A Novel Denoising Auto-Encoder-Based Approach forNon-Intrusive Residential Load Monitoring笔记

拟解决的主要问题

优化DAE（Denoising Auto-Encoder）

基于dAE的负载识别方法一般采用滑动窗口来分析输入的混合功率信号y (t)，滑动窗口的长度由相应的电气设备的使用时间来确定。因此，对于同时打开多个设备所获得的混合功率，滑动窗口将被重叠。传统的基于自动编码器的负载分解方法利用重叠部分的平均值来重建这个重叠窗口

问题是，当设备的开机时间只包含在这个重叠窗口中时，负载识别结果可能明显高于实际耗电量。且随着窗口持续滑动，误差会进一步加大

主要研究的内容

使用的理论方法、算法

 创新点

使用中值滤波器对重叠部分进行处理，即重叠部分的输出信号是中值滤波后的y (t)的结果

具体来说，由于重叠窗口的功率变化相对较小，所以重叠窗口的输出值可以用一定大小的邻域内所有值的统计中值来代替

这个邻域叫做窗户。窗口越宽，输出就会越流畅，但它也可能会抹去有用的信号特征。因此，窗口的大小应根据实际的混合功率特性来确定。

改进后的DAE的分解步骤：

基本问题描述：

 将聚合电能信号y (t)（可以是功率、电压或电流）视为各个电器单独的电能信号之和加上噪声 e(t)

NILM问题是在仅知道总负载功率时，利用该算法获得单个电气装置的功耗值。我们将负载分解转化为一个降噪问题，表示如下：

 ck (t)表示除设备k之外的所有其他设备的功率之和，而yk (t)表示需要分离的负载k。因此，要获得感兴趣的负载k所消耗的有功功率的值，只需要将ck (t)与总负载yk (t)分开

Stage 1: Encoding the network:

1.一个或多个一维卷积层处理原始的总输入功率值，以生成一组特征映射；

2。每个卷积层依次经过一个线性激活函数、一个最大池化层、一个额外的卷积层和一个池化层，最终形成一个完全连接的多层感知器；

3。全连接层由改进的线性单元（ReLU）激活函数进行处理，结束整个编码过程。

Stage 2: Decoding the network:

4。通过反褶积的方法对全连接的多层感知器进行上采样；

5。将结果向上集中到4中（最大池化的逆过程）；

6。通过反褶积，继续对结果进行上采样。获得已解码和重建的降噪信号。

结论

对于属于多状态类别的洗碗机和冰箱，基于改进的dAE算法的负荷识别效果较好，体现在两个方面：(1)更准确地分解设备的实际功耗值；(2)更准确地检测设备的不同状态阶段，从而降低误判的概率。

基于改进后的dAE的负载识别算法在高功率运行状态下只有少量的抖动；抖动误差不超过5%，可以很好地适应状态之间的切换过程

测试结果表明，该方法在识别设备的实际功耗和检测设备的状态等方面都具有明显的优势。此外，该算法具有良好的通用性，能够有效地识别不同型号或品牌的相同设备