NILM:非侵入式电力负荷监测之我见（二）

哈，我又来啦，第一篇扯完淡，这一篇就谈技术吧。之前的研究集中在低频（秒级）数据，用的是各种深度学习方法，因此我就谈谈这种方法。

其实，刚读研时，导师给我的是用隐马尔可夫模型方法，学了大半年，突然导师拿了一篇让我崩溃的论文《Neural NILM: Deep Neural Networks Applied to Energy Disaggregation》，这篇文章应该是深度学习用到nilm领域的鼻祖文章了（我说深度学习，不是NN），你要是问我听谁说的，我记得是在谷歌的nilm讨论组 https://groups.google.com/forum/#!forum/energy-disaggregation ，你翻一下，Kelly（这篇文章的作者，也是nilmtk（后面会讲）的作者，也是UK-dale数据集的作者，现在不做nilm了，好像去deepmind了！）有个帖子大概说的是：我们试试深度学习呗，之前好像没人试，我们看看效果。而让我崩溃的是，看了大半年的fhmm（hmm的变种）方法，在这篇文章里被深度学习吊打。那还有什么可说的，学深度学习呗。

学…… 深度学习学着学着，发现比fhmm好太正常了。虽然nilm领域没这样提过，但是按目前的理解，nilm负荷分解任务就是语音识别中的鸡尾酒会问题，鸡尾酒会问题大概就是（我瞎编，不对的话你百度吧）一个派对上你能听到一堆人乱哄哄的说话，这是输入（在nilm中就是总电表的有功功率（假设只以电表有功作为特征）），而你要做的就是听出来每个人说的是啥（输出，分离出每个人说的啥话），在nilm任务中就是分离出每个电器的功率消耗，你说像不像！一毛一样。

看鸡尾酒会问题的举例，如下图，你走在路上听见啥声都有，你要分离出每种声音（警笛，人声，狗叫什么的）。

：