Advertisement

基于MATLAB的NILM代码抽取工具：MATLAB-NILM

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
MATLAB-NILM是一款利用MATLAB开发的能量分析软件，专门用于非侵入式负荷监测（NILM）中的代码提取。该工具简化了从复杂电力数据中识别和分离特定电器能耗模式的过程，为研究人员及工程师提供了一个强大的平台来深入探究家庭或商业设施的能源使用情况，助力提高能效与优化电网管理。 二摘代码MATLAB无侵入式负载监控器（NILM）用Matlab模拟。每个data*.mat文件包含两个单元格：power和t。其中，power在相应的label*.txt中包含了所有电器的功率负荷记录，而t则记录了功率负载的时间表。src目录中的所有过程功能都可以在此处找到。相关数据来自data3.mat和data4.mat。该项目主要关注的是data3.mat的内容。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 基于MATLAB的NILM代码抽取工具：MATLAB-NILM
    优质
    MATLAB-NILM是一款利用MATLAB开发的能量分析软件，专门用于非侵入式负荷监测（NILM）中的代码提取。该工具简化了从复杂电力数据中识别和分离特定电器能耗模式的过程，为研究人员及工程师提供了一个强大的平台来深入探究家庭或商业设施的能源使用情况，助力提高能效与优化电网管理。 二摘代码MATLAB无侵入式负载监控器（NILM）用Matlab模拟。每个data*.mat文件包含两个单元格：power和t。其中，power在相应的label*.txt中包含了所有电器的功率负荷记录，而t则记录了功率负载的时间表。src目录中的所有过程功能都可以在此处找到。相关数据来自data3.mat和data4.mat。该项目主要关注的是data3.mat的内容。
     
  • MO-NILM：用于NILM分类的多目标进化算法 - MATLAB开发
    优质
    简介：本文介绍了一种名为MO-NILM的多目标进化算法，专门针对电力负荷分解中的NILM（非侵入式负载监测）分类问题进行优化，在MATLAB平台上实现并验证了其有效性。 MO-NILM 源代码基于 [1]。一些备注如下： 1) 此设置用于文章中的场景 3：MO-NILM2 (P, Q)。在此配置中，您可以使用两个功能（在我们的例子中是 P 和 Q，但您也可以根据需要更改）。 2）此代码基于 PlatEMO 平台开发，PlatEMO 是一个开源的多目标进化优化问题平台，使用 MATLAB 编写。如果您使用了这份代码，请确保引用 PlatEMO [2] 作为参考文献。 3) 若要运行该程序，请进入 \AmpdsPQ 文件夹并执行 main_Ampds.m 脚本段落件。 4) 在函数“NSGAII_sim_Ampds.m”中，您需要在第15行插入到 mainNsgaII_PQ.m 所在路径的引用（应该是上一级目录）。 5) 数据库位于 \AmpdsPQ\36kSamplesDb 文件夹内。通过仔细审查和逆向工程，您可以根据自己的数据库需求进行相应的修改。对于每一个 Mat 文件来说，第一列代表特征值。
     
  • MO-NILM：面向NILM的多目标进化算法
    优质
    MO-NILM是一种专为非侵入式负荷监测（NILM）设计的多目标优化算法。通过进化计算技术，它有效解决了NILM中的多个复杂问题，提升了能源管理和消费分析的精度与效率。 MO-NILM：一种用于NILM分类的多目标进化算法由Machlev, R.、Belikov, J.、Beck, Y. 和 Levron, Y. (2019)提出，并发表在《Energy and Buildings》期刊第199期，页码为134-144。此外，Tian, Y., Cheng, R., Zhang, X., & Jin, Y. (2017)介绍了PlatEMO：用于进化多目标优化的MATLAB平台。
     
  • NILM-Papers-With-Code: 包含源代码和补充材料的NILM论文存档 - Source Material
    优质
    NILM-Papers-With-Code是一个集合了非侵入式负载监测(NILM)相关研究论文、源代码及补充资料的知识库，方便研究人员访问与利用。 科学成果的可重复性是学术研究的重要组成部分，但往往受到忽视。本存储库致力于收集与同行评审的NILM（又称能量分解）论文相关的资料，这些论文通常会附带源代码或大量补充材料发布。 我们根据多个类别对NILM文献进行分类：算法、工具包、数据集和其它。欢迎随时为该存储库贡献内容！请参考我们的“样式指南”： 标题：“基于图形信号处理的非侵入式设备负载监控少培训解决方案”。赵斌等人，2016年发表于IEEE访问。 标题：“利用HMM稀疏性进行在线实时非侵入式负载监测（NILM）”。S. Makonin等人，2015年发表于IEEE TSG。 标题：“通过基于注意力的深度神经网络改进非侵入式负荷分配”。V. Piccialli等，2021年发布。
     
