基于稳态特征与轻量化网络融合的非侵入式负荷辨识方法

《Energies》：A Non-Intrusive Load Identification Method Based on the Fusion of Steady-State Features and Lightweight Network

　　

摘要：非侵入式负荷监测（NILM）对于智能电网需求侧管理和节能至关重要，然而现有方法存在特征区分度有限、相似电器辨识模糊以及模型精度与轻量化部署难以兼顾等问题。为解决这些问题，本文提出了一种融合稳态特征与轻量化网络的双分支轻量化负荷辨识方法。首先，通过标准化变换和二维直方图对数映射生成电压-电流（V-I）轨迹图像，同时提取包括有功功率、无功功率、轨迹面积和主成分分析（PCA）全局斜率在内的稳态特征。随后，构建了一个双分支网络，其中视觉分支采用深度可分离卷积和轻量化多头注意力机制挖掘全局轨迹特征，数值分支则使用全连接层对稳态特征进行编码；通过特征拼接融合完成电器分类。在插头负载电器辨识数据集（PLAID数据集）上的实验结果表明，所提方法仅用0.17M参数即实现了95.35%的识别准确率，优于标准卷积神经网络（CNN）和中型CNN模型。消融实验验证了稳态特征融合能有效提升易混淆和小样本负荷的辨识准确率。所提方法实现了高精度、轻量化的负荷辨识，适用于智能电表的边缘部署，对智能电力管理具有实际应用价值。

**论文解读：基于稳态特征与轻量化网络融合的非侵入式负荷辨识方法**

**一、 研究背景与意义**
能源是经济增长和社会运行的根本驱动力。随着全球电气化进程的加速和家用电器保有量的增长，能源与电力总需求持续上升，但近年来增速呈现结构性变化。根据国际能源署（IEA）发布的《2026年全球能源评估》报告，2025年全球能源总需求增长1.3%，较2024年的2.0%显著放缓，主要受能源密集型产业扩张减速、制冷需求温和化以及能效提升加速等因素的制约。值得注意的是，电力需求增速（约3%）几乎是总能源需求增速的2.3倍，标志着全球“电力时代”的正式到来；可再生能源（如光伏）贡献了超过四分之一的新增能源需求，揭示了前所未有的能源转型趋势。尽管清洁能源部署蓬勃发展，但新型电力系统建设仍面临两大突出瓶颈：当前大规模储能设备缺乏经济竞争力，严重制约了电网的灵活调节能力；同时，终端用户电力需求呈现剧烈的时间波动性。在此背景下，如何提升终端能源利用效率、大幅削减可避免的能源浪费，成为一个紧迫的核心研究课题。

作为智能电网的重要组成部分，智能用电管理系统旨在从根本上满足用户侧各种基于物联网（IoT）的感知与管理需求，是智能物联网和数字化电网发展的关键环节。准确、可靠地获取负荷消耗数据是智能用电管理的基础。近年来，负荷监测技术因其能显著提升节能效果、促进能效监测与需求侧管理、并引导用户优化用电行为以减少能源浪费，而受到学术界的广泛关注。

根据实施方式，负荷监测技术可分为侵入式负荷监测（ILM）和非侵入式负荷监测（NILM）两类。ILM需要在每个电器上单独安装传感器以获取详细的消耗数据，从而确保每个设备负荷信息的高度可靠性。然而，该方法面临安装困难、维护不便、成本高昂等实际挑战，更严重的是可能侵犯用户隐私，限制了其实用性。相比之下，NILM仅需在用户电力入口处安装一个智能电表来采集总用电数据，然后通过适当的算法将数据分解为单个电器的消耗模式，无需为每个设备配备独立传感器。这种方法具有低成本、安装简单的优点，因此被广泛应用于智能电网、节能建筑等领域。

NILM技术的基础任务之一是负荷辨识，即从总用电数据中可靠、准确地识别出特定时刻正在运行的电器类型。负荷辨识结果具有明确且重要的应用价值：有助于用户获取详细的能耗报告和节能建议；有助于电网公司分析用户用电行为以支持需求侧响应和负荷预测；也有助于电器制造企业获取用户使用产品的真实数据以指导产品优化设计。因此，研究高精度、轻量化的家用电器负荷辨识方法具有极强的理论价值和现实意义。

然而，当前非侵入式负荷辨识领域的研究仍存在若干不足：1）由于各被测负荷特征区分度差，例如吹风机和加热器的V-I轨迹、不同品牌冰箱的V-I轨迹非常相似，导致模型易误判。2）受限于单模态特征信息，仅使用功率特征或V-I轨迹特征来表征电器特性时，难以全面可靠地反映其电气特性，特别是对于多状态复杂电器，单模态特征的信息量不足以支持精确分类。3）深度学习模型难以同时实现高精度与高效率，高精度模型通常使用深网络，参数量大、计算复杂度高，难以直接部署在资源极其有限的边缘设备上，而轻量化模型则必然牺牲精度。4）由于PLAID数据集中样本分布极不均衡，例如洗衣机仅26个样本，而节能灯有180个样本，样本不平衡自然导致模型偏向多数类，对少数类识别效果差。5）学术界对模型轻量化关注不足，现有文献大多聚焦于提升识别精度，未考虑所设计模型在边缘设备上部署的可行性，缺乏对参数量和计算量的分析。具体而言，在多模态特征融合方向上，现有研究或仅构建彩色V-I轨迹图像而未提取轨迹几何稳态描述符，或仅结合单一有功、无功功率作为辅助特征，缺乏多维几何特征约束，无法区分高度相似的轨迹形状；在轻量化网络架构上，现有模型或仍有参数量压缩空间并牺牲了少数类不平衡样本的分类精度，或因频繁的通道重排操作引入额外计算延迟，且大多移除了注意力模块，无法挖掘V-I轨迹内部的全局对称空间相关性，而该特征是区分相似电器的核心视觉判别依据。

