基于深度学习的NILM负荷分解

最新推荐文章于 2023-01-10 22:24:22 发布
最新推荐文章于 2023-01-10 22:24:22 发布
阅读量2.7k 收藏 10
点赞数 9
分类专栏： 基于深度学习的NILM非侵入式负荷分解 文章标签： 深度学习 人工智能 机器学习 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/wwb1990/article/details/107188158
版权

使用keras，TF2，UK数据集，不同的网络结构和算法。

从实践中学习神经网络，NILM，数据处理和迭代网络。

用深度学习网络，来进行负荷分解，预测和电器的识别。

日常工作有点忙，不过我争取每周完成两到三篇

本周末开始写哈~~

需要的同学们 可以关注哈，我建个QQ群1070535031

先这样 本周开始更新这个
——————————————————————————————
我这先给几个paper，可以先学习和了解一下别家大佬的解题思路，和网络设计。qq群里有，然后CSDN我也发一下参考paper（https://download.csdn.net/download/wwb1990/12591161）

wwb_0218
关注
  • 9
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
基于稳态波形分解与神经网络的负荷识别方法.pdf
09-25
基于稳态波形分解与神经网络的负荷识别方法.pdf
深度学习之负荷分解——LSTM（一对多）任务场景
樱缘之梦
05-26 3776
1.任务场景 以家庭为例，假设该家庭有m种电器和总负荷的曲线，其中，总负荷为,各个电器的负荷有（m是电器个数，n是n个时刻）。我们需要通过对总负荷曲线进行分解，识别出该负荷有几种电器同时运行实现。 之前的博客已经用NILMTK的组合优化和因子隐马尔可夫实现过了，因为效果不是很好，考虑用LSTM实现。 2.算法原理 RNN是循环神经网络，与CNN不同，循环神经网络可以很好地处理文本数据变长且有序的输入序列。RNN设计的初衷是解决长距离输入之间的依赖，但是在用基于时间距离的反向传播算法（BPTT）时，会
nilm数据集.xlsx
03-15
nilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsx
NILM非侵入式负荷识别（papers with code、data）带代码的论文整理——(公开数据集、工具、和性能指标篇) 全网最全
Ben出没冇注意的博客
01-10 6458
这篇文章主要介绍用于非侵入式负荷识别领域目前的公开数据集、工具和其它等。
深度学习与NIML（非侵入式负荷监测）：NILMTK与数据集介绍（一）
jiangxishaofen的博客
09-22 8348
@深度学习与NIML（非侵入式负荷监测）：NILMTK介绍（一） 提示：本系列为个人学习记录，如有错误欢迎指正，互相交流，共同进步！ 文章目录前言一、NILM是什么？二、正文内容1.博客系列2.博客系列3.nilmtk的安装4.数据集后语 前言 最近入了NILM的坑，看了各种文献与博客后算是对这个方向有了个大概了解，所以在这里跟大家一起捋一捋。 提示：以下是本篇文章正文内容，下面案例可供参考。 一、NILM是什么？ NILM（non-intrusive load monitoring）,非侵入式电力
学习分享——基于深度学习的NILM负荷分解（一）对DL的看法&准备工作
wwb1990的博客
07-18 7415
好啦，我来填坑啦哈哈 经过了几个月的对深度学习的学习、了解和实践， 对于用深度学习来做NILM的经验也是积累了不少。 在此，做以小结。 在此，感谢~柳柳，小张，小田的鼓励和支持。 话不多说，下面开始！~ 一，心里上的准备 本文开始的一系列文字，是基于深度学习的方法，来做负荷有用功分解预测以及电器识别的。 如果是要用传统的概率模型，可以参照我之前的几篇，传送门：https://blog.csdn.net/wwb1990/category_9655726.html 说到深度学习，行业内俗称 “炼丹”，用什么炼
NILM-初探REDD数据集的结构
Ben出没冇注意的博客
11-01 2599
REDD数据集是NILM的第一个公开数据集 下载和转换成H5格式此处不再累述，参考此处即可 最近在啃nilmtk这个库，随手记录一下。 首先导入nilmtk import warnings; warnings.filterwarnings('ignore') import sys sys.path.append('G:/Code/') #nilmtk这个库的位置 from nilmtk import DataSet train = DataSet('G:/Code/DataSet/REDD/redd_lo
非侵入式负荷分解NILM的实用安装包NILMTK
06-19
非侵入式负荷分解NILM的实用安装包NILMTK，包括nilmtk-contrib、nilmtk和nilm_metadata。python实用安装包，帮助处理负荷分解数据。
NILM基于辅助线性整数规划的负荷分解论文
08-11
