通过改进的变分自编码器和孪生网络实现低频居民用电负荷分解

《CSEE Journal of Power and Energy Systems》：Low Frequency Residential Load Disaggregation via Improved Variational Auto-Encoder and Siamese Network

非侵入式负荷监测（NILM）通过分析家庭总功率信号推断各电器能耗，但传统方法在复杂环境中易受干扰。本文提出一种混合深度学习模型，包括两阶段：首先使用改进的LSTM-VAE进行初步解耦，结合LSTM捕捉时序特征和VAE生成潜在变量提升精度；随后通过Siamese 1D-CNN网络的后处理技术，利用对比学习消除其他高功耗电器干扰，动态调整激活段阈值。实验表明，该模型在REDD和UK-DALE数据集上相比现有方法（CNN-LSTM、s2q-CNN、SGN）平均MAE降低13.67%和8.65%，F1分数提升显著，且具有跨数据集的泛化能力和噪声鲁棒性。

　　非侵入式负载监测（Non-Intrusive Load Monitoring, NILM）是一种能够从家庭整体的电力消耗信号中推断出每个电器的用电特征的方法，无需额外安装子电表即可实现。这种技术在家庭能源管理、节能优化和用电行为分析等领域具有重要应用价值。然而，传统能量解耦方法在复杂环境下的性能往往会受到影响，尤其是在其他高功率电器同时运行的情况下，容易产生误判，导致解耦结果不准确。此外，由于家庭用电模式的多样性和测量误差的存在，现有方法在实际应用中也面临诸多挑战。为了解决这些问题，本文提出了一种基于深度学习的混合模型，该模型包含两个阶段：首先使用改进的变分自编码器（Variational Autoencoder, VAE）结构进行初步的能量解耦，其次采用基于孪生一维卷积神经网络（Siamese One-Dimensional Convolutional Neural Network, S-1D-CNN）的后处理技术来去除错误预测的电器运行段。实验结果表明，该模型在两个公开数据集上均表现出显著的预测准确性提升，同时验证了其在不同工作条件下的可迁移性和稳定性。

在实际的智能电网和家庭能源管理中，智能电表已被广泛部署，为研究人员提供了大量关于家庭用电的数据。然而，这些数据通常是聚合后的，无法直接反映单个电器的用电行为。因此，研究者们提出了NILM技术，试图从整体的用电数据中识别出各个电器的用电特征。传统的解耦方法如隐马尔可夫模型（Hidden Markov Model, HMM）和聚类算法（如K-means和模糊聚类分析）在处理这种问题时存在一定的局限性，例如计算复杂度高、难以准确解耦电器的功率值等。相比之下，基于监督学习的深度神经网络（Deep Neural Networks, DNN）在解耦任务中表现更优，但依然面临一些挑战，例如对高功率电器的误判和对数据多样性的适应性不足。

为了提升解耦的准确性，本文提出了一种新的深度学习模型。该模型首先引入了一个改进的VAE结构，将传统的编码器和解码器替换为长短期记忆网络（Long Short-Term Memory, LSTM），从而能够更好地提取时间序列特征。接着，通过S-1D-CNN模型进行后处理，以去除初步解耦中可能存在的错误预测段。这种混合模型不仅提升了解耦的精度，还能够适应不同的用电模式和环境条件，具有较强的泛化能力。

在模型设计方面，改进的VAE结构在编码和解码过程中引入了LSTM网络，使得模型能够更好地捕捉电力信号中的时间依赖性。LSTM是一种特殊的循环神经网络（Recurrent Neural Network, RNN），其核心优势在于能够处理长序列数据，避免了传统RNN在处理时间序列时可能产生的信息丢失问题。在初步解耦阶段，该模型能够对每个电器的用电模式进行建模，生成与真实数据较为接近的预测结果。而S-1D-CNN作为后处理技术，则通过对比预测结果与已知的典型用电模式，识别并去除与目标电器不相关的运行段，从而进一步提升解耦的准确性。

实验部分采用了两个公开数据集，分别是REDD和UK-DALE。REDD数据集包含了美国六户家庭的电力数据，其中包含了家庭整体的用电情况以及各个电器的用电记录。UK-DALE数据集则涵盖了英国五户家庭的用电情况，时间跨度较长，具有更高的数据多样性。通过在这些数据集上的测试，模型能够准确识别出不同电器的用电模式，包括冰箱、洗碗机、微波炉、洗衣机、洗碗机等。实验结果显示，模型在解耦任务中的预测误差显著低于其他方法，特别是在微波炉的解耦任务中，误差率降低了约50%。这表明，该模型在处理具有高功率但短工作时间的电器时具有显著优势。

在后处理阶段，S-1D-CNN被用于去除初步解耦中可能存在的错误预测段。通过对比预测结果与已知的典型用电模式，模型能够判断哪些段属于目标电器，哪些属于其他高功率电器的干扰。这种技术能够有效减少误判率，提高解耦的准确性。同时，由于S-1D-CNN采用了孪生网络结构，即两个子网络共享参数，且通过对比损失函数进行训练，因此在数据量有限的情况下依然能够实现较高的识别效果。

为了验证模型的可迁移性，本文进行了跨数据集的测试。例如，将REDD数据集的20%作为训练集，而将UK-DALE数据集中的House 2作为测试集。实验结果显示，模型在不同数据集上的表现依然较为稳定，能够准确识别出目标电器的用电状态，仅在某些特定情况下，如微波炉的解耦任务中，由于其用电模式较为特殊，需要引入更多测试数据才能进一步提升解耦的准确性。这表明，模型在处理具有明显用电模式的电器时具有较强的可迁移性，而对于用电模式不明确的电器，可以通过引入少量来自同一家庭的测试数据来提升其识别效果。

此外，模型的稳定性也是本文关注的重点。由于实际的电力数据中不可避免地存在噪声，本文通过向原始数据中添加不同级别的噪声，测试了模型在噪声干扰下的表现。实验结果显示，模型在噪声干扰下依然能够保持较高的识别准确率，特别是在冰箱、洗碗机和微波炉的解耦任务中，其识别准确率下降幅度较小。这表明，模型具有较强的鲁棒性，能够在噪声干扰下依然保持较高的解耦性能。

总体而言，本文提出的混合模型在提高NILM任务的解耦准确性方面取得了显著进展。通过结合LSTM-VAE和S-1D-CNN两种深度学习方法，模型不仅能够准确识别出各个电器的用电模式，还能够有效去除误判的运行段，提升解耦结果的可靠性。同时，模型在不同数据集和噪声干扰下的表现也证明了其较强的泛化能力和稳定性。未来，研究者们可以进一步探索如何将该模型与其他方法结合，以提升其在复杂环境下的适应性。此外，引入更多的外部因素，如电器的使用时间、与其他电器的关联性等，也可能是提高解耦准确性的有效途径。