摘要:目录算法框架算法框架中的窗口定义中的窗口定义本文是针对以下论文的学习摘要,先主要针对其中事件检测部分进行学习。该论文提到了事件检测的难点,即集中时段的电器使用,会导致事件重叠,原文解释,即电器的多样性。
目录
3.3 Adaptive Window to Capture Transients
3.4 Multi-timescale Window Screening
3.6 Load Signatures and Sequential Load Signature Tree
本文是针对以下论文的学习摘要,先主要针对其中事件检测部分进行学习。
arXiv2107.11287: Adaptive event detection for Representative Load Signature Extraction, Lei Yan, Wei Tian, Jiayu Han, Zuyi Li
作者是来自于Illinois Institute of Technology 的华人教授李祖毅团队。
Ref: https://blog.csdn.net/chenxy_bwave/article/details/121307094
该论文:
1. 提到了event detection(事件检测)的难点:
这些在评估算法时,需要引以注意。
2. 认为高频数据采样率为大于1hz。事件检测(Event detection)是event-based non-intrusive load monitoring(NILM)的第一步。但现在很多研究由于缺乏高分辨率的数据集,而只能使用non-event-based NILM。
注:
【1】也有可能这篇论文中的这个观点是错误的,CO和FHMM并非event-based NILM算法,从一些其他论文和博文Ref来看,CO和FHMM很有可能是non-event-based NILM。
3. 采用自适应调整参数的方法,包括了窗口长度(这个比较厉害,看看后文到底是怎么做的)、margin width(什么鬼?window with adaptive margins ?)、threshold.
4. 基于这些数据做了性能评估:
20Hz dataset, the 50Hz LIFTED dataset, and the 60Hz BLUED dataset
[comment] 根据使用的数据来看,这篇论文属于event-based NILM,基于高频数据。
5. 通过事件检测,可以区分暂态(transient)和稳态(steady-state)数据,进而可以提高NILM的准确率(?)通过事件检测结果,根据不同事件,提取特征,进而识别电器。原文:(1) The extracted load signatures can improve NILM accuracy. (2) Each load signature can be modelled as a measurable parameter giving information on the operating cycles of individual appliances. (3) It further extracts representative load signatures based on event detection results for NILM.
6. 性能/亮点:
(1) can guarantee the accuracy and robustness of event detection even when using one arbitrary set of initial parameters. (很厉害啊)
(2) 可以检出整个事件,其中包括暂态和稳态序列,而不是仅仅只检测到变点,从而分别提取出暂态和稳态的特征。
(3) 同时使用提取出来的暂态和稳态特征,可以提高NILM的准确性和有效性。
1. 分析了已有的几种事件检测算法的缺陷。
(1)LLD-Max(log likelihood ratio detector with maxima): Due to the fixed size of windows, some false alarms might occur in the long transition if the window size is smaller than the duration of transition.
(2)MF(matched filter): the MF method may fail as high fluctuations may mask the events of small appliances.
2. 负载特征分析
(1)稳态特征,具有additivity。可以直接追加到用于识别的特征中去。
(2)有使用无功功率作为特征的算法;也有用VI轨迹作为特征的算法,并作为卷积神经网络的输入,更有进一步用于transfer learning的。
(3)稳态特征存在的一个问题是有些不同的电器可能拥有相近的稳态特征,而暂态特征就具有更强分辨能力(transients are more different and provide more deciding information than steady-state signatures)。暂态特征可以分为rectified form(R-form)和delta form(D-form)两大类,差异在于是否存在很大的过冲(whether the transient spike power goes far beyond the steady-state power).
该论文提出的算法称之为WAMMA,全称Window with Adaptive Margin, Multi-timescale window screening and Adaptive threshold.
该论文提出的整个算法的框架示意图,包含了WAMMA和负载特征:
左右两边margin的目的,是通过自适应调节窗口的位置,来确保将margin 窗口最终落在稳态数据上。判断方法如下:
If the negative change signs within a window account for more than 60%, the right margin will move rightward even though the change value is smaller than the threshold. Such movement will stop until the conditions for both change signs and change values are met.
