具有多种工作状态的家用电器中的负载分解：比较技术

《IEEE Access》：Load Disaggregation in Residential Appliances with Multiple States: Comparative Techniques

　　

摘要：

本研究对比分析了应用于具有多种运行状态的家用电器的负载分解技术，旨在提升非侵入式负载监测（NILM）的能力。研究使用DATAPORT和UK-DALE数据集，对三种具有多状态消费模式的电器（冰箱、洗衣机、空调）在四种实验场景下进行了评估：家庭内部、家庭之间、多户家庭以及多数据集。该方法采用Torch-NILM框架来实现并比较了五种深度学习架构：卷积神经网络（CNN）、长短期记忆网络（LSTM）、序列到点（Seq2Point）、去噪自编码器（DAE）和门控循环单元（GRU）。结果表明，在家庭内部场景中，不同技术具有不同的适用性：Seq2Point在冰箱负载分解方面表现最佳（F1分数：0.92，MAE：18.0W，RMSE：32.0W）；GRU在洗衣机方面表现优异（F1分数：0.76，MAE：22.0W，RMSE：90.0W）；CNN在空调方面的性能更优（F1分数：0.85，MAE：24.0W，RMSE：80.0W）。跨家庭场景下，性能下降15-20%，其中GRU的鲁棒性优于CNN和Seq2Point（冰箱：0.78，洗衣机：0.68）。多户家庭训练通过隐式正则化恢复了8-10%的性能损失。多数据集评估（DATAPORT到UK-DALE）显示性能大幅下降（40-50%），其中GRU的最高F1分数为0.55，这归因于采样率不匹配（1秒对比6秒）、地区电力差异（120V对比230V，60Hz对比50Hz）以及文化使用习惯的差异。这些发现量化了当前NILM架构在跨领域泛化方面的根本局限性，并为基于电器特性和部署约束的技术选择提供了实证基准。