Controlled On/Off Loads Library (COOLL)

Controlled On/Off Loads Library (COOLL) 是由法国奥尔良大学PRISME实验室创建的高采样率电气信号数据集，用于家电识别。该数据集包含42种不同类型的家电，共计840条电流和电压测量数据，采样频率为100 kHz。数据集的创建过程中，每种家电均单独测量，通过精确控制开关机时间来捕捉启动瞬态电流。COOLL数据集主要应用于非侵入式负载监测（NILM）领域，旨在通过分析单个家电的能耗模式来提高能效和用户对能耗行为的认识。The Controlled On/Off Loads Library (COOLL) is a high-sampling-rate electrical signal dataset developed by the PRISME Laboratory of the University of Orléans, France, for household appliance recognition. This dataset includes 42 distinct types of household appliances, with a total of 840 current and voltage measurement records collected at a sampling rate of 100 kHz. During the dataset's creation, each appliance was measured individually, and startup transient currents were captured by precisely controlling its on/off timing. The COOLL dataset is primarily applied in the field of Non-Intrusive Load Monitoring (NILM), aiming to improve energy efficiency and users' awareness of energy consumption behaviors by analyzing the energy consumption patterns of individual household appliances.

搜集汇总

数据集介绍

构建方式

在非侵入式负荷监测领域，高采样率电气信号数据集对于研究电器启动瞬态特性至关重要。COOLL数据集构建于2016年6月，在法国奥尔良大学PRISME实验室内，针对42台可控电器进行测量。每台电器均以100 kHz采样频率采集电流与电压信号，通过电子控制装置精确调节电器启动时刻相对于电网电压过零点的延迟时间，覆盖0至19毫秒的完整工频周期。每次测量持续6秒，包含0.5秒预触发与1秒后停止时段，共计生成840组电流与电压波形数据，并配套包含电器元数据与测量配置的标头文件。

使用方法

该数据集主要应用于非侵入式负荷监测算法开发与电器特征分析领域。研究人员可利用其高采样率波形数据，提取电器启动瞬态的时频域特征，构建基于机器学习的电器识别模型。数据集提供的元数据与配置信息支持对测量条件的复现与验证，而多延迟启动数据则可用于研究电网相位对电器暂态行为的影响。此外，COOLL的独立电器测量结构适用于监督学习算法的训练，未来可通过扩展多电器并行场景，进一步支持负荷分解算法的性能评估与优化。

背景与挑战

背景概述

非侵入式负荷监测（NILM）作为能源分解的关键技术，旨在通过分析总电能消耗数据来识别个体电器的运行状态，从而提升能源管理的精细化水平。COOLL（受控开关负荷库）数据集由法国奥尔良大学PRISME实验室于2016年6月创建，核心研究团队包括Thomas Picon、Mohamed Nait Meziane等学者。该数据集聚焦于高采样率（100 kHz）的电器开关瞬态电流与电压信号，涵盖了12类共42种可控电器，每台电器提供20次不同开关时刻的测量数据。COOLL的发布弥补了现有高频NILM数据集中缺乏受控开关瞬态信号的不足，为电器特征提取与识别算法的开发提供了重要基础，推动了高频非侵入式负荷监测领域的研究进展。

当前挑战

COOLL数据集致力于解决高频非侵入式负荷监测中的电器识别问题，其核心挑战在于准确捕捉电器开关瞬态波形的细微变化，这些变化受电网电压相位等时序因素影响显著，增加了特征建模的复杂度。在数据集构建过程中，研究人员面临多重困难：一是需要精确控制电器的开关时刻，以覆盖完整的电压周期，这对测量系统的同步性与稳定性提出了极高要求；二是数据采集仅限于可控电器，难以涵盖现实环境中各类不可控负载，限制了数据集的泛化能力；三是当前数据缺乏多电器同时运行的聚合场景，无法充分模拟真实用电环境，制约了NILM算法在实际应用中的测试与验证。

常用场景

经典使用场景

在非侵入式负载监测领域，COOLL数据集因其高采样频率和可控的开关瞬态信号而成为经典工具。该数据集主要用于训练和验证高频负载识别算法，通过捕捉电器在开启瞬间的电流和电压波形变化，为研究人员提供了丰富的瞬态特征数据。这些数据使得算法能够精确区分不同类型的电器，特别是在考虑开关时间点对波形影响的情况下，为负载分解研究奠定了坚实基础。

解决学术问题

COOLL数据集解决了高频非侵入式负载监测中缺乏高质量个体电器数据的难题。传统数据集多集中于低频或整屋测量，难以捕捉电器开启瞬态的细微特征。该数据集通过提供42种电器在100 kHz采样率下的可控开关信号，使研究人员能够深入分析瞬态波形随开关时间点的变化规律，从而推动负载特征提取、模式识别及算法鲁棒性等核心学术问题的研究，弥补了该领域的数据空白。

实际应用

在实际应用中，COOLL数据集为智能电网和家庭能源管理系统的开发提供了关键支持。基于该数据集训练的负载识别模型可部署于智能电表或监控设备中，实现实时电器能耗分解，帮助用户优化用电行为并检测异常能耗。此外，该数据集的高频特征有助于识别具有相似功率但不同瞬态特性的电器，提升能源审计的准确性，为节能减排和需求响应策略提供数据驱动的基础。

数据集最近研究

最新研究方向

在非侵入式负荷监测领域，COOLL数据集凭借其100kHz高采样频率和可控开关瞬态特性，正推动着前沿研究向精细化负荷识别方向发展。该数据集通过精确控制电器开启时刻，捕捉了不同相位角下的启动电流波形变化，为研究电器启动瞬态特征的稳定性与差异性提供了独特数据基础。当前研究热点集中于利用深度学习模型，如卷积神经网络和循环神经网络，从高维电流信号中提取鲁棒性特征，以提升在复杂用电场景下的电器分类准确率。同时，结合边缘计算与物联网技术，COOLL数据集支持了轻量化负荷监测算法的开发，促进了实时能源管理系统的实用化进程。这些进展不仅深化了对电器能耗行为的理解，也为构建智能电网和实现用户侧能效优化提供了关键数据支撑。

相关研究论文

• COOLL: Controlled On/Off Loads Library, a Public Dataset of High-Sampled Electrical Signals for Appliance Identification

  奥尔良大学PRISME实验室 · 2016年