[论文解读] Non-Intrusive Load Monitoring with Fully Convolutional Networks
本文提出了一种用于非侵入式负载监测（NILM）的全卷积神经网络（FCN），其在保持准确性的前提下，将训练速度提升了32倍，推理速度提升了43倍，实现了最先进的分解性能，显著提升了计算效率。
Non-intrusive load monitoring or energy disaggregation involves estimating the power consumption of individual appliances from measurements of the total power consumption of a home. Deep neural networks have been shown to be effective for energy disaggregation. In this work, we present a deep neural network architecture which achieves state of the art disaggregation performance with substantially improved computational efficiency, reducing model training time by a factor of 32 and prediction time by a factor of 43. This improvement in efficiency could be especially useful for applications where disaggregation must be performed in home on lower power devices, or for research experiments which involve training a large number of models.
研究动机与目标
- 为了在计算能力有限的家庭中实现实时或边缘部署，提升非侵入式负载监测（NILM）的计算效率。
- 在不牺牲分解准确性的前提下，减少深度学习模型在NILM中的训练和推理时间。
- 通过使模型训练和部署在数百万户家庭中可行，推动大规模NILM应用的发展。
- 探索使用全卷积网络（FCNs）作为循环网络或序列到点模型在能源分解中的更高效替代方案的可行性。
- 通过大幅减少每模型的训练时间，促进超参数搜索和集成建模等新研究工作流。
提出的方法
- 提出一种全卷积神经网络（FCN）架构，可端到端处理原始聚合功率信号，无需滑动窗口分割。
- 使用因果卷积以保持时间顺序，确保预测仅依赖于过去和当前输入，避免数据泄露。
- 应用全局平均池化和Sigmoid激活函数，为每个时间步输出电器级别的功率预测。
- 使用平均绝对误差（MAE）和归一化信号聚合误差（SAE）作为损失函数进行模型训练，以最小化预测误差和总能耗误差。
- 采用标准深度学习训练流程，使用Adam优化器和批量归一化，但参数量远少于先前模型。
- 使用相同的训练集和评估指标，将FCN与最先进的序列到点（S2P）模型进行直接对比。
实验结果
研究问题
- RQ1全卷积网络能否在NILM中实现与现有序列到点模型相当或更优的分解准确性？
- RQ2与循环网络或全连接序列模型相比，FCN在能源分解中能在多大程度上减少训练和推理时间？
- RQ3模型参数量和推理时间的减少是否能支持新的研究工作流，如超参数调优或集成建模？
- RQ4该模型在具有复杂或瞬态功率特征的电器（如电热水器或洗碗机）上的表现如何？
- RQ5FCN能否在保持MAE和SAE指标低误差的同时，对多样化家庭电器实现良好泛化？
主要发现
- FCN在所有电器类型上的平均MAE为14.9瓦，相比S2P模型的34.8瓦降低了57%。
- FCN将平均SAE从0.67降低至0.33，表明在长时间尺度上的总能耗估计精度显著提升。
- 训练时间减少了32倍，从422.0分钟降至13.2分钟，使用四块NVIDIA Titan X GPU。
- 推理时间减少了43倍，从每星期数据1.573秒降至0.036秒。
- FCN仅包含428,801个参数，相比S2P模型的3070万参数减少了72倍。
- 在所有电器类型上，FCN的MAE表现均优于S2P模型，其中电水壶和微波炉的改进最为显著。
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。