對NILM的分類、回歸問題以及論文裡總說的為每個裝置訓練一個模型總是存疑,最近終于搞懂了,記錄一下,如有錯誤,歡迎指正。
回歸與分類
分類
直接識别資料的開關狀态,NILM的資料集通常不包含開關資訊,是以要先自己給資料集打标簽,比如設定一個門檻值,某時刻大于多少瓦則認為該裝置開啟,該時刻裝置對應的标簽就是1,關閉則為0 。
把聚合資料和上述打好的标簽放入模型,最後輸出每個裝置對應的開關狀态(01序列),借用看的一篇論文的圖,侵删
回歸
上面說過了,資料集一般不包含開關資訊,但是包含裝置簽名(單個裝置的消耗),是以可以直接拿來做回歸,輸入為聚合資料和裝置簽名,輸出為目标裝置的消耗情況,這個消耗也可以轉換成裝置的開關狀态,見下圖
單目标與多目标
單目标
就是為每個目标裝置訓練一個模型,對應到分類和回歸就是多類分類和單目标回歸問題。
這樣做的好處和壞處都很明顯,好處在于每個裝置的模型可以互相獨立地開發,遷移性也好一點。壞處就是需要大量的時間和資料去訓練多個模型,還可能會顯著低估或高估總功耗,因為沒有最小化總功耗和每個裝置的預測個别功耗之和之間的差異,而且這樣做各裝置之間是獨立的,無法利用它們互相之間的聯系。
多目标
意在建立一個通用模型,同時識别或分解多個裝置,對應多标簽分類和多目标回歸。
聽起來顯然是這種方法更好,隻訓練一個模型需要的資料量和時間少多了,但現在用的最多的反而還是上面那種方法,為什麼呢?因為每個家電的模式和行為不同,是以很難建立一個通用的模型,能夠同時分解所有家電的總功耗,裝置互相之間差異很大,同一個裝置受天氣、使用習慣等影響也會導緻簽名發生改變,同類裝置不同品牌的簽名差距可能很大…種種阻礙導緻這種方法難以普及,但是也有做的不錯的成績,見參考文獻。
參考文獻
【1】Kaselimi, Maria, et al. “Towards Trustworthy Energy Disaggregation: A Review of Challenges, Methods, and Perspectives for Non-Intrusive Load Monitoring.” Sensors 22.15 (2022): 5872.
【2】Faustine, Anthony, et al. “UNet-NILM: A deep neural network for multi-tasks appliances state detection and power estimation in NILM.” Proceedings of the 5th International Workshop on Non-Intrusive Load Monitoring. 2020.