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）：从聚合用电信号中分解出各电器的功率消耗，属于盲源分离任务。作者提出 Multi-State Dual CNN（MSDC），显式利用电器的多个运行状态及状态转移信息来约束功率预测；研究对象是电力负荷信号，而非 EEG 或 BCI。 核心机制是双 CNN：一个 CNN 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。相较于摘要所述的既有方法，其主要区别在于显式建模多状态信息，而不只是预测电器功率。状态如何定义、两个 CNN 与 CRF 如何结合、损失函数及训练与推理流程尚未验证。 作者报告，在 REDD 和 UK-DALE 两个真实世界数据集上，MSDC 优于所比较的先进模型，并在未见电器评估中取得 6%–10% 的 MAE 改善和 33%–51% 的 SAE 改善。摘要未交代改善比例的计算方式、具体对照模型、未见电器的定义及数据划分，因此不能将这些范围解释为百分点变化，也不能据此确定跨数据集泛化能力。 复现时需核对状态标注来源、CRF 的具体作用、未见电器评估协议、各数据集与电器的分项结果，以及 MAE、SAE 的计算和聚合方式。实验协议、消融及统计信息尚未验证，代码与复现条件亦未确认。该机制在电器离散运行状态下的效果不等同于 EEG/BCI 效果；已有 EEG 相关工作尚未检索确认。