非侵入式负荷监测（NILM）：分类与回归，单目标与多目标

对NILM的分类、回归问题以及论文里总说的为每个设备训练一个模型总是存疑，最近终于搞懂了，记录一下，如有错误，欢迎指正。

回归与分类

分类

直接识别数据的开关状态，NILM的数据集通常不包含开关信息，所以要先自己给数据集打标签，比如设置一个阈值，某时刻大于多少瓦则认为该设备开启，该时刻设备对应的标签就是1，关闭则为0 。
把聚合数据和上述打好的标签放入模型，最后输出每个设备对应的开关状态（01序列），借用看的一篇论文的图，侵删

回归

上面说过了，数据集一般不包含开关信息，但是包含设备签名（单个设备的消耗），所以可以直接拿来做回归，输入为聚合数据和设备签名，输出为目标设备的消耗情况，这个消耗也可以转换成设备的开关状态，见下图

单目标与多目标

单目标

就是为每个目标设备训练一个模型，对应到分类和回归就是多类分类和单目标回归问题。
这样做的好处和坏处都很明显，好处在于每个设备的模型可以相互独立地开发，迁移性也好一点。坏处就是需要大量的时间和数据去训练多个模型，还可能会显著低估或高估总功耗，因为没有最小化总功耗和每个设备的预测个别功耗之和之间的差异，而且这样做各设备之间是独立的，无法利用它们互相之间的联系。

多目标

意在建立一个通用模型，同时识别或分解多个设备，对应多标签分类和多目标回归。
听起来显然是这种方法更好，只训练一个模型需要的数据量和时间少多了，但现在用的最多的反而还是上面那种方法，为什么呢？因为每个家电的模式和行为不同，因此很难创建一个通用的模型，能够同时分解所有家电的总功耗，设备相互之间差异很大，同一个设备受天气、使用习惯等影响也会导致签名发生改变，同类设备不同品牌的签名差距可能很大…种种阻碍导致这种方法难以普及，但是也有做的不错的成绩，见参考文献。

参考文献

【1】Kaselimi, Maria, et al. “Towards Trustworthy Energy Disaggregation: A Review of Challenges, Methods, and Perspectives for Non-Intrusive Load Monitoring.” Sensors 22.15 (2022): 5872.
【2】Faustine, Anthony, et al. “UNet-NILM: A deep neural network for multi-tasks appliances state detection and power estimation in NILM.” Proceedings of the 5th International Workshop on Non-Intrusive Load Monitoring. 2020.