基于时序卷积自编码器(Temporal Convolutional Auto-Encoder, TCAE)的家用非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)方法研究

《CSEE Journal of Power and Energy Systems》：Temporal Convolutional Auto-Encoder for Residential Non-Intrusive Load Monitoring

　　

摘要：非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）通过对入户电力线路采集的数据进行分解，获得各家电的用电情况，可帮助住户降低电费支出并辅助系统运营商实施需求侧响应（Demand-Side Response, DSR）。尽管电力测量技术不断进步，处理家庭功率数据仍面临重大挑战——现有方法难以准确分解运行时间短的电器，且在负荷曲线回归任务中存在较大误差。为解决上述问题，研究人员提出一种新颖的时间-功率混合（Time-Power Hybrid, TPH）算法以提升NILM模型训练的数据集预处理精度；同时引入时序卷积自编码器（Temporal Convolutional Auto-Encoder, TCAE）模型以改善分解性能。基于公开数据集（REDD），将TPH与TCAE同其他代表性方法进行对比评估。结果表明，所提TPH算法在负荷启停片段提取方面表现更优；TCAE模型在各电器的曲线回归与负荷ON/OFF检测中均具显著优势，尤其对短时运行电器可达99.9%的检测精确率（Precision），优于其他模型；此外TCAE较现有模型所需计算存储空间更小。

论文解读：《Temporal Convolutional Auto-Encoder for Residential Non-Intrusive Load Monitoring》发表于《CSEE Journal of Power and Energy Systems》

一、研究背景与意义

居民用电占总用电量35%以上，向用户提供家电粒度的用电信息可促使用户节能最高达14%，同时也支撑配电网需求侧响应。非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）仅依托入户总表采集的有功功率等数据，通过盲源分离思想分解各家电功率轨迹，相较侵入式监测更具推广价值。传统基于事件的NILM方法（如隐马尔可夫模型Hidden Markov Model, HMM）虽对ON/OFF检测精度较高，但忽略负荷时域连续特征，对长时运行及多状态电器效果不佳，且无精确功率曲线回归能力。现有基于深度学习的序列到序列（Seq2Seq）方法如卷积神经网络（Convolutional Neural Network, CNN）、门控循环单元（Gated Recurrent Unit, GRU）、时序卷积网络（Temporal Convolutional Network, TCN）虽能兼顾分类与回归，但仍存在两方面瓶颈：（1）对短时运行电器（如微波炉）启停检测召回率低；（2）负荷功率曲线回归的归一化分解误差（Normalized Disaggregation Error, NDE）与归一化分配功率误差（Normalized Error in Assigned Power, NEP）偏大。其根源在于普通一维卷积特征提取能力不足，膨胀因果卷积（Dilated Causal Convolution, DCC）虽有大体感受野却弱于非线性特征压缩。为此，研究人员结合自编码器（Auto-Encoder, AE）强特征表达能力与DCC的时序建模优势，提出TPH数据预处理算法与TCAE分解模型，旨在同步提升ON/OFF检测与功率曲线回归精度，并验证其在REDD公开数据集上的有效性。

二、主要关键技术方法

研究人员选用REDD（Reference Energy Disaggregation Data Set）公开数据集中微波炉（Microwave）、冰箱（Refrigerator）、洗碗机（Dishwasher）、洗衣机（Washer Dryer）四类具不同运行时长与状态数的电器。数据预处理阶段：缺失少于5点采用拉格朗日插值，超5点视为中断并切片重组；启动波动通过K-means聚类获取启动功率质心并做限幅；总表与家电表统一降采样至1/3 Hz。提出时间-功率混合（Time-Power Hybrid, TPH）阈值算法，设定启动功率阈值P_s、运行功率阈值P_r、前后扩展时间T_f/T_b及最小活跃时间T_a，联合时域窗口判定完成负荷激活段标注，并按激活位置将序列分为四类平衡采样及加噪扩增。模型方面，以膨胀因果卷积（Dilated Causal Convolution, DCC）为基础构建TCN对比组；TCAE则将首层1-D卷积替换为嵌入（Embedding）编码器——先对输入有功序列按转换基数离散化再One-Hot编码，经可训练嵌入矩阵映射为低维分布式向量送入多层DCC模块，解码端通过Softmax及Arg Max还原功率序列。训练采用Warm-up+Decay学习率策略及网格搜索调参，评价指标含精确率（Precision, P^P）、召回率（Recall, R^P）、F1值（F^P）、NDE及NEP。

