Intrusive Load Monitoring (ILM) is a method to measure and collect the energy consumption data of individual appliances via smart plugs or smart sockets. A major challenge of ILM is automatic appliance identification, in which the system is able to determine automatically a label of the active appliance connected to the smart device. Existing ILM techniques depend on labels input by end-users and are usually under the supervised learning scheme. However, in reality, end-users labeling is laboriously rendering insufficient training data to fit the supervised learning models. In this work, we propose a semi-supervised learning (SSL) method that leverages rich signals from the unlabeled dataset and jointly learns the classification loss for the labeled dataset and the consistency training loss for unlabeled dataset. The samples fit into consistency learning are generated by a transformation that is built upon weighted versions of DTW Barycenter Averaging algorithm. The work is inspired by two recent advanced works in SSL in computer vision and combines the advantages of the two. We evaluate our method on the dataset collected from our developed Internet-of-Things based energy monitoring system in a smart home environment. We also examine the method’s performances on 10 benchmark datasets. As a result, the proposed method outperforms other methods on our smart appliance datasets and most of the benchmarks datasets, while it shows competitive results on the rest datasets.

中文翻译：

---

智能能源监控系统中的半监督侵入式电器负载监控

侵入式负载监控 (ILM) 是一种通过智能插头或智能插座测量和收集单个电器能耗数据的方法。ILM 的一个主要挑战是自动设备识别，其中系统能够自动确定连接到智能设备的活动设备的标签。现有的 ILM 技术依赖于最终用户输入的标签，并且通常在监督学习方案下。然而，在现实中，最终用户标签正在费力地渲染训练数据不足以适应监督学习模型。在这项工作中，我们提出了一种半监督学习（SSL）方法，该方法利用来自未标记数据集的丰富信号，共同学习标记数据集的分类损失和未标记数据集的一致性训练损失。适合一致性学习的样本是通过基于 DTW 重心平均算法的加权版本的转换生成的。该作品的灵感来自于 SSL 在计算机视觉领域最近的两部高级作品，并结合了两者的优点。我们在从我们开发的基于物联网的智能家居环境中的能源监控系统收集的数据集上评估我们的方法。我们还检查了该方法在 10 个基准数据集上的性能。因此，所提出的方法在我们的智能家电数据集和大多数基准数据集上优于其他方法，同时在其余数据集上显示出具有竞争力的结果。该作品的灵感来自于 SSL 在计算机视觉领域最近的两部高级作品，并结合了两者的优点。我们在从我们开发的基于物联网的智能家居环境中的能源监控系统收集的数据集上评估我们的方法。我们还检查了该方法在 10 个基准数据集上的性能。因此，所提出的方法在我们的智能家电数据集和大多数基准数据集上优于其他方法，同时在其余数据集上显示出具有竞争力的结果。该作品的灵感来自于 SSL 在计算机视觉领域最近的两部高级作品，并结合了两者的优点。我们在从我们开发的基于物联网的智能家居环境中的能源监控系统收集的数据集上评估我们的方法。我们还检查了该方法在 10 个基准数据集上的性能。因此，所提出的方法在我们的智能家电数据集和大多数基准数据集上优于其他方法，同时在其余数据集上显示出具有竞争力的结果。