基于深度学习的非侵入式组合负荷分解与识别方法研究

《Energies》：Research on Non-Intrusive Combined Load Decomposition and Identification Method Based on Deep Learning

　　

为在双碳战略下实现用户侧精细化用电管理，并解决传统非侵入式负荷监测（NILM）方法在多负荷并行运行场景中的固有局限性，本文提出了一种新颖的协同优化框架。该框架依次集成三个核心模块以应对负荷识别的关键挑战：基于麻雀搜索算法优化变分模态分解（SSA-VMD）的负荷数量估计、基于卷积神经网络-长短期记忆网络-注意力机制（CNN-LSTM-Attention）的电流分离，以及基于格拉姆角场-残差网络18层（GAF-ResNet18）的负荷识别。首先，麻雀搜索算法优化变分模态分解参数，并结合皮尔逊相关系数-主成分分析（Pearson-PCA），无需先验知识即可准确估计混合功率信号中的运行负荷数量。其次，一种混合CNN-LSTM-Attention模型从聚合电流频谱图中提取深度时空特征，实现单个负荷电流波形的高保真分离与重构。第三，将分离后的电流信号转换为格拉姆角场图像，并通过ResNet18网络进行分类，以实现鲁棒的负荷识别。该框架的效能分别在公开的PLAID数据集和自建的实验室数据集上进行了严格验证，涵盖了多种双负荷和三负荷运行工况。结果表明，该方法在电流波形重构方面达到的R²系数超过0.9，并且在所有测试案例中负荷识别准确率均保持在91%以上，显著提升了复杂用电条件下的识别性能。这种高性能的负荷分解为包括需求响应、负荷预测和配电网规划在内的先进电网应用提供了关键数据支持，从而有助于未来电力系统的智能化和高效化。

### **研究背景与问题提出**
在全球气候变化与能源安全的双重挑战下，推动绿色低碳转型已成为重要战略方向。统计数据表明，2024年中国电力和热力生产行业的碳排放量约占全社会总排放量的50%。在双碳战略目标下，能源系统向清洁低碳方向转型的需求日益迫切，对低压配电网的用户侧精细化管理和需求响应能力提出了更高要求。作为电力能源精细化管理的核心技术，电力负荷监测通过采集实时负荷运行状态和能耗特征，为需求响应提供准确数据支撑，并促进电网与用户的高效协同。

目前，电力负荷监测主要分为侵入式负荷监测（ILM）和非侵入式负荷监测（NILM）两种技术方案。侵入式监测需要为每个用电设备安装独立的监测终端，虽然可以直接获取运行数据，但存在设备部署复杂、投资成本高、通信架构繁琐等问题，限制了用户的接受度。为克服这些技术瓶颈，学术界提出了非侵入式负荷监测方法。该方法仅在用户总进线处部署采集单元，利用智能算法分析总用电数据以识别各电器的运行状态。与侵入式方案相比，非侵入式监测具有硬件成本低、部署灵活、易于维护等显著优势，展现出更广阔的工程应用前景。NILM技术不仅能有效提升能源效率，为电力企业和用户创造经济效益，还具有广阔的产业化前景。其中，负荷识别是NILM技术的核心环节。通过识别室内电气设备的运行状况、掌握用户的用电行为模式，不仅可以为优化电力生产调度、引导科学用电提供依据，还能实现设备故障预警和用电安全监管，保障电力系统的稳定运行。

然而，在实际负荷监测过程中，当负荷切换或状态变化的事件特征不明显时，传统的事件检测方法往往难以准确响应。此外，负荷功率接近、运行原理相似或在复杂用电场景下多负荷并行运行，也会显著影响识别性能。针对这些技术难点，本研究以负荷稳态信号为研究对象，重点攻克多负荷并行场景下的识别瓶颈，并提出一种新的组合负荷识别方法，为复杂用电环境下的负荷监测提供理论支持。

尽管现有研究已取得显著进展，但仍存在一些共同局限。首先，负荷数量的不确定性以及关键参数对经验的依赖，限制了后续分析的准确性。其次，现有模型在存在同时混叠信号的情况下，难以实现高精度分离和强泛化能力。其根本原因在于特征提取不足，无法有效协同挖掘时空特征。最后，对人工特征和固定权重的依赖，导致模型在组合负荷下的判别能力显著下降。

为应对上述常见局限，本文考虑了居民用电场景。在普通家庭中，由于电路电流容量的物理限制，同一回路上同时运行的电器数量很少超过三个。然而，即使在这种仅有两三个电器同时运行的场景下，大多数现有方法要么是为单一电器设计，要么仅依赖总功率变化，难以处理多个负荷的叠加和混叠。当多个电器在同一电路上并行运行时，它们的电流波形会叠加并形成特征相互干扰的复杂混合信号。传统的谐波分析、V-I轨迹和功率分解等方法在此类场景下往往存在较大的分解误差，识别准确率显著降低。鉴于两三个电器同时运行是家庭电路中的常见情况，且现有方法已面临明显瓶颈，本文将重点聚焦于这一核心场景。

