用于能量分解(Energy Disaggregation)研究的REDD数据集

简介: REDD的全称为 The Reference Energy Disaggregation Data Set, 目前的版本是Version 1.0目前版本的下载地址为: http://redd.csail.

REDD的全称为 The Reference Energy Disaggregation Data Set, 目前的版本是Version 1.0
目前版本的下载地址为: http://redd.csail.mit.edu
如果使用该数据集完成研究,发表论文,可以引入如下的文献,这是REDD作者的原始文献:
[1] J. Zico Kolter and Matthew J. Johnson. REDD: A public data set for energy disaggregation research. In proceedings of the SustKDD workshop on Data Mining Applications in Sustainability, 2011.

介绍一下REDD的内容组织和格式:
REDD包含2种类型的数据集:高频数据集和低频数据集,描述如下:
(1)high-frequency current/voltage waveform data of the two power mains(15kHz)
(2)lower-frequency power data including the mains and individual, labeled circuits(up to 24 devices, 1Hz,161MB of zip and 2.48GB of unzip).

数据文件组织如下:
low_freq/ -- ~1Hz power readings, whole home and circuits
high_freq/ -- aligned and group current/voltage waveforms
high_freq_raw/ -- raw current/voltage waveforms

low frequency data(1Hz)的文件内容格式如下:
1306541834 102.964 UTC timestamp and the apparent power
1306541835 103.125
1306541836 104.001

High frequency data(15kHz)的文件内容格式如下:
The high_freq/ directory contains AC waveform data for the power mains and a single phase of the voltage for the home.
current_1.dat -- current waveforms for first power mains

current_2.dat        -- current waveforms for second power mains

voltage.dat -- voltage waveforms

这是从高频数据中的数据格式:
1297340206.597013 135.000000 0.000000 3.623859 7.254136 10.949398 ...
1297340208.844086 722.000000 0.000000 3.638527 7.249567 10.929027 ...
关于这个格式的说明如下:
1) A decimal UTC timestamp, in the same format as the timestamps for the low frequency data, but allowing for fractional parts.
2) A cycle count. Although this is represented in the file as a double, it is in fact an integer that indicates for how many AC cycles this particular waveform remains.(keep invariable)
3) 275 decimal values, indicating the value of the waveform (in amps or volts), at equally-spaced portions of the cycle.
这个数据集是为数不多的用于能量分解研究的数据集,价值很高。

目录
相关文章
|
存储 安全 Linux
Docker 离线安装与基本使用
Docker 离线安装与基本使用
3407 0
Docker 离线安装与基本使用
|
编解码 定位技术
谷歌地图分辨率表
版权声明:欢迎评论和转载,转载请注明来源。 https://blog.csdn.net/zy332719794/article/details/73949818 ...
2611 0
|
8月前
|
机器学习/深度学习 自然语言处理 算法
PyTorch PINN实战:用深度学习求解微分方程
物理信息神经网络(PINN)是一种将深度学习与物理定律结合的创新方法,特别适用于微分方程求解。传统神经网络依赖大规模标记数据,而PINN通过将微分方程约束嵌入损失函数,显著提高数据效率。它能在流体动力学、量子力学等领域实现高效建模,弥补了传统数值方法在高维复杂问题上的不足。尽管计算成本较高且对超参数敏感,PINN仍展现出强大的泛化能力和鲁棒性,为科学计算提供了新路径。文章详细介绍了PINN的工作原理、技术优势及局限性,并通过Python代码演示了其在微分方程求解中的应用,验证了其与解析解的高度一致性。
2241 5
PyTorch PINN实战:用深度学习求解微分方程
|
存储 C++ UED
【实战指南】4步实现C++插件化编程,轻松实现功能定制与扩展
本文介绍了如何通过四步实现C++插件化编程,实现功能定制与扩展。主要内容包括引言、概述、需求分析、设计方案、详细设计、验证和总结。通过动态加载功能模块,实现软件的高度灵活性和可扩展性,支持快速定制和市场变化响应。具体步骤涉及配置文件构建、模块编译、动态库入口实现和主程序加载。验证部分展示了模块加载成功的日志和配置信息。总结中强调了插件化编程的优势及其在多个方面的应用。
1220 168
|
数据可视化 数据挖掘 调度
【Python数据挖掘】优化电能能源策略:基于非侵入式负荷检测与分解的智能解决方案
【Python数据挖掘】优化电能能源策略:基于非侵入式负荷检测与分解的智能解决方案
240 0
|
机器学习/深度学习 人工智能 文字识别
ultralytics YOLO11 全新发布!(原理介绍+代码详见+结构框图)
本文详细介绍YOLO11,包括其全新特性、代码实现及结构框图,并提供如何使用NEU-DET数据集进行训练的指南。YOLO11在前代基础上引入了新功能和改进,如C3k2、C2PSA模块和更轻量级的分类检测头,显著提升了模型的性能和灵活性。文中还对比了YOLO11与YOLOv8的区别,并展示了训练过程和结果的可视化
19833 0
|
存储 监控 算法
动物目标检测——基于YOLOv5和树莓派4B平台
目标检测在计算机视觉领域中具有重要意义。YOLOv5(You Only Look One-level)是目标检测算法中的一种代表性方法,以其高效性和准确性备受关注,并且在各种目标检测任务中都表现出卓越的性能。本文将详细介绍如何在性能更强的计算机上训练YOLOv5模型,并将训练好的模型部署到树莓派4B上,通过树莓派的摄像头进行实时动物目标检测。 一、在电脑上训练YOLOv5模型 1. 安装Anaconda 在性能更强的计算机上安装Anaconda,方便管理Python环境和依赖。 从Anaconda官网(https://www.anaconda.com/products/distribu
467 6
|
机器学习/深度学习 自然语言处理
序列到序列(Seq2Seq)模型
序列到序列(Seq2Seq)模型
656 8