  • 二抽取代码MATLAB-V-I轨迹：用于从非侵入式负载监测(NILM)方法中的VI轨迹中提取特征的代码...
    优质
    这段代码是为非侵入式负载监测（NILM）设计的，专门用于从电压电流（VI）轨迹中抽取关键特征。它是使用MATLAB开发的，旨在提高设备级别的电力消耗分析精度。 该项目旨在从VI轨迹中提取特征用于非侵入式负载监控（NILM）方法中的分类步骤。VI轨迹是通过将一个电压周期与系统测量电流的周期图相乘来创建二维形状。 开发此项目的软件为MATLAB R2017b和R2019b版本。 文件夹“current_features_2018”中包含了截至2018年文献介绍的所有基于VI的功能代码。 文件夹Mulinari2019中的代码已在论文《一组新的稳态和暂态特征用于基于VI轨迹的电源签名分析》（IEEE PES创新智能电网技术，拉丁美洲，2019）中解释并详细说明。 文件夹F2D中的代码在提交给电力系统研究（ELSEVIER），于2021年的论文《使用二维傅里叶级数进行电负荷分类的VI轨迹特征提取》中有详细介绍。每个功能的具体信息都在相应的M文件中。 如果有任何疑问或建议，请通过电子邮件联系我们。 贡献者：UTFPR
     
  • NILM数据集.xlsx
    优质
    《NILM数据集.xlsx》包含了详细的能源消耗记录，旨在支持非侵入式负荷监测研究。该数据集收集了各类电器在不同使用情况下的电力消耗信息，为学术界和工业界的能源效率分析提供了宝贵资源。 nilm数据集.xlsx 这段文字似乎只是重复了文件名nilm数据集.xlsx多次，并且根据您的要求去除了所有可能的联系信息、链接和其他非必要内容。由于原始文本中没有包含任何需要删除的具体元素（如联系方式或网站地址），因此重写后的版本保持不变，仅保留核心部分即文件名称本身。
     
  • REFIT数据集的NILM预处理代码开源
    优质
    简介：我们发布了针对REFIT数据集的NILM预处理代码，旨在促进非侵入式负荷监测研究，帮助研究人员更便捷地访问和准备数据。 NILM开源数据集REFIT的预处理代码。
     
  • DFT的Matlab源码-Multi-NILM：多标签非侵入式负载监测
    优质
    本项目提供了一套基于DFT的MATLAB源码，用于实现多标签非侵入式负荷监测（Multi-NILM），能够有效识别电力系统中的多种电器负载。 DFT的MATLAB源代码MULTI-NILM：一种用于多标签非侵入式负载监控的新颖框架描述了该存储库基于一篇论文，并可用于复制实验。它定义了一个适用于多标签NILM系统的框架，包括多种时间序列表示方法如Signal2Vec、BOSS、SFA、WEASEL、DFT、SAX、1d-SAX和PAA；并使用Taken定理实现延迟嵌入。随时可以重用、修改和扩展此存储库。 Multi-nilm是用于高效非侵入式负载监控系统的创新框架，具备三个固有属性：利用数据表示法进行充分降维；采用轻量级分解模型；将分类问题视为多标签分类问题来解决。可以在实验目录下找到例子实验示例。该模块定义了三种类型的实验（GenericExperiment、ModelSelectionExperiment和REDDModelSelectionExperiment）。还可以通过扩展抽象类nilmlab.lab.Experiment来自行创建新的实验类型。 一旦定义好实验，只需几行代码即可进行设置和配置。所有名称为run*.py的文件都是特定实现的例子，并可以作为参考使用。
     
  • NILM实用安装包：NILMTK非侵入式负荷分解工具
    优质
    Nilm实用安装包提供了一个简便的方式来获取和运行NILMTK，这是一个用于非侵入式负荷分解研究的重要工具，助力于电力消耗分析与节能。 非侵入式负荷分解NILM的实用安装包NILMTK包括nilmtk-contrib、nilmtk和nilm_metadata。这个Python工具包有助于处理负荷分解数据。
     
  • 代码抽取-MATLAB-py_ai_clinician: py_ai_clinician
    优质
    py_ai_clinician 是一个结合MATLAB与Python的项目，利用AI技术辅助临床决策。该项目旨在通过代码抽取优化医疗数据分析和处理流程。 该项目的目的是为Komorowski等人在《Nature Medicine》期刊上发表的论文提供Python实现版本。原始代码是用MATLAB编写的，并被重新实现了Python版本。 在这项工作中，参考的是作者GitHub页面上的MATLAB实现。除了该论文外，还有许多关于败血症和强化学习的相关研究工作可以参考。 由于这个项目基于Python实现，因此还需要使用numpy库（版本1.15.0或更高），并且需要np.argsort()函数的stable选项功能。 此外，在我们的重新实现中使用的MIMIC III数据集是第1.4版。但是，原始《自然医学》论文所用的是第1.3版的数据集。要获取该数据集，请访问MIMIC官方网站并遵循其要求（参加在线课程，并获得经理的批准）。需要注意的是，MIMIC 数据集大约为6G大小（压缩后）。 以上描述中没有包含任何联系方式、链接或具体版本控制信息等细节。