论文阅读Nonintrusive Load Monitoring (NILM) Using a Deep Learning Model with a Transformer-Based Attenti

Irani Azad, M., Rajabi, R., & Estebsari, A. (2024). Nonintrusive Load Monitoring (NILM) Using a Deep Learning Model with a Transformer-Based Attention Mechanism and Temporal Pooling. Electronics, 13(2), 407. https://doi.org/10.3390/electronics13020407

“使用基于Transformer的注意机制和时间池化的深度学习模型进行非侵入式负载监测（NILM）”

Nonintrusive Load Monitoring (NILM) Using a Deep Learning Model with a Transformer-Based Attention Mechanism and Temporal Pooling

“非侵入式负载监测（NILM）是能源管理和节能的重要技术。本文提出了一种基于注意机制、时间池化、残差连接和Transformer的深度学习模型。该文章提出了一种新颖的NILM方法，可以准确识别个别家用电器的能耗模式。所提出的方法包括一系列层，包括编码器、Transformer、注意机制、时间池化和残差连接，为NILM提供了全面的解决方案，有效捕捉家庭中特定电器的能源使用情况。该模型在英国UK-DALE、REDD和REFIT数据集上进行了评估，包括已见和未见的情况。结果表明，本文提出的模型在F1分数和结果的总误差（以SAE为单位）方面优于其他论文中提到的方法。该模型实现了92.96的F1分数和-0.036的总SAE，显示了其在准确诊断和估计个别家用电器的能耗方面的有效性。这项研究的发现表明，所提出的模型可以成为住宅和商业建筑中的能源管理工具。”

图1. 变分自编码器方法中提出的网络 (a) VAE结构 (b) IBN-Net。根据Ref. [17]的许可进行了调整。

图2 COLD network structure [18].

图3. ELECTRIcity network structure [19].