半监督学习,具有对非侵入性负载监控的灵活值
Tao Tang1, Keke Li2, Chang Su3
1College of Electrical and Information Engineering, Heilongjiang Institute of Technology, Harbin, China.
Heliyon
|August 16, 2024
概括
本研究引入了一种新的半监督学习方法,用于非侵入性负载监控 (NILM). 该方法有效地使用有限的标记数据和大量的未标记数据识别设备,改进了能源消耗分析.
科学领域:
- 电气工程 电气工程
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 非侵入性负载监控 (NILM) 可以在没有额外传感器的情况下进行详细的设备功耗分析.
- 深度学习已经推进了NILM,但监督方法需要大量,昂贵的标记数据.
- 当前的方法在现实世界NILM应用中面临数据注释的挑战.
研究的目的:
- 开发一种有效的半监督学习方法,用于NILM设备识别.
- 解决监督学习在数据注释要求方面的局限性.
- 用有限的标签数据来提高设备识别准确度.
主要方法:
- 一个新的半监督学习框架,结合一致性规范化和伪标签.
- 灵活调整每种设备类型和时间步骤的值,以实现最佳的伪标签生成.
- 利用大量的未标记数据与有限的标记数据一起用于模型培训.
主要成果:
- 拟议的方法显著提高了NILM中的设备识别性能.
- 与现有的最先进的NILM技术相比,取得了更好的结果.
- 在公开可用的数据集上证明有效性.
结论:
- 半监督方法为NILM设备识别挑战提供了一个实际的解决方案.
- 这种方法减少了对广泛的手动数据标签的依赖.
- 这些发现为更具可扩展性和准确性的NILM系统铺平了道路.
