MSDC：基于双 CNN 模型利用多状态功耗进行非侵入式负荷监测

基于摘要分析。本文研究非侵入式负荷监测（NILM）：从汇总用电信号中分解出各电器的功耗，属于盲源分离问题。作者提出 Multi-State Dual CNN（MSDC），显式利用电器的多个运行状态及其转移信息约束功耗预测；主要研究对象是电力负荷信号，而非 EEG 或 BCI。 机制上，模型采用双 CNN：一个输出状态分布，另一个预测各状态的功率，并利用条件随机场（CRF）捕捉状态转移。其方法特色是把离散状态结构与连续功率预测结合，而不是仅直接预测电器功耗。摘要未给出两路输出的具体融合方式、CRF 的结构与推理过程、损失函数或训练流程，均尚未验证。 作者报告，在真实数据集 REDD 和 UK-DALE 上，模型优于所比较的先进模型，并具有较好的泛化能力；针对未见电器，报告 MAE 增益为 6%–10%、SAE 增益为 33%–51%。摘要未明确增益计算方式、基线名称、未见电器的划分与训练条件，因此不能将这些百分比直接解释为误差下降比例，也不能认定为 Cross-dataset 结果。实验协议、消融及统计信息尚未验证；复现还需核对预处理、状态定义、实现与数据划分。 平台推测（待验证）：若某类 EEG 分解任务具有可标注的离散状态及稳定转移结构，可检验“状态约束辅助连续信号估计”的假设。可借鉴双分支预测与 CRF，但需改造状态定义、信号输出和多通道建模；电器运行状态不能直接等同于脑活动状态。EEG 的低信噪比、源混叠、跨被试差异及小数据可能使状态估计失效。一个小规模可证伪实验是在固定 EEG 数据划分与相同监督条件下，对比连续预测基线、加入状态分支、再加入 CRF 的版本，检验状态约束是否改善信号估计及下游任务，而非仅增强平滑。相关 EEG 工作尚未检索确认。