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。