Home energy management requires accurate information about the appliances’ consumption pattern. This information can help consumers save energy, control their usage by shifting their usage to off-peak hours and reduce their electricity costs. Non-intrusive load monitoring (NILM) in which the power consumption profile of appliances are extracted from the aggregated signal of a household, provides this information. For the NILM problem, machine learning approaches as the training-based solutions require large training datasets for an accurate disaggregation and the optimization-based approaches employs prior information about the characteristics of appliances. This paper proposes a novel event-based optimization algorithm. In its first stage, the prior information about appliances is extracted from the events of the consumption profiles of appliances by means of clustering. Then, a new event-based down-sampling method and transition filtering are designed for decreasing the computation time of optimization. At the last stage of the proposed algorithm, post-processing considering ON duration of appliances and varying states are proposed to increase the accuracy of the power profile reconstruction. The proposed approach was successfully tested for the low-frequency dataset of a house from the REDD. Numerical results show the advantages of the proposed algorithm, marked improvement over classification-based NILM considering small training dataset and its applicability in disaggregating the power consumption measured by the smart meter.

中文翻译：

---

基于智能事件优化的住宅家庭非侵入式负载监控

家庭能源管理需要有关电器消费模式的准确信息。这些信息可以帮助消费者节约能源，通过将使用转移到非高峰时间来控制他们的使用，并降低他们的电力成本。非侵入式负载监控 (NILM) 提供了此信息，其中从家庭的聚合信号中提取电器的功耗曲线。对于 NILM 问题，作为基于训练的解决方案的机器学习方法需要大量的训练数据集才能进行准确的分解，而基于优化的方法则使用有关设备特性的先验信息。本文提出了一种新颖的基于事件的优化算法。在第一阶段，家电的先验信息是通过聚类的方式从家电消费概况的事件中提取的。然后，设计了一种新的基于事件的下采样方法和过渡过滤来减少优化的计算时间。在所提出算法的最后阶段，提出了考虑电器开启持续时间和变化状态的后处理，以提高功率分布重建的准确性。所提出的方法已成功测试了来自 REDD 的房屋的低频数据集。数值结果显示了所提出算法的优点，在考虑小训练数据集的情况下显着改善了基于分类的 NILM 及其在分解智能电表测量的功耗方面的适用性。设计了一种新的基于事件的下采样方法和过渡过滤，以减少优化的计算时间。在所提出算法的最后阶段，提出了考虑电器开启持续时间和变化状态的后处理，以提高功率分布重建的准确性。所提出的方法已成功测试了来自 REDD 的房屋的低频数据集。数值结果显示了所提出算法的优点，在考虑小训练数据集的情况下显着改善了基于分类的 NILM 及其在分解智能电表测量的功耗方面的适用性。设计了一种新的基于事件的下采样方法和过渡过滤，以减少优化的计算时间。在所提出算法的最后阶段，提出了考虑电器开启持续时间和变化状态的后处理，以提高功率分布重建的准确性。所提出的方法已成功测试了来自 REDD 的房屋的低频数据集。数值结果显示了所提出算法的优点，在考虑小训练数据集的情况下显着改善了基于分类的 NILM 及其在分解智能电表测量的功耗方面的适用性。建议考虑电器的开启持续时间和不同状态的后处理，以提高功率分布重建的准确性。所提出的方法已成功测试了来自 REDD 的房屋的低频数据集。数值结果显示了所提出算法的优点，在考虑小训练数据集的情况下显着改善了基于分类的 NILM 及其在分解智能电表测量的功耗方面的适用性。建议考虑电器的开启持续时间和不同状态的后处理，以提高功率分布重建的准确性。所提出的方法已成功测试了来自 REDD 的房屋的低频数据集。数值结果显示了所提出算法的优点，在考虑小训练数据集的情况下显着改善了基于分类的 NILM 及其在分解智能电表测量的功耗方面的适用性。