），结合分流电阻和电流互感器，实现1 Hz实时功率测量。
- 在电路级别部署传感器，捕获各电器的有功功率（P），包括暖通空调（HVAC）、照明和主要家用电器。
- 应用粒子滤波进行负载分解，从聚合功率信号中识别各电器的工作状态。
- 基于功率消耗模式的统计建模方法，推断居民在不同时段和星期几的在场/离场状态。
- 采用贝叶斯网络（BNs）结合条件概率分布，对电器使用模式（如咖啡机启动）进行建模与预测，依据为一天中的时间与星期几。
- 通过基于阈值的事件检测方法处理原始数据，提取每个电器的启停事件，支持后续建模。
实验结果
研究问题
- RQ1使用最先进的粒子滤波技术时，GREEND数据集在负载分解方面的有效性如何？
- RQ2能否通过统计建模方法，从家庭能耗数据中可靠地推断出人员在场模式？
- RQ3在真实家庭数据训练的贝叶斯网络中，电器使用模式在多大程度上可被建模与预测？
- RQ4与北美数据集相比，包含欧洲家庭数据（230V电压、不同电器组合、气候条件）如何提升能耗建模技术的泛化能力？
- RQ5在能源管理研究中，使用真实世界、长期、多户家庭数据集面临哪些关键挑战，又该如何缓解？
主要发现
- GREEND数据集提供了来自奥地利和意大利10户家庭的1 Hz设备级有功功率测量数据，并附有居民信息和被监测电器的详细元数据。
- 应用于该数据集的粒子滤波方法成功实现了负载信号的分解，证明了数据集在细粒度电器状态检测方面的适用性。
- 基于功率消耗模式的在场检测模型显示出一致的周中与周末行为特征，工作日早晨在场概率更高。
- 对咖啡机使用行为的贝叶斯网络建模揭示了可预测的使用模式，工作日清晨启动概率达到峰值，经住户访谈验证。
- 该数据集支持对电器使用与居民行为之间相互依赖关系的建模，有助于实现上下文感知的能源管理策略。
- 数据集与完整代码库（包括数据采集、处理和建模脚本）的发布，显著提升了研究的可复现性，并加速了家庭能源系统研究的发展。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。