利用双向状态空间模型的自适应窗口优化方法进行多状态电器的详细拆分分析

《Energy and Buildings》：Adaptive window optimization with bidirectional state space models for multi-state appliance disaggregation

非侵入式负载监控（NILM）通过智能电表数据分解设备能耗，但现有方法难以兼顾长期时序建模与计算效率，且固定窗口处理多状态设备存在误差。本文提出EnergyBiMA-TS两阶段框架：首先，CAWO自适应窗口优化根据设备运行特征动态调整分割窗口，解决固定窗口边界不匹配问题；其次，融合双向Mamba模型捕捉长程依赖、多头注意力机制增强局部特征提取，以及多尺度深度可分离卷积提升计算效率，实现低复杂度高精度分解。实验表明，该方法在UK-DALE、REFIT、REDD等数据集上优于基线模型，且泛化能力显著，适用于实际建筑能效管理。

　　

作者：蒋磊|肖张勋|郑宇|金杰西·S.|何欣

中国开封市，河南智能网络理论与关键技术国际联合实验室，475000

摘要

非侵入式负载监测（NILM）是智能建筑中实现精细能源管理和需求响应的关键技术。然而，现有的深度学习方法在同时建模长期时间依赖性和保持计算效率方面存在困难，并且由于使用固定长度的窗口，往往无法准确区分多状态电器的能耗。为了解决这些问题，本文提出了一种新的两阶段分解框架EnergyBiMA-TS。首先，引入了一种基于上下文的窗口优化器（CAWO），根据电器的运行特性动态调整分割窗口，从而避免了固定窗口方法固有的边界不匹配问题。其次，通过集成双向状态空间模型（Bi-Mamba）、多头注意力机制（MHA）和多尺度深度可分离卷积（Multi-DSConv），设计了一个混合特征提取网络，使得模型能够在线性计算复杂度下捕捉到长期时间依赖性和局部多尺度功率特征。在三个公开数据集（UK-DALE、REFIT和REDD）上的广泛实验表明，EnergyBiMA-TS在回归和事件检测指标上均显著优于现有的NILM方法。此外，该框架具有很强的跨数据集泛化能力，显示出其在实际建筑能源管理和碳减排应用中的潜在价值。

引言

全球气候挑战的加剧以及传统能源资源的有限性，使得能源效率和减排成为全球电力系统的关键优先事项[1]。主要来自化石能源消耗的温室气体排放威胁着现代电力基础设施的可持续性。为此，许多国家承诺实现严格的脱碳目标，其中建筑行业尤为受到关注，因为建筑行业约占全球能源消耗的40%[2]、[3]。

要在建筑领域实现深度脱碳，不仅需要部署节能技术，还需要具备观察、分析和优化电器级能耗的能力[4]。这需要详细了解负载曲线——随着智能电表和先进计量基础设施（AMI）的普及，这些能力变得越来越可行。然而，智能电表通常只能测量总体家庭能耗，无法观察到特定电器的用电模式。

为了解决这一差距，非侵入式负载监测（NILM）应运而生，该方法由Hart于1992年首次提出[5]，它是一种基于数据的方法，仅使用总体功率读数即可将家庭电力消耗分解为电器级别的能耗曲线。与侵入式分表系统相比，NILM具有可扩展性和低成本优势，符合智能电表日益广泛部署的趋势。它促进了包括需求侧分析[6]、用户反馈[7]和与电网运营集成[8]等应用的发展。

NILM方法从早期的机器学习技术（如支持向量机[SVMs] [9]和隐马尔可夫模型[HMMs] [10]）发展到深度神经网络（DNNs），特别是卷积神经网络（CNNs）[11]、[12]和长短期记忆网络（LSTM）[13]、[14]，这些技术因能够模拟非线性和时间动态而成为当前领域的主流。NILMTK[15]的发布增强了NILM社区内的基准测试和可重复性。

尽管取得了进展，但仍存在重大挑战。基于DNN的模型在处理洗衣机和洗碗机等具有不规则功率模式和异步周期的多状态电器时常常遇到困难。为了改进时间建模，人们尝试了序列到点的CNNs[16]、时间卷积网络（TCNs）[17]、[18]和Transformer[19]、[20]、[21]等方法。

TCNs通过残差连接和膨胀卷积等机制有效捕捉了长期时间依赖性，但需要较大的模型深度才能充分捕捉这些特征。虽然Transformer通过注意力机制提供了先进的性能，但其二次方的计算复杂性和高数据需求限制了其在边缘设备上的应用。