三、研究结果

SECTION II. Non-Intrusive Load Monitoring

NILM数学描述为总负荷信号y?(t)=Σ_i=1^N_ay⁽ⁱ⁾(t)+ε(t)，属盲源分离问题。系统噪声ε(t)含测量噪声与常开未知电器，常开电器不参与分解。每类相似运行时长电器需单独训练一个模型，训练后可直接分解同类电器无需重训。深度学习NILM分数据集制备（含侵入式标定数据）与训练后非侵入式分解两阶段，采用滑动窗口截取序列。

SECTION III. NILM Deep Learning Dataset Pretreatment

通过TPH算法与序列均衡化处理，研究人员证实TPH相较中点阈值（Middle-point threshold, MP）、方差敏感阈值（Variance-Sensitive threshold, VS）及激活时间阈值（Activation Time threshold, AT）算法，可完整提取两态电器启停段，且对多状态洗碗机能避免误拆分段或误判OFF状态，实现精确激活标注；时间参数随序列宽度自适应，功率阈值依电器额定状态设定，跨数据集移植简便。

SECTION IV. NILM Deep Learning Model Design

DCC中膨胀因子d>1时感受野呈指数扩大，可在较少层数下捕获长时依赖。TCN首层1-D卷积特征提取有限；TCAE编码器先对输入x(1,seq)做整数除法离散化与One-Hot编码得x?(N,seq)，再通过嵌入矩阵f(M,N)压缩为x?(M,seq)（M?N），经多层DCC与归一化、激活、Dropout处理后，解码器以Softmax输出概率向量再Arg Max回归功率序列。TCAE融合AE非线性降维特征提取与DCC大感受野时序建模，理论上弥补TCN特征提取短板。

SECTION V. Simulation Results

同栋房屋场景（Scenario 1）：TCAE对微波炉启停检测召回率超99%（其余模型低于50%），均方根误差（Root Mean Squared Error, RMSE）较其他模型降低10倍（微波炉）至60倍（洗衣机）；NEP与NDE较CNN、GRU、TCN降低约一个数量级，功率曲线回归结果与真值高度吻合，尤擅短时运行及多状态长时电器。跨房屋泛化场景（Scenario 2，训练自House 2测House 1/3）：整体指标略降，TCAE对微波炉仍保持最优，但对冰箱与洗衣机因工况波动小存轻微过拟合，未居首。模型复杂度方面，TCAE参数量与TCN同量级且显著少于GRU/CNN，占用磁盘空间小，训练耗时短于GRU与TCN。

四、讨论与结论总结（译自原文Conclusion）

研究人员提出的时间-功率混合（TPH）算法提升了NILM深度学习数据集预处理中负荷激活提取的准确性，保障了所提TCAE深度模型训练数据质量。所提时序卷积自编码器（Temporal Convolutional Auto-Encoder, TCAE）NILM模型具三项主要优势：（1）TCAE模型在功率曲线回归与ON/OFF状态检测中均表现显著更优；（2）TCAE对不同运行时长的电器分解性能增强，尤擅处理短时运行电器（如微波炉）——此类电器是其他方法难以准确分解的；（3）TCAE具更少模型参数与更低磁盘空间需求。仿真结果表明，通过结合自编码器与时序卷积结构各自优势，TCAE明显提升了非侵入式负荷监测的负荷分解性能。未来工作将聚焦提升TCAE跨房屋泛化能力，拟引入迁移学习（Transfer Learning）、训练数据增强及在线学习（Online Learning）策略。