[comment] 既然窗口位置根据检测情况可以自动调节——窗口右边界向右移动,直到认为进入稳态为止,那么在实现的时候如何改造?必须要给出一个最大窗口长度,不能无限增长。
注意:这里提到针对near-simultaneous events的情况,仅仅在事件检测阶段,是无法独立解决的,需要和后续的负载分解(参考各电器独自的负载特征)联合起来,才能解决。原文如下:The second one is concatenation of near-simultaneous events. If the first event is classified to some appliance in a low probability in the following appliance identification step, it is very likely that two events are from the same long transition. In this case, the concatenated event will be inferred again to find out which appliance is changing state. The second component works well in conjunction with load disaggregation in a later stage.
这里的Micro-timescale window用于协助解决near-simultaneous events,它工作于finer timescale,且工作于macro-timescale window完成之后。
在没有事件的时候,计算均值和方差。如果方差在一个较小范围内波动的话,则门限不需要更新,反之,则需要更新。进一步,门限的更新还需要考虑电器特征(可是非侵入式检测的输入数据是所有电器混合后的数据,如何做到门限按照各电器特性调整呢?)。
Transient signatures:
Steady-state signatures:
文章版权归作者所有,未经允许请勿转载,若此文章存在违规行为,您可以联系管理员删除。
转载请注明本文地址:https://www.ucloud.cn/yun/125047.html
摘要:事件检测和暂态特征提取需要高采样率的数据。代表左右观测窗的样本均值之差。将观测样点的一阶差分用于计算累计和以及变化趋势的判断。在这种情况下,数据样本的一阶差分的符号将出现和交替这一信息可以用来滤除由导致的虚警。 目录 1. 前言 2. 问题背景 2.1 相关研究回顾 2.2 负荷特征回顾 ...
摘要:机器学习和深度学习的研究进展正深刻变革着人类的技术,本文列出了自年以来这两个领域发表的最重要被引用次数最多的篇科学论文,以飨读者。注意第篇论文去年才发表要了解机器学习和深度学习的进展,这些论文一定不能错过。 机器学习和深度学习的研究进展正深刻变革着人类的技术,本文列出了自 2014 年以来这两个领域发表的最重要(被引用次数最多)的 20 篇科学论文,以飨读者。机器学习,尤其是其子领域深度学习...
摘要:自从年深秋,他开始在上撰写并公开分享他感兴趣的机器学习论文。本文选取了上篇阅读注释的机器学习论文笔记。希望知名专家注释的深度学习论文能使一些很复杂的概念更易于理解。主要讲述的是奥德赛因为激怒了海神波赛多而招致灾祸。 Hugo Larochelle博士是一名谢布克大学机器学习的教授,社交媒体研究科学家、知名的神经网络研究人员以及深度学习狂热爱好者。自从2015年深秋,他开始在arXiv上撰写并...
摘要:分享一下组会的讲稿。现在的应用主要在于和语言以及图像的分类和回归。而却由的命名可以看到的核心思想是做。这源自于在年提出的的思想。如下图其作为一种而广为使用。这是因为的比较少,一般都是二分类问题,减轻了的传递效应。 分享一下组会的讲稿。附组会的ppthttp://vdisk.weibo.com/s/zfic-IP2yagqu涉及到的原论文大概10几篇,我打印出来看的,有人需要的话我回去好好对着...
摘要:单层年发表的文章使用了单层解决机器翻译中不同长度的源语言对齐问题。使用的基本思想是目标语言端的词往往只与源语言端部分词相关。其中计算上下文环境与源语言词语的相关得分,是根据语言特性设计的一个对齐模型,感兴趣的朋友可以深入了解一下。 1. 前言2017 年 KDD,Sigir 以及 Recsys 会议被接收的论文早已公示,本文对这些会议中 Attention Model 相关的 10 篇论文进...
阅读 440·2021-11-25 09:43
阅读 2983·2021-09-23 11:55
阅读 2241·2021-09-13 10:33
阅读 1473·2019-08-30 15:54
阅读 2925·2019-08-30 15:54
阅读 2226·2019-08-30 10:59
阅读 2260·2019-08-29 17:08
阅读 1682·2019-08-29 13:16