Neural NILM: Deep Neural Networks Applied to Energy Disaggregation
来源:互联网 发布:数控切割机怎么编程 编辑:程序博客网 时间:2024/06/07 06:45
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
0 0
- Neural NILM: Deep Neural Networks Applied to Energy Disaggregation
- Deep learning-------------Neural networks
- 《Deep Forest: Towards an Alternative to Deep Neural Networks》理解
- Neural Networks and Deep Learning
- Neural Networks and Deep Learning
- Neural networks and Deep Learning
- Neural Networks and Deep Learning
- Deep Neural Networks的Tricks
- Recurrent neural networks deep dive
- 深度神经网络导论Introduction to Deep Neural Networks
- 【Notes on Neural Networks and Deep Learning】(to be continued)
- CHAPTER 5 Why are deep neural networks hard to train?
- 论文阅读:How to Construct Deep Recurrent Neural Networks
- neural networks deep learning Deep Neural Network Application Homework
- Artificial Neural Networks Applied to Taxi Destination Prediction(阅读笔记)
- Introduction to debugging neural networks
- Introduction to debugging neural networks
- Neural Networks for Applied Sciences and Engineering--Chapter 2
- “约定优于配置”与Magento改造尝试三之routerName加载
- JVM入门
- MySQL 性能调优的10个方法
- Eclipse 插件 Open Explorer
- Play FrameWork 如何在一个项目中链接多个数据库
- Neural NILM: Deep Neural Networks Applied to Energy Disaggregation
- web.xml中<web-app>出现有错误
- Java内存泄露原因详解
- 既能输入又能选择的下拉框
- [你所不知的JavaScript] 作用域和闭包 Chapter2 Lexical Scope (词法作用域)
- 【知识】int的取值范围
- grep命令使用详解
- 【算法】堆,最大堆(大顶堆)及最小堆(小顶堆)的实现
- Hibernate - 基础 一