基于归一化k最近邻技术的无侵入式负载监测中的未知设备检测

《Engineering Applications of Artificial Intelligence》：Unknown appliance detection for non-intrusive load monitoring using normalized k -nearest neighbors

　　颜忠宗|郝鹏飞|马泰奥·纳尔德洛|达维德·布鲁内利|湖南大学电气与信息工程学院，中国长沙410012

摘要
非侵入式负载监测技术旨在将总能耗分解为各电器的单独能耗，从而提升能源利用效率。近年来，基于机器学习的负载识别方法已成功解决训练数据和测试数据均来自同一已知类别的封闭集识别问题。然而，实际应用中需要处理开放集识别问题：模型必须能够应对测试时出现的未知或未曾见过的电器，这使得传统的封闭集方法效果不佳。为解决这一难题，我们提出了一种简单而有效的开放集负载识别方法，该方法基于归一化的k最近邻距离和百分位数阈值机制。与现有依赖深度神经网络的开放集NILM方法不同，所提方法完全避免了深度学习，而是采用简单的、以数据为驱动的阈值处理方式。该方法仅需少量从电流中提取的特征，无需复杂的深度学习模型，还能与现有的封闭集分类器无缝集成。在两个公开数据集上的大量实验表明，所提方法在准确性和效率方面均可与最先进的深度神经网络方法相媲美，甚至更优，未知电器检测的F1分数可超过91%，在不同开放集场景下的宏观平均F1分数则在90%至95%之间，同时计算和内存开销极小。该方法还已在低成本嵌入式平台上得到应用，证明了其实际应用价值。相关代码可在https://github.com/zhz-yan/L2NC获取。

引言
非侵入式负载监测技术是指将家庭主电表测得的总能耗分解为各类电器单独能耗的技术。该技术最早由G. Hart在20世纪80年代末提出（Hart, 1992），随着智能计量基础设施的全球推广，这一技术受到了广泛关注。它为家庭提供了一种经济有效的手段，用于监测和分析各类电器的能耗情况，同时也有助于电力公司实施更加可持续和高效的能源政策（Bertalani?和Fortuna, 2024）。

根据测量设备的采样率，NILM方法通常分为低频方法和高频方法。低频方法一般以1赫兹或更低的频率对波形进行采样，依靠有功功率测量来分析电器的使用情况。在这一类别中，已经提出了多种技术，包括优化方法（Zhang等人，2025）、隐马尔可夫模型（Makonin等人，2015）以及深度神经网络（DNNs）（Qiu等人，2024，Hao等人，2024，Liu等人，2024）。相比之下，高频方法的采样率在千赫兹级别或更高，能够在稳态和瞬态条件下捕捉到更丰富的特征。本文提出的方法就属于这种高频NILM类型。

高频NILM通常包含两个核心部分：特征提取和分类器设计。特征提取的目的是从采集到的电流和电压波形中识别出独特的模式。早期研究探索了时间和频率域中的各种特征，证明了有功功率和无功功率、电流谐波含量（Gao等人，2015）以及电压-电流轨迹（Lam等人，2007）等特征的有效性。利用这些特征，结合机器学习和深度学习分类器，如卷积神经网络（CNN）（Chen等人，2021）和XGBoost（Batic等人，2025），就可以识别出不同的电器类型。

机器学习和深度学习方法在各种NILM数据集上均展现了较高的分类准确率。例如，Liu等人（2018）在PLAID和WHITED数据集上分别实现了98.04±1.27%和99.05±1.29%的分类准确率。然而，这些方法大多基于封闭集假设，即测试时观察到的电器类别与训练时相同。如图1(a)所示，这类方法假定所有目标电器都是事先已知的，模型部署后不会出现新的电器类型。但在实际的NILM应用中，由于用户行为或硬件升级，电器种类可能会随时间发生变化。在这种情况下，训练时不存在的未知电器可能会在测试中出现，如图1(b)所示。这种情况就属于开放集识别问题，模型不仅要对已知电器进行分类，还要检测并排除未知电器。传统的封闭集分类器无法处理此类情况，常常会将未知电器错误地归类到最相似的已知类别中。此外，尽管深度学习方法在封闭集条件下能够实现高准确率，但它们通常需要大量的计算资源，因此不太适合在智能电表之类的边缘平台上使用。为了解决这些限制，我们提出了一种适用于资源受限平台的实际部署的简单解决方案。

