一种用于非侵入式负荷分解的改进时域卷积网络

非侵入式负载监测(Non-Intrusive Load Monitoring)是通过监测用户电表的总用电量数据并应用负载分解算法，以获取各个电器实时用电量数据。然而，非侵入式负载分解作为一种单通道盲源分离问题，由于其固有的无法识别性导致实现分解困难。深度学习逐渐成为解决NILM问题的主流方法，得益于可用的数据、计算能力和深度网络训练算法模型。其中，序列到点(seq2point)负荷分解模型(Zhang)实现了最先进的预测效果。利用TCN网络架构，使用双向扩张卷积结构代替因果卷积结构，扩大了网络的感受野，并使用非线性激活函数GELU和层标准化(LN)方法，通过残差连接的思想搭建了时域卷积网络模型。最后，在公共数据集UK-DALE上对算法进行了测试，并选择平均绝对误差和F-score作为主要评价指标来评估算法的性能。通过对比两种算法在相同周期数据集上的分解结果，发现基于TCN改进的模型，显著提高了负荷分解的性能指标。

传统的侵入式负荷监测方法需要在各用电器上安装传感器，直接获取电器的功耗并实时采集数据， 其优点是监测可靠准确，能够获得更完整的计量数据。缺点是需要在每一个用电设备上安装传感器，导致了安装和维护成本较高，并且侵犯了用户隐私[1]。非侵入式负荷监测技术不需要对每台设备安装传感器，只需要在用电入口处安装一个智能电表，采集并分析入口处总负载功率信息，就可以获取单个设备的开关和工作状态。

麻省理工学院的Hart 教授[2]在上世纪80 年代中期提出了非侵入式负荷监测(NILM)的基本数学模型和处理框架，他将总负载的有功和无功的功率作为负荷的特征，通过组合优化算法(Combinational Opti-mization)，将其映射在二维平面上，将各用电器划分不同的运行状态，每个状态对应的不同的功耗值， 从而估算出每个用电器的运行特性。Inagaki 等[3]提出一种基于整数二次规划的方法用于负荷识别，利用设备运行时电流变化来识别开关状态类和多状态变化类，但对于具有相同电流波形变化的电器，存在误分类现象。Harell 等[4]引入了受语音分解领域WaveNet 启发而改进的模型。该模型通过因果卷积取代传统卷积，以应对负荷分解的挑战。然而，因果卷积为了达到较大的感受野，通常需要增加网络的深度， 这会导致计算资源的显著增加。在处理输入序列时，若出现设备运行周期的数据不完整，可能会导致特征信息的缺失，从而影响负荷分解的性能。Zhang 等[5]通过提出序列到点(sequence-to-point)映射方式解