9、非侵入式负载监测（NILM）算法与实验结果分析

非侵入式负载监测（NILM）算法与实验结果分析

1. 算法原理概述

在非侵入式负载监测（NILM）领域，多种算法发挥着重要作用，下面对几种关键算法进行详细介绍。
- GRU（门控循环单元） ：GRU的重置门在接近零值时，会使隐藏状态忽略之前的隐藏状态，以当前输入进行重置。这一机制使得隐藏状态能够删除后续被判定为无关的数据，从而优化信息处理。例如，在处理时间序列数据时，若某一时刻的信息对后续预测无意义，GRU可通过重置门将其剔除。
- Window GRU ：该算法减少了每层的神经元数量。经测试，即使循环层规模减半，网络的精度仍能保持不变，同时可使可训练参数数量减少60%。此外，通过在层间插入Dropout操作，有效避免了过拟合问题。这在使用多户家庭数据训练电器模型时尤为有用，同时也能应对输入值缺失的情况。操作步骤如下：
1. 确定每层神经元数量的缩减比例。
2. 构建网络结构，将循环层规模减半。
3. 在层间插入Dropout层，设置合适的丢弃率。
- SS2P（短序列到点） ：此算法将网络输入视为一个主窗口，输出为目标电器对应窗口的中间元素。其核心思想是目标电器的中点与该点前后的主数据存在强关联，可看作一种非线性回归。例如，在预测某电器的功率消耗时，可利用该算法通过主窗口数据预测目标电器中点的功率值。
- S2S（序列到序列） ：S2S学习模型用于在两个序列之间进行转换。它包含一个理解输入序列的编码器RNN和一个对思想向量进行解码以生成输出序列的解码器RNN。编码器将输入序列压缩为一个向量，解码器再