与此同时，状态空间模型（SSMs）的最新进展为长序列建模提供了轻量级和可扩展的替代方案。特别是Mamba[22]，通过选择性状态空间参数化和并行计算实现了线性时间序列处理，大大降低了计算开销。尽管Mamba在语言[23]、[24]、视觉[25]和音频[26]领域表现出色，但其在NILM中的应用尚未得到充分关注。据我们所知，本工作是首批将Mamba应用于NILM的研究之一，利用其在智能电网和嵌入式部署中的计算限制下的高效长序列建模能力。

在此基础上，Jamba[23]和Zamba[24]等混合架构结合了Mamba和Transformer组件，据报道其性能优于单独使用这两种技术。受这些混合架构的启发，我们提出了EnergyBiMA，这是一种结合双向Mamba层和注意力模块的混合分解框架。该设计旨在保持较高的分解精度同时降低计算成本。此外，通过利用Mamba的线性计算复杂度，我们的自适应窗口策略进一步提高了效率和鲁棒性，从而实现了整体性能的提升。

NILM中的另一个长期挑战是准确分割具有复杂多状态行为的电器。固定长度的滑动窗口无法捕捉这些电器的变化运行模式。先前的研究[13]表明，增大窗口尺寸会降低短时电器的分解精度，而过短的窗口则无法覆盖完整的激活过程。一些非固定窗口方法[27]虽然有所改进，但通常依赖于手动调整和干净的标签数据，这在实际应用中降低了鲁棒性。在[28]中，采用网格搜索策略为每种电器确定了最佳窗口长度（范围从49到599，步长为50）。尽管有效，但这种方法由于搜索过程繁琐而计算成本较高。另外，[29]表明可以从能耗趋势中推断出电器的状态转换和使用周期。受这些研究的启发，我们提出了一种基于上下文的窗口优化（CAWO）方法，通过比对预测激活模式和真实激活模式来确定最佳分割边界。本工作做出了三项关键贡献：

1. CAWO：我们提出了一种半监督的窗口优化算法，通过分析模型预测和真实激活模式来自适应地分割输入序列。

2. EnergyBiMA：我们提出了第一个结合双向Mamba块和注意力机制的NILM模型，实现了高精度和低计算成本。

3. 两阶段训练框架（EnergyBiMA-TS）：我们设计了一个两阶段过程，动态调整每个电器的数据分割和模型架构，从而实现了对不同复杂度电器的更优分解。

部分摘录

初步工作

本节正式阐述了文章中提出的NILM问题，并进一步解释了多头注意力（MHA）机制和状态空间模型（SSMs）技术。

提出的NILM方法

NILM的核心挑战在于模拟电气设备的固有随机性和不规则激活模式，尤其是那些具有多状态运行特性的设备。固定窗口预测模型往往无法捕捉这些行为，导致设备级别的能耗分解不准确。为了解决这个问题，我们提出了EnergyBiMA-TS，这是一种两阶段的自适应能耗分解框架，如图2所示。

在第一阶段，我们引入了一种基于上下文的窗口...

实验与结果

本节描述了所提出的EnergyBiMA-TS系统的实验配置和评估方法。首先介绍了数据集和准备方法，然后详细说明了电器选择标准、安装细节以及评估指标。最后，我们评估了EnergyBiMA-TS与现有方法的效果，并进行了消融研究以评估各个模块的影响。

结论与未来工作

本研究提出了EnergyBiMA-TS，这是一种两阶段的NILM架构，旨在改善在不同使用模式和运行复杂性下的电器级能耗分解。该框架结合了CAWO进行电器适应性分割，以及一个混合型的EnergyBiMA核心，该核心集成了双向状态空间序列建模、轻量级的基于注意力的重加权机制和多尺度卷积特征增强。通过将输入序列与电器运行状态对齐...

CRediT作者贡献声明

蒋磊：撰写——审稿与编辑、原始草稿撰写、软件开发、方法论设计、概念化。 肖张勋：原始草稿撰写、可视化设计、软件开发、数据整理。 郑宇：审稿与编辑、验证工作、监督职责、方法论设计。 金杰西·S.：审稿与编辑、方法论设计。 何欣：审稿与编辑、项目管理工作、资金筹措。

利益冲突声明

作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。