所提出的开放集负载识别框架解决了上述问题。它利用从实际NILM场景中收集的时域电压和电流波形，以及从这些信号中提取的时域和频域特征，实现低复杂度的处理。该方法计算量极小，非常适合在嵌入式或资源受限平台上部署。本文的主要贡献如下：
1. 我们提出了一种基于归一化电流特征的k最近邻距离的简单而有效的未知负载检测方法。该方法避免了深度学习模型的复杂性，同时保持了高准确率。它仅需少量从电流中提取的特征，还能与现有的封闭集负载识别流程无缝集成，兼具轻量化和与分类器兼容的优点。
2. 我们在两个不同的公开数据集上对该方法进行了评估，并在低成本嵌入式平台上进行了部署。实验结果表明，该方法（i）在未知负载检测方面的平均F1分数分别为91.2%和94.7%，与最先进的深度神经网络方法相当甚至更优；（ii）计算和内存需求极低，仅需0.07MB的内存；（iii）仅使用从电流中提取的特征，就能保持约90%的平均F1分数。

文章的其余结构如下：第2节回顾相关研究及问题描述；第3节介绍方法论；第4节和第5节阐述实验设置与结果；第6节对全文进行总结。

相关片段
非侵入式负载监测
近期在高频NILM领域的研究集中在从电压和电流波形中提取独特的负载特征。在高采样率下，既可以提取稳态特征，也可以提取瞬态特征，进而用于电器识别。早期研究探讨了时间和频率域的特征，证明了有功/无功功率、电流谐波（Gao等人，2015）以及电压-电流轨迹（Lam等人，2007）等特征的有效性。这些特征为后续方法的应用奠定了基础。

方法论
本节介绍了如图2所示的所提方法，该方法通过一个由封闭集分类器和基于k最近邻的未知类别检测器组成的流程，对高频电流和电压波形进行处理。检测器通过评估样本与训练数据的距离来排除未知电器，同时确保对已知电器的分类准确性。

实验设置
本节介绍了数据集、评估指标、基准方法以及评估流程。第4.5节还分析了特征选择以及所提方法实现细节的影响。

单一未知电器类型的OSLR结果
表6和表7分别总结了PLAID和WHITED数据集在每次仅考虑一种未知电器时的性能结果。对于所提方法，结果为10次独立测试得到的平均值±标准差，以此衡量统计稳定性。对于大多数方法，文献中会报告三种评估指标的值：F1(K+1)、F1-macro和AUROC。但对于DSVDD方法（Xiao等人，2023），仅报告了F1-macro值。

结论
本文提出了一种用于NILM中开放集负载识别的简易技术，该技术结合了非参数的最近邻距离和归一化特征，用于检测未知电器。该方法仅需少量从电流中提取的特征，却能在各种条件下展现出强劲且稳定的性能。在两个公开数据集上的案例研究显示，其在未知负载检测方面的平均F1(K+1)分数分别为91.2%和94.7%，在单一未知电器检测时的F1-macro分数则为90.1%和94.9%。

CRediT作者贡献说明
颜忠宗：撰写——初稿、方法论、正式分析、概念设计。郝鹏飞：撰写——审阅与编辑、研究工作。马泰奥·纳尔德洛：撰写——审阅与编辑、方法论、研究工作。达维德·布鲁内利：撰写——审阅与编辑、监督指导。何文：撰写——审阅与编辑、监督指导。

利益冲突声明
作者声明，他们不存在任何可能影响本文所述工作的已知财务利益或个人关系。