INFERLab/BLUED

BLUED（建筑级全标记电能解耦数据集）是一个为事件基础的非侵入式负荷监测（NILM）研究设计的公共数据集。它包含了一周内美国一个单家庭住宅的高频电压和电流测量数据。该数据集的关键特点是详细标记了设备状态转换（事件），为评估事件基础解耦算法提供了基准。

BLUED (Building-Level fUlly-labeled dataset for Electricity Disaggregation) is a public dataset designed for event-based Non-Intrusive Load Monitoring (NILM) research. It contains high-frequency voltage and current measurements from a single-family home in the United States over one week. The key feature of this dataset is the detailed labeling of appliance state transitions (events), providing ground truth for evaluating event-based disaggregation algorithms.

搜集汇总

数据集介绍

构建方式

BLUED数据集面向事件驱动的非侵入式负荷监测（NILM）研究，通过高精度数据采集系统构建。该数据集于2011年10月在美国匹兹堡一栋独户住宅中采集，以12 kHz采样率在主配电盘处记录单相电压与两相电流的原始波形，并同步计算60 Hz的有功功率。事件标注结合了插电式功率计、环境传感器及电路级电流测量，将功率变化超过30瓦且持续至少5秒的跃迁定义为事件，通过人工视觉比对与聚合功率信号同步时间戳，最终生成包含2,482个标注事件（其中2,355个归属已知电器）的完整标签集，覆盖约50种电器设备。

特点

BLUED数据集的核心特色在于其高频率的电气波形采样与详尽的事件级标注。12 kHz的采样率保留了电压电流的瞬态细节，为基于谐波分析的负荷识别提供丰富特征；60 Hz有功功率的同步计算则降低了数据冗余。事件标签不仅区分了相别（A相904个、B相1,578个），还细分了电器身份与状态跃迁类型（如开关），并纳入127个未知来源事件（聚类为11种潜在电器），凸显了真实场景中的标注不完整性。此外，单户住宅的一周数据虽受限于季节性与使用频率，但为事件驱动型NILM算法的基准测试提供了高保真度的验证平台。

使用方法

BLUED数据集适用于事件驱动的非侵入式负荷监测（NILM）算法开发与评估。用户可通过读取12 kHz的原始电压电流波形文件，提取瞬态特征（如谐波谱、功率跃迁幅度）来训练分类模型；或直接利用60 Hz有功功率序列进行事件检测与负荷分解。数据集未预设训练/测试划分，建议用户基于时间序列拆分（如前五天训练、后两天测试）或交叉验证来评估算法泛化性。典型应用包括将标注事件作为监督学习的标签，构建从聚合信号到单设备状态的映射；也可用于无监督聚类研究，探索未知事件的电器归属。配合BibTeX引用即可公开使用。

背景与挑战

背景概述

非侵入式负荷监测（NILM）作为智能电网与建筑能效管理中的关键技术，旨在从总电力信号中分解出单个电器的用电行为，其研究可追溯至20世纪90年代。然而，早期研究受限于缺乏高质量标注数据，尤其是事件驱动的NILM算法需要精确的电器状态转变标签。在此背景下，卡内基梅隆大学的研究团队于2012年创建了BLUED数据集，由Kyle Anderson等人主导，其核心贡献在于提供了美国匹兹堡一栋独户住宅为期一周的12kHz高频电压与电流波形，并手工标注了2482个电器状态转变事件。该数据集填补了事件级NILM基准的空白，推动了基于事件的分解算法从理论走向实证，至今仍是该领域引用最广泛的公开数据集之一。

当前挑战

BLUED数据集所解决的领域挑战在于事件级NILM算法的开发与评估，其难点在于从高噪声的聚合信号中精准检测并分类电器状态转变，这要求算法对微小功率变化（如30瓦阈值）和短暂事件（持续5秒以上）具备高度敏感性。在构建过程中，研究人员面临多重困难：一是数据同步，需通过目视检查手动对齐聚合信号与插件级传感器的独立时间戳，耗时且易引入误差；二是标注覆盖不全，约5%的检测事件来源未知，且约25%的电器在采集周内未触发任何可标注事件，导致标签集存在固有缺失；三是硬件限制，电流互感器的300Hz截止频率限制了高次谐波分析，而单户住宅的一周数据又无法涵盖季节性电器行为，削弱了数据集的泛化性。

常用场景

经典使用场景

BLUED数据集是事件驱动型非侵入式负荷监测（NILM）研究的标杆性资源，其核心应用场景聚焦于开发和验证基于事件检测的负荷分解算法。该数据集以12 kHz的高采样率记录单户住宅的电压与电流波形，并精心标注了2,482个电器状态切换事件（如开关机），为事件检测与分类任务提供了精确的基准真值。研究者可借此评估算法在识别电器启停、多电器协同运行时的鲁棒性与准确性，从而推动NILM领域从粗粒度功率分解向细粒度事件感知的范式演进。

实际应用

在实际应用中，BLUED数据集赋能了智能电网与家庭能源管理系统的智能化升级。基于其标注事件训练的算法可实时识别电灯、冰箱等关键电器的启停行为，进而支撑家庭用电行为画像构建、异常能耗预警（如老化电器故障诊断）以及动态需求响应调度。此外，该数据集还被用于开发非侵入式老人活动监测系统，通过分析微波炉、电视等电器的使用模式推断居住者的日常活动规律，为智慧养老场景提供低成本、隐私友好的技术方案。

衍生相关工作

BLUED数据集催生了一系列具有影响力的衍生工作，包括但不限于：基于深度学习的序列到点（Seq2Point）负荷分解模型（如张等人提出的卷积神经网络架构）利用其事件标签优化事件边界检测；混合模型将隐马尔可夫链与高频特征融合，显著提升了多状态电器的分解精度；迁移学习研究则借助BLUED的标注一致性，验证了跨场景泛化能力。此外，该数据集还启发了REDD、UK-DALE等后续数据集在事件标注协议上的规范化设计，成为NILM领域方法迭代与基准测试的基石。