非侵入式负载监测（NILM）算法与实验结果分析

### 非侵入式负载监测（NILM）算法与实验结果分析 #### 1. 算法原理概述 在非侵入式负载监测（NILM）领域，多种算法发挥着重要作用，下面对几种关键算法进行详细介绍。 - **GRU（门控循环单元）**：GRU的重置门在接近零值时，会使隐藏状态忽略之前的隐藏状态，以当前输入进行重置。这一机制使得隐藏状态能够删除后续被判定为无关的数据，从而优化信息处理。例如，在处理时间序列数据时，若某一时刻的信息对后续预测无意义，GRU可通过重置门将其剔除。 - **Window GRU**：该算法减少了每层的神经元数量。经测试，即使循环层规模减半，网络的精度仍能保持不变，同时可使可训练参数数量减少60%。此外，通过在层间插入Dropout操作，有效避免了过拟合问题。这在使用多户家庭数据训练电器模型时尤为有用，同时也能应对输入值缺失的情况。操作步骤如下： 1. 确定每层神经元数量的缩减比例。 2. 构建网络结构，将循环层规模减半。 3. 在层间插入Dropout层，设置合适的丢弃率。 - **SS2P（短序列到点）**：此算法将网络输入视为一个主窗口，输出为目标电器对应窗口的中间元素。其核心思想是目标电器的中点与该点前后的主数据存在强关联，可看作一种非线性回归。例如，在预测某电器的功率消耗时，可利用该算法通过主窗口数据预测目标电器中点的功率值。 - **S2S（序列到序列）**：S2S学习模型用于在两个序列之间进行转换。它包含一个理解输入序列的编码器RNN和一个对思想向量进行解码以生成输出序列的解码器RNN。编码器将输入序列压缩为一个向量，解码器再将该向量展开为新的序列。其主要目标是构建从主序列到目标电器序列的回归映射。操作流程如下： ```mermaid graph LR A[输入序列] --> B[编码器RNN] B --> C[向量] C --> D[解码器RNN] D --> E[输出序列] ``` - **BERT（双向编码器表示）**：BERT通过嵌入模块、变压器层和多层感知器作为输出层，能够识别具有相同形式输出的单个家用电器。它还通过对电器进行比较来计算阈值。此外，在一维输入数组上应用卷积层，可恢复并增加设计特征的隐藏大小。该模型采用监督学习方法，通过迭代过程计算给定训练数据的最小预测误差。操作步骤如下： 1. 构建BERT模型，包含嵌入模块、变压器层和多层感知器输出层。 2. 对电器进行比较，计算阈值。 3. 在一维输入数组上应用卷积层。 4. 使用监督学习方法，迭代计算最小预测误差。 #### 2. 实验设置 非侵入式负载监测（NILM）拥有42个公开可用的数据集，这些数据集分为低频和高频两类。为便于研究，使用了开源工具包NILMTK及其改进版NILMTK - contrib，该API降低了开发者和贡献者添加新算法的复杂度。实验选用了四种数据集：REDD、UK - DALE、SynD和REFIT，并将每个数据集的80%作为训练数据，20%作为测试数据。测试使用TensorFlow和Keras深度学习框架，训练工作站的配置为：CPU为Intel core i7 Cooler Master，GPU为GeForce RTX 2080 Ti，RAM为32 GB。评估算法性能的相对指标如下： |指标|公式| |----|----| |Precision（P）|$\text{Precision} = \frac{\text{TruePositive}}{\text{TruePositive} + \text{FalsePositive}}$| |Recall（R）|$\text{Recall} = \frac{\text{TruePositive}}{\text{TruePositive} + \text{FalseNegative}}$| |Accuracy（Acc）|$\text{Accuracy} = \frac{\text{TruePositive} + \text{TrueNegative}}{\text{TruePositive} + \text{FalsePositive} + \text{TrueNegative} + \text{FalseNegative}}$| |F1 - Score（F）|$F1 - Score = \frac{2 \times P \times R}{P + R}$| |MeanAbsoluteError（MAE）|$MAE = \frac{1}{n} \sum_{t = 1}^{n