结合多尺度多标签分类的卷积门控功率预测方法在非侵入式负载监测中的应用

《IEEE Transactions on Instrumentation and Measurement》：Convolutional Gated Power Prediction Combined With Multiscale Multilabel Classification for Nonintrusive Load Monitoring

提出MEPCG模型与多尺度多标签分类模型（MMCM）结合的非侵入式负荷监测算法，可同时识别多设备运行状态并预测未来负荷。实验表明MEPCG使AMPds2数据集的预测误差降低14.12%，MMCM的F1分数分别比最优模型高10.18%、14.85%、16.59%，且参数量减少1/54，训练时间缩短59.03%。

　　

摘要：

负载监测是减少建筑物能耗的有效方法。然而，当多个具有不同负载特性的设备同时运行时，如何识别这些设备的状态仍然是非侵入式负载监测（NILM）算法领域的一个相对较新的研究课题。此外，大规模的监测数据需要考虑设备的存储容量，这使得开发轻量级模型成为NILM算法面临的重要挑战。本研究提出了一种NILM算法，该算法通过多级提取并行卷积门控（MEPCG）负载预测模型结合多尺度多标签分类模型（MMCM），从总功率序列中学习每个电器的负载特性。所提出的NILM算法能够同时捕捉具有多种负载特性的多个电器的运行状态，并提前预测这些电器在未来的运行状态。本研究在三个低频公共数据集上验证了该算法的性能。在AMPds2数据集上的结果显示，与其它模型相比，MEPCG算法将功率序列预测的均方根误差降低了14.12%。MMCM在AMPds2数据集、REFIT数据集和REDD数据集上的F1分数分别比最优多标签分类模型高出10.18%、14.85%和16.59%。所提出的MMCM模型的参数数量仅为最优模型的1/54，且训练时间比其他分类模型减少了59.03%。

引言

由于住宅中不同人群的用电行为各不相同，不同消费者的电力需求也存在显著差异。因此，电力公司必须投入大量资源来提供备用发电以应对高峰时段的电力需求[1]。然而，在电力需求较低的情况下，大规模的备用发电会导致严重的资源浪费[2]。为了解决这一问题，全球范围内出现了智能能源管理技术。智能能源管理通过监控、控制、预测、优化和管理能源系统，并结合与协调信息和能源，来最大化系统的能源效率[3]。随着智能电表和联网电器的普及，非侵入式负载监测技术也应运而生[4]。