《Knowledge-Based Systems》：CSDFusion: Continuous Knowledge Trajectories for Task-Driven Infrared and Visible Image Fusion
编辑推荐：
本研究提出一种基于积分核主成分分析（IKPCA）和多标签多学习器集成策略的非侵入式负荷监测新方法，通过特征重构和集成优化解决传统方法特征冗余和模型性能不足问题，在公共数据集上验证其宏F1分数达0.9892，显著优于现有先进模型。
余成明|刘慧|余成清|严广西|曹子杰
中南大学交通与运输工程学院，教育部轨道交通安全重点实验室，人工智能与机器人研究所，中国湖南长沙410075
摘要
建筑物的能耗信息在智能电网建设和进一步节能中具有重要意义。非侵入式负载监测（NILM）是目前获取建筑物详细能耗信息的重要方法。然而，传统NILM方法的有效性和准确性仍有待进一步提高。本文提出了一种基于积分核主成分分析（IKPCA）和多标签多学习器集成策略的新型负载识别模型，该模型可以避免传统NILM的缺点并提升模型性能。IKPCA方法利用积分核函数设计，能够学习特征之间的非线性关系，去除无用的特征信息，并建立便于分类器研究的新特征结构。所提出的多标签集成模型结合了异构的多标签学习器和差异化的平衡训练集，通过多目标灰狼优化来选择和加权基础模型，从而获得满意的整体性能。此外，还设计了一种多标签数据平衡方法，对模型学习有很大帮助。在REDD公共数据集上进行了多项对比实验，该模型的宏观F1分数和微观F1分数分别达到了0.9818和0.9892，超过了现有的先进模型。
引言
智能电网建设因其对节能和电力分配的重要作用而受到大多数政府的关注。例如，欧洲近80%的地区已经部署了智能电表[1]。获取设备级别的能耗信息是智能电网建设和进一步节能的基础[2]。使用设备级别的能耗反馈信息不仅鼓励用户合理减少电力消耗，还为电力供应商提供了优化能源分配的基本需求信息[3]。非侵入式负载监测（NILM）是获取设备级别能耗信息的重要方法。与需要为每个设备部署传感器的侵入式方法不同，NILM方法仅通过主电路电流或功率来分析设备状态和能耗数据，这种方法更加便捷和经济[4]。
为了解决NILM问题，主要有两种方法。一种是基于事件的方法，包括事件检测、叠加特征提取、瞬态负载识别和开关事件匹配[5]。然而，这种方法受到电气关闭识别和开关事件匹配的限制[3]。即使只有少数事件预测错误，开关事件匹配也容易变得混乱。另一种方法是稳态负载分解，它在设备稳定运行期间分解主电路信号。这种方法不需要事件检测，避免了开关事件匹配引起的误差。负载分解可以通过信号分离、设备组合优化和多标签分类来实现[6]。
本文研究了基于多标签分类的NILM方法。与其他方法不同，多标签负载识别的训练数据是带有设备标签的主电路电流或功率信号，不需要设备的独立运行数据。然而，NILM的多标签方法仍需改进。一方面，特征尚未被充分挖掘，需要设计合适的特征结构；另一方面，大多数NILM的多标签方法都是单一模型，对某些设备有效，但对某些多状态设备不够准确。从这两个方面来看，我们的工作通过利用新的IKPCA非线性特征重构方法和提出的新型多标签集成策略以及数据平衡，提高了多标签负载识别的有效性。
相关工作和创新
为了提高NILM方法的性能，本研究试图加强特征研究和负载识别算法改进方面的工作。
一些研究人员对NILM特征进行了广泛探索。无功功率和有功功率[7]是最初在NILM中使用的特征，至今仍被大多数方法采用。王等人研究了电动汽车的低采样数据特征，这些特征在其他研究中很少被研究[8]。
特征重构
在分类领域，特别是对于多标签学习，适当且独特的特征是提高识别准确性的关键。与其他分类问题不同，在非侵入式负载识别中，大多数特征是从设备的电流或功率信号生成的。因此，某些特征可能存在强相关性，导致特征冗余。此外，传统物理量特征中包含的信息...
提出的多标签负载识别模型
在获得有效的重构特征后，构建准确的负载识别模型也非常重要。如图2所示，所提出的集成多标签负载识别模型可以分为四个部分：不平衡数据处理（部分A）、平衡数据集生成的改进交叉验证（部分B）、基础模型训练（部分C）和集成策略（部分D）。在部分A中，提取了不平衡标签的样本，并且由于每个样本都已被标记...
结果与讨论
为了更客观和中立地评估所提出的模型，本研究进行了多项对比实验。比较分析包括单模型与集成方法的比较、特征的比较以及先进模型的比较。此外，还验证了模型在平衡数据和不平衡数据上的有效性，以评估数据平衡方法的效果。另外，还引入了评估指标和新的多标签混淆矩阵。
结论与未来工作
非侵入式负载监测是建筑节能和智能电网建设的重要组成部分。本文提出了一种基于多标签分类的新NILM方法，这是一种仅使用带有多个设备标签的主电源数据来进行负载识别的方法。其内容可概括为以下几点：
(a) 提出了一种新的积分核PCA特征重构方法，用于去除无用特征并保留有效特征信息。
CRediT作者贡献声明
余成明：概念化、软件开发、撰写——审阅与编辑、调查、可视化、方法论、撰写——初稿。刘慧：资金获取、监督、调查、验证、概念化、项目管理。余成清：调查、数据整理、撰写——审阅与编辑、形式分析。严广西：方法论、撰写——审阅与编辑。曹子杰：数据整理、软件开发、撰写——审阅与编辑。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
致谢
本研究得到了国家自然科学基金 [项目编号：52072412]和长沙科技项目 [项目编号：KQ1707017]的支持。
