[Paper] 基于 Bayesian Optimization 的 AutoML 框架用于 Non-Intrusive Load Monitoring

Source: arXiv - 2602.05739v1

（请提供需要翻译的正文内容，我将为您翻译成简体中文。）

概述

非侵入式负荷监测（NILM）尝试“倾听”家庭的整体电力消耗，并推断每个单独电器的使用情况。新论文提出了一种 基于贝叶斯优化的 AutoML 框架，能够自动选择合适的 NILM 模型并调优其超参数——使能源分析师无需机器学习专家即可获得高质量的分解结果。作者还发布了 AutoML4NILM，一个开源工具包，使整个流程即插即用。

关键贡献

• 首个用于 NILM 的 AutoML 流水线 – 集成贝叶斯优化，实现跨多种算法的模型选择和超参数搜索自动化。
• 开源工具包 (AutoML4NILM) – 包含 11 种即用型学习算法，统一的 API，以及可扩展的配置文件，便于添加新模型或参数。
• 领域无关的工作流 – 抽象掉数据科学的细节，使实践者能够专注于数据收集和业务逻辑。
• 实证验证 – 在公开的 NILM 数据集（如 REDD、UK‑DALE）上进行基准测试，显示出与手动调参基线相当或更好的分解精度，同时缩短开发时间。
• 可复现性包 – 所有实验、超参数搜索空间和评估脚本均公开，鼓励社区扩展。

方法论

1. 数据摄取 – 原始聚合功率信号进行预处理（重采样、噪声过滤），并可选地划分为针对单个电器的窗口。
2. 算法库 – 框架包含 11 种监督学习模型（例如 Random Forest、Gradient Boosting、基于 CNN‑的序列模型），每种模型都有可搜索的超参数空间。
3. 贝叶斯优化循环
   • 代理模型（Gaussian Process）预测未见超参数配置的性能。
   • 采集函数（例如 Expected Improvement）提出下一个有前景的配置进行评估。
   • 在 NILM 数据的验证集上训练所选模型，其分解误差（通常为 MAE 或 F‑score）反馈给优化器。
4. 模型选择与部署 – 在预算的迭代次数后，导出表现最佳的模型‑超参数组合，准备对新聚合轨迹进行推断。

整个流水线通过简单的 YAML/JSON 配置进行编排，可从 CI 流水线或边缘设备脚本化运行。

结果与发现

关键要点

• 自动化带来收益 – 贝叶斯搜索始终找到比作者手动调参基线更优的超参数设置，且往往使用更少的训练周期。
• 算法多样性重要 – 没有单一模型占据主导；优化器为不同电器选择了不同的算法（例如，对阻性负载使用基于树的模型，对周期性设备使用 CNN）。
• 速度与精度的权衡 – 通过限制优化预算（如 50 次试验），开发者可以在普通 GPU/CPU 上在一小时以内获得“足够好”的模型，适合快速原型开发。

实际影响

• 智能家居初创公司的快速原型 – 工程师可以在几天内搭建 NILM 服务，而不是数周，专注于 UI/UX 和集成，而不是模型调试。
• 公用事业规模的分析 – 电网运营商可以在聚合的配电线路数据上运行 AutoML 流水线，生成设备级负荷预测，从而在不安装单设备计量表的情况下实现需求响应计划。
• 边缘部署 – 由于最终模型以轻量化制品（例如 ONNX）导出，可嵌入家庭网关或物联网枢纽，实现实时分解。
• 研究加速 – 新的 NILM 算法可以直接放入工具包，并自动与现有算法池进行基准测试，促进可复现的比较。

总体而言，该框架降低了任何组织将原始电力数据转化为可操作洞察的进入门槛。

限制与未来工作

• 算法覆盖 – 当前的 11 种模型虽然多样，但遗漏了最近在 NILM 中表现出前景的基于 Transformer 的序列模型。
• 计算成本 – 贝叶斯优化，尤其是使用高斯过程时，在超过几百次试验后扩展性差；更大的搜索空间可能需要替代的代理模型（例如 Tree‑Parzen Estimators）。
• 标签依赖 – 该框架仍然需要真实的家电标签进行训练；无监督或弱监督的扩展仍是一个未解决的挑战。
• 实时约束 – 本文侧重于离线精度；未来工作将评估所选模型在边缘硬件上的延迟和功耗。

计划的扩展包括添加用于神经架构搜索的插件、支持跨家庭的迁移学习，以及构建云原生编排层，以在新数据到达时实现模型的持续再训练。

作者

• Nazanin Siavash
• Armin Moin

论文信息

• arXiv ID: 2602.05739v1
• 分类: cs.SE
• 出版日期: 2026年2月5日
• PDF: Download PDF