# NILM

**Repository Path**: xmxu-ming/NILM

## Basic Information

- **Project Name**: NILM
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-10-11
- **Last Updated**: 2025-10-11

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# __NILM (Non-intrusive Load Monitoring) 实验代码与结果__
## 本仓库包含使用深度学习模型（LSTM、RNN 和 MultiHead Transformer）进行非侵入式负荷检测的代码和实验结果。NILM 技术用于从总负荷数据中提取各个电器的用电信息，能够帮助用户和电力公司更好地进行用电管理与优化。

# 项目特色：
## -数据集：基于 UK-DALE 数据集，包含多个家庭的长期用电数据。
## -模型实现：LSTM、RNN 和 MultiHead Transformer 等时序深度学习模型。
## -任务目标：负荷识别和分解任务，识别每个电器的开关状态，并分离出具体用电量。
## -数据预处理：包括重采样、数据对齐、时间序列标签生成和滑动窗口方法。
## -实验内容：比较不同模型的表现，主要指标包括准确率、精确率、召回率、F1 分数等，分析其在负荷检测中的应用效果。
## -实验优化：针对四分类问题的类别不平衡问题，简化为二分类任务后提升了模型表现。

# 实验结论：
## -LSTM 和 Transformer 模型在二分类任务中表现优于 RNN，特别是在准确率和精确率方面。
## -处理多分类任务时的类别不平衡仍然是一个难点，未来可以进一步优化数据集和模型。
## -三种模型在长期训练中的表现逐渐趋于一致，进一步的实验可以帮助验证模型的泛化能力。