### **主要研究方法**
本研究提出了一种集成、协同优化的框架，通过顺序、互联的流程解决NILM在复杂场景下的挑战。该框架独特地结合了基于SSA-VMD的负荷数量估计、基于CNN-LSTM-Attention的电流分离和基于GAF-ResNet18的负荷识别。主要贡献包括：1) 提出基于SSA-VMD和PCA的负荷数量估计方法，无需先验知识即可准确感知运行负荷数量；2) 构建CNN-LSTM-Attention混合分离模型，协同整合卷积层的空间模式挖掘、LSTM的时间依赖性捕获以及注意力聚焦机制，实现多负荷电流的高精度分离和波形重构；3) 提出基于GAF编码和ResNet18深度残差网络的负荷识别方法，将一维电流序列自动转换为有区分度的二维图像特征，无需人工特征工程，显著提升了对相似及新型负荷的泛化能力和识别精度。

研究数据来源于公开的PLAID数据集和自建的实验室数据集。PLAID数据集以30 kHz采样频率收集了60多户家庭、约40种类型、1876台电器的电压电流数据。实验室搭建了稳态负荷测试平台，模拟家庭进线信号，以25 kHz采样频率采集了微波炉、加热器等七种典型负荷在单负荷运行及多负荷并行运行（包括21种双负荷和35种三负荷组合）下的数据。负荷特性分析表明，电流信号在时域和频域均具有强烈的区分度，被选为核心数据源。

### **研究结果**
本研究设计了四个实验方案系统验证所提方法的有效性和泛化能力。

**1. 负荷数量估计结果验证**
将第2节提出的负荷数量估计方法应用于四个实验组的组合负荷功率信号。首先使用麻雀搜索算法确定最优VMD参数（分解模式数K和惩罚因子α），然后使用优化后的参数通过VMD分解混合信号，接着筛选本征模态函数（IMF），剔除与原始信号皮尔逊相关系数低于10%的虚假分量，最后对保留的有效IMF进行主成分分析以估计潜在负荷数量。实验结果表明，所有四个实验组的负荷数量估计准确率均为100%。累计方差贡献率曲线均显示出明显的拐点，一旦主成分数量达到实际负荷数，累计方差贡献率始终超过90%的阈值。这证实了所提出的自适应估计方法有效消除了对先验知识的依赖，为后续的分离和识别阶段提供了可靠基础。

**2. 电流分离效果分析**
基于准确的负荷数量估计，构建了CNN-LSTM-Attention模型进行电流分离，并使用平均绝对误差（MAE）和决定系数（R²）定量评估模型性能。
* **双负荷组合结果**：在基于PLAID数据集的45种组合中，所有负荷的R²值均大于0.92。其中，笔记本电脑、荧光灯和微波炉的分离精度最高，R²大于0.97。在基于实验室数据集的21种组合中，七种负荷类型间的R²均值超过0.94。分离得到的时序电流与实际值高度一致，仅在少数相位剧烈变化处出现轻微波动。
* **三负荷组合结果**：随着负荷数量增加，信号混叠程度加剧，分离识别难度增大。在三负荷实验中，所有构成负荷的电流分离R²值分别高于0.90和0.91。虽然该性能略低于双负荷场景，但仍优于传统方法，证实了该框架在处理更复杂情况时具有良好的可扩展性。波形对比显示，对于具有高度相似波形的阻性负荷（如白炽灯和吹风机），在过零点附近的重建误差略有增加，但整体波形重建仍保持高精度。

**3. 负荷识别性能评估**
将分离后的单负荷电流输入预训练的GAF-ResNet18识别模型，验证完整框架的端到端性能。
* **双负荷并行场景**：在PLAID数据集和实验室数据集上分别实现了93.25%和92.71%的识别准确率。主要误分类发生在白炽灯与加热器之间，这主要因为两者均为纯阻性负荷，电流波形近乎正弦且谐波含量极低，导致GAF编码后的图像纹理高度相似。尽管如此，每个单独负荷类别的识别准确率均超过90%。
* **三负荷场景**：分别实现了91.45%和91.43%的识别准确率。误分类主要集中在白炽灯与加热器、笔记本电脑与荧光灯这两对负荷之间。前者原因同上，后者则源于两者的电流都相对规则，谐波失真低且频域轮廓相似，导致GAF纹理模式相似。尽管如此，两种负荷类型的识别准确率仍保持在90%以上。

所有结果均大幅超过工程应用通常所需的75%准确率阈值，证实了该方法在复杂多负荷场景下的有效性和鲁棒性。与传统的改进KNN、电压电流图像重建、Fisher-SVM等方法相比，本研究所提出的集成方法在PLAID和实验室数据集上均能保持91%以上的识别准确率，表现出更优的鲁棒性和识别能力。

### **讨论与结论**
为应对复杂用电环境下的负荷监测挑战，本研究提出了一种基于稳态数据和深度学习的集成式非侵入式负荷分解与识别框架。主要学术贡献总结如下：
(1) 自适应负荷数量估计：提出了一种结合麻雀搜索算法优化的变分模态分解（SSA-VMD）和主成分分析（PCA）的新方法。通过优化自适应参数和消除虚假分量，该方法无需先验知识即可实现准确的负荷数量估计。
(2) 多负荷电流分离模型：构建了组合负荷的电流分离模型，将时频分析与CNN-LSTM-Attention网络相结合。通过联合捕获时空特征并采用注意力机制，该模型有效缓解了多负荷电流在时频域的混叠，从而显著提高了波形重建精度。
(3) 基于时间序列成像的负荷识别：提出了一种负荷识别方法，使用格拉姆角场（GAF）将一维电流序列编码为二维图像，并用ResNet18网络进行分类。该方法通过深度卷积网络实现自动特征提取，规避了人工特征工程的局限性。该方法在公开和自有数据集上均实现了超过90%的识别准确率，展现了强大的鲁棒性和泛化能力。