NILM中国用户用电设备数据，内包含风扇热水壶白炽灯笔记本等用电设备数据；电流电压功率因数电压电流谐波采样数据等，最高51次谐波。

是上一篇中文的英文原论文 想要了解原始论文的同学可以看看，更为客观。

nilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsxnilm数据集.xlsx

NILM开源数据集:REFIT预处理代码

非侵入式负荷分解之BLUED数据集的电流电压数据为txt文本，包含文件头。本资源将txt本文中的数据头删除并转成matlab能读取的mat格式

使用seq2point神经网络进行点对点学习以进行非侵入式负载监测

非侵入式负载监控框架 日期： 2015年4月 作者： 蒂博·拉夫里尔（Thibaut Lavril） 版本： 2.0 目的 基于事件检测实现非侵入式负载监视（NILM）的框架。 该框架实现了Hart在[1]中开发的算法和方法。 NILM的目标是将家庭的总消费分解为单独的电器消费（冰箱，空调等）。 为此，使用了机器学习技术（主要是无监督学习）。 算法概述 该算法由不同的步骤组成： 数据加载和预处理：将电表数据（例如，智能电表在不同相位上测得的功率）加载到内存中并进行预处理（采样率，缺失值，离群值）。 事件检测：事件是设备状态变化可能导致的总消耗量变化。 可以通过不同的信号处理算法来检测事件。 事件的聚类：检测到的事件是聚类的，例如，我们尝试将可能来自同一设备状态更改的事件分组在一起。 在那里采用无监督的机器学习算法。 设备建模：利用获得的集群和时间序列分析，构建设备模型。

NILM绩效评估 版权所有（C） 2014 Stephen Makonin 。 NILM性能评估功能在Springer能源效率期刊论文（ ）中使用。 可以从Springer或我的网站下载该论文。 如果您使用此代码，请引用我的期刊论文： Makonin, S. and Popowich, F. (2015). Nonintrusive load monitoring (NILM) performance evaluation. Energy Efficiency, 8(4):809–814. Library_Accuracy.py是用于计算纸张准确性度量的python代码。 results.numbers是该论文报告结果的电子表格。 run.log是测试运行的负载文件，用于收集论文中报告的准确性度量数据。

NILM的一些论文，尤其是Kelly的可以仔细了解学习一下她的实验流程和设计。为之后自己设计网络结构和解题思路打基础。

序列到点网络nilm，即基于序列到点的深度CNN神经网络，进行非侵入式负荷分解