HIFDA 数据集：助力非侵入式负载监测（NILM）的高频利器

《Scientific Data》：HIFDA - High-Frequency Electrical Voltage and Current Signals from Household Appliances

为解决智能电网中高效能源管理需求，应对现有非侵入式负载监测（NILM）技术数据集的不足，研究人员开展了 HIFDA 数据集相关研究。他们采集 14 种家用电器稳态电信号，形成高频率数据集，为 NILM 研究及应用提供了有力支持。

　　在智能电网蓬勃发展的时代，能源管理的高效性成为关键议题。非侵入式负载监测（Non-Intrusive Load Monitoring，NILM）技术应运而生，它旨在通过分析家庭或建筑主入口单点智能电表采集的电信号，来分解各个电器的能耗情况。这项技术不仅能实现高效能源管理，还能用于老年人非侵入式日常活动监测，助力其独立生活。

然而，当前 NILM 技术面临诸多挑战。一方面，机器学习等方法在 NILM 技术中广泛应用，需要大量数据训练算法，但现有的数据集存在各种缺陷。像 WHITED、BLOND、UK-DALE 和 REDD 等高频数据集，虽各有优势，却也存在缺乏稳态数据、底层真相复杂、采样率低等问题，影响对低功耗电器的监测。另一方面，低功耗电器在家庭活动监测中意义重大，而低采样率难以捕捉其独特电信号特征。在这样的背景下，开展新的研究、构建更优质的数据集迫在眉睫。

西班牙阿尔卡拉大学（University of Alcala）和雷胡安卡洛斯大学（Rey Juan Carlos University）的研究人员积极应对挑战，开展了关于高频家用电器电信号数据集（HIgh Frequency household electrical signals DAtaset，HIFDA）的研究。他们成功创建了 HIFDA 数据集，该数据集在非侵入式负载监测研究及相关应用领域意义非凡，相关成果发表在《Scientific Data》上。

在研究过程中，研究人员运用了多种关键技术方法。硬件方面，基于 Zybo z7-10 开发平台构建采集系统，包含现场可编程门阵列（Field-Programmable Gate Array，FPGA）及片上系统（System-on-Chip，SoC）架构，搭配模拟前端（Analog Front-End，AFE）和模数转换器（Analog-Digital Converter，ADC）采集电压和电流信号。软件方面，利用特定算法对采集数据进行处理、存储和转换，还通过训练卷积神经网络（Convolutional Neural Network，CNN）验证数据集的有效性。

下面来看具体的研究结果：

• 数据采集与整理：研究人员精心挑选 14 种具有不同电气特性和功耗的家用电器，包括空调、充电器、咖啡机等，涵盖电阻性、电抗性和开关电源性负载，功率范围从 22W 至 2.8kW。使用自制模拟前端以 100kSPS 的采样率采集电器工作时的电压和电流信号，同时采集空电网数据。采集的信号经处理后，以文本格式存储，按照不同时间窗口（10.24ms、163.84ms、1310.72ms 和约 5.4s）进行划分，方便后续研究使用。
• 数据集的技术验证：对 AFE 模块进行特性分析，通过计算波特图（Bode diagram）验证其带宽符合预期。对比自制系统和商用电流钳采集的电流信号，发现自制系统的信号更纯净，这得益于其差分配置有效降低了环境噪声。此外，利用 HIFDA 数据集训练 CNN 进行电器识别，结果表明，部分功耗相似、负载特性相同的电器易混淆，低功耗电器信号也常与空电网或类似开关源特性的电器信号混淆，不过这也为后续研究指明了方向。
• 数据集的可用性与使用说明：HIFDA 数据集以压缩 ZIP 文件形式存储在 Zenodo 开放平台，包含电器图片、不同时间窗口的电压和电流数据文件，以及详细说明数据集使用方法的 Readme.txt 文件。该数据集可在 Matlab?、Python 等多种软件环境中使用，用户可根据需求选择使用原始数据或进行物理量转换。

研究结论与讨论部分指出，HIFDA 数据集为 NILM 技术研究提供了高频率、包含稳态信号的优质数据，有助于训练更精准的机器学习模型，提升电器识别准确率。尽管目前使用该数据集训练 CNN 进行电器识别时存在一些混淆问题，但这也为后续研究提供了方向，激励研究人员进一步优化算法、改进技术，推动 NILM 技术在能源管理和家庭活动监测等领域的发展。