基于辅助线性整数规划的负荷分解，这是一篇论文，Load disaggregation based on aided linear integer programming (ALIP) is proposed. We start with a conventional linear integer programming (IP)-based ...
ALIP_NILM-master.zip_Alip_nesty98_nilm_负荷分解_非侵入式
07-15
非侵入式负荷分解技术，采用REDD数据集，辅助线性整数规划
nilmtk-contrib-master.zip
04-15
序列到点网络nilm，即基于序列到点的深度CNN神经网络，进行非侵入式负荷分解
NILM开源数据集:REFIT数据预处理代码
08-04
NILM开源数据集:REFIT预处理代码
NILM（非侵入式电力负荷监测）学习笔记 —— 使用NILMTK Toolkit，REDD数据集，CO和FHMM两种算法
热门推荐
wwb1990的博客
01-09 2万+
实验环境 1，语言： Python 3.6 2，IDE：PyCharm Community Edition 2019.3.1 3，主要工具方法：nilmtk和nilm_metadata以及所依赖的类库 （配置环境，详见我另一篇笔记） 4，实验中分别使用两种方法预测分解： NILM-组合优化算法 combinationrial optimization 多条隐马尔科夫模型（FHMM） 5，测试数...
论文笔记：一种适用于NILM的暂态事件检测算法(滑动窗双边CUSUM)
chenxy_bwave的专栏
11-04 3196
本文是对以下论文的阅读笔记，附有一定的解读和思考。 牛卢璐，贾宏杰：一种适用于非侵入式负荷监测的暂态事件检测算法, 电力系统自动化2011
何为非侵入式负荷监测－技术路线
Bigbboylover的博客
07-03 3990
何为非侵入式负荷监测呢？它无非就是负荷识别、负荷分解、组合优化和隐马尔可夫以及目标检测等实现方式。
NILM笔记：性能度量(Performance Metrics)
chenxy_bwave的专栏
12-12 2407
NILM(Non-Intrusive Load Monitoring, 非侵入式负荷监测)通常分为以下几个步骤：(1)数据采集和预处理；(2)事件检测(for event-based approach)；(3)负荷识别；(4)负荷分解。针对步骤(2)~(4)分别要进行性能评估，所采取的性能度量也各有不同，以下分别讨论。
【NILM】非侵入式负荷分解数据集下载链接
浪荡子爱自由的博客
07-12 7630
非侵入式负荷分解数据集 1.UK-DALE数据集下载： 下载链接 2.REDD数据集下载： 下载链接 用户名： redd 密码： disaggregatetheenergy 3.REFIT数据集下载 下载链接 4.BLUED数据集下载 下载链接（提取码Alex） 参考博客：链接 5.PLAID数据集下载 PLAID 2014下载链接 PLAID 2017下载链接 PLAID 2018下载链接 ......
何为非侵入式负荷分解
Bigbboylover的博客
07-09 1991
有同学提出了一些问题，我在这里再说明一次。 1）深度学习算法应用于非侵入式负荷分解是不需要事件检测的吗？ 回答：是的，不需要事件检测。深度学习算法应用于负荷辨识的话，必须要有事件检测。 2）负荷分解和负荷识别的实时性问题：是不是负荷分解的实时性差，需要1个星期，甚至好几个月的数据，所以实时性很差。负荷识别只需要几分钟，或者几小时的数据，所以实时性更好？ 这里与是哪种技术路线无关，只和你的流程，流程中的算法有关。首先，上面提到的数据是指用来训练模型时用到
NILM非侵入式负荷识别（papers with code、data）带代码的论文整理——(论文及实现代码篇) 全网最全
Ben出没冇注意的博客
01-10 1万+
非侵入式负荷识别（NILM,non-intrusive load monitoring）领域的深度学习论文及代码实现，全网最全。
NILM和联邦学习结合
最新发布
02-20
NILM（Non-Intrusive Load Monitoring）是一种通过分析电力数据来识别和监测家庭中各个电器的能耗情况的技术。它可以通过监测整个家庭的总用电量和电器的用电模式来推断出每个电器的能耗情况，而无需对电器进行额外的传感器安装或干预。 联邦学习是一种分布式机器学习方法，它允许在保护数据隐私的前提下，多个参与方共同训练一个模型。在联邦学习中，各个参与方将自己的本地数据用于模型训练，然后将更新后的模型参数进行聚合，从而得到一个全局的模型。 将NILM和联邦学习结合起来，可以实现在保护用户隐私的前提下，对家庭能耗进行分析和预测。具体来说，可以将NILM算法部署在各个家庭中的本地设备上，通过分析本地的电力数据来推断出各个电器的能耗情况。然后，使用联邦学习的方法，将各个家庭中得到的能耗信息进行聚合，从而得到一个全局的能耗模型。这样一来，可以实现对整个社区或城市的能耗情况进行分析和预测，而不需要暴露个体家庭的隐私信息。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值