论文阅读记录-基于深度神经网络的nilm系统家电识别

记录一下关于非侵入负荷分解相关的论文文献

1.原文

《HOME APPLIANCE IDENTIFICATION FOR NILM
SYSTEMS BASED ON DEEP NEURAL NETWORKS 》
原文下载链接
（1）redd数据集：数据集
（2）代码讲解，转载：链接
（3）翻译是机器翻译，仅供参考（主要做记录方便我自己下次做引用不用再翻译了）

2.翻译

摘要

本文提出了非侵入式负荷监测系统中住宅设备识别的建议。该系统基于卷积神经网络对住宅设备进行分类。作为系统的输入，使用住宅中设备连接时获得的瞬态电源信号数据。该方法是使用来自公共数据库(REED)的数据开发的，该数据库提供了低频(1hz)收集的数据。在测试数据库中获得的结果表明，所提出的系统能够执行识别任务，并在与文献中已经提出的问题的结果进行比较时，给出了令人满意的结果。

1. 介绍

减少和合理的电力消费越来越成为优先事项，不仅是居民消费者，而且电力公司和政府。考虑到这一世界性的关注，非侵入式负载监测(NILM)的研究日益受到重视。这一领域的研究始于1992年George W. Hart[1]的工作，从那时起，许多工作都被提出，集中在NILM系统的各个阶段。
NILM系统的主要目标是通过放置在住宅中心仪表上的单个传感器测量住宅的总负荷。从一段时间内测量的总负荷中，可以通过特定的软件对运行中的电气设备进行识别，并获得其单个消耗，此外还可以获得每个设备的运行时间[1]。居民消费者可以利用这一信息采取行动，减少消费并使其合理化，从而确保提高能源效率。除了NILM系统的这一主要功能之外，还可以强调:识别住宅的负载概况的可能性;识别非标准负载行为的可能性;发现停电和盗窃的可能性;是否可能使用电力特许经营公司所分类的负荷信息，以便在用电高峰期识别废物的过程中促进对其客户的援助，从而帮助减少这些期间的消耗，为消费者提供这种激励。
目前随着深度神经网络越来越受到学术界的重视和发展，在计算机视觉、图像识别和信号处理领域有了显著的改进。除了在涉及二维数据应用的问题上有前景的结果外，一些作者已经在二维数据应用方面开展了研究深度神经网络在一维数据(如时间序列数据)问题中的应用领域[3-8]。由于该领域的这一进展，一些研究人员试图将深度神经网络应用于NILM系统中的设备识别问题。部分成果在Long - Short Term Units (LSTM)、Auto-encoder Neural Network (CNN)和Convolutio