为此，本文提出了一种基于融合稳态特征的双分支轻量化负荷辨识模型，旨在解决特征区分度不足、相似电器易混淆以及模型精度与轻量化难以兼顾的问题，以适用于智能电表等边缘设备的部署。

**二、 主要技术方法概述**
本研究主要在公开的PLAID数据集上进行，该数据集以30 kHz频率采样电压和电流波形，包含超过1000条可用记录，涵盖白炽灯、笔记本电脑、吸尘器、冰箱、吹风机、风扇、加热器、节能灯、空调、微波炉、洗衣机等11种常见家用电器。研究人员首先进行数据预处理：对电压和电流序列进行标准化、幅值裁剪，然后通过二维直方图生成和对数变换，将数据投影到网格上生成28×28的V-I轨迹灰度图像。同时，从原始数据中提取四类稳态数值特征：有功功率（P）、无功功率（Q）、V-I轨迹曲线面积（A）以及基于主成分分析（PCA）的全局斜率（S）。数据集按8:2比例随机划分为训练集和测试集，并采用分层抽样确保类别比例一致。

提出的负荷辨识模型采用端到端的双分支深度学习架构。视觉分支负责处理V-I轨迹图像：采用三层深度可分离卷积（DSC）逐步提取从边缘、局部形状到全局形态的特征，并引入一个轻量化的多头注意力（Multi-Head Attention）机制来挖掘轨迹的长距离空间依赖性和对称模式，最后通过全局平均池化（GAP）得到特征向量。数值分支负责处理稳态特征：通过一个三层全连接网络对四维稳态特征进行非线性编码和维度扩展。最终，将两个分支提取的特征向量进行拼接融合，并通过两层全连接层完成电器类别的分类。模型采用稀疏分类交叉熵损失函数和Adam优化器进行训练，并引入了L₂正则化、指数衰减学习率调度以及早停策略以防止过拟合。该模型的核心轻量化设计包括深度可分离卷积、通道压缩策略、全局平均池化替代传统全连接层，以及对注意力模块进行降维投影，从而将总参数量压缩至仅0.17M。

**三、 研究结果**
研究人员通过对比实验和消融实验，从多个维度验证了所提模型的有效性和优越性。

**3.1 对比实验**
将提出的轻量化双分支CNN模型与标准CNN模型、中型CNN模型进行对比。所有模型均采用相同的双分支结构（融合稳态特征），仅在主干网络复杂度上存在差异。

**3.1.1 单一轻量化模型性能分析**
混淆矩阵显示，该模型对高区分度电器（如节能灯、吹风机、笔记本电脑、微波炉、吸尘器）实现了近乎完美的识别。对中等区分度电器（如风扇、白炽灯）也表现出优秀的识别性能，仅有个别误判。对于低区分度电器，如空调、加热器、洗衣机，正确分类率分别达到84.62%、85.71%和80.00%，表明模型对特征相似的多状态负荷仍具有较强的判别能力。冰箱是模型分类的薄弱点，正确率为75.00%，主要归因于其样本量最小、周期性启停负荷特性导致V-I轨迹与部分感性负荷局部相似，以及稳态功率特征波动范围小。整体上，混淆矩阵的非对角线误判值极少，无明显类别偏向，表明模型泛化能力良好。训练过程曲线显示模型收敛速度快，且在验证集上未出现性能下降，表明过拟合控制有效。

**3.1.2 多模型对比实验分析**
综合性能指标对比表明，本文提出的轻量化CNN模型仅用0.17M参数，在测试集上达到了95.35%的准确率，高于标准CNN的87.91%和中型CNN的89.30%。其宏平均F1分数为92.73%，加权平均F1分数为95.31%，均优于对比模型。标准CNN参数量高达38.31M，是轻量化模型的225倍，但准确率最低，表明传统大参数量CNN在该任务上存在性能瓶颈且不适合边缘部署。中型CNN在准确率和参数量之间取得了折中，但其宏平均F1分数远低于轻量化模型，表明仍存在明显的类别偏差。

各类别F1分数对比进一步量化了模型差异：除笔记本电脑、微波炉、吸尘器三类三个模型均接近100%外，轻量化CNN在大多数其他类别上表现最佳，尤其在空调、冰箱、洗衣机等易混淆、小样本类别上显著优于标准CNN和中型CNN。

**3.2 消融实验**
为验证稳态特征融合的有效性，设置了仅使用V-I轨迹的单分支模型作为对比。在保持其他条件一致的前提下，双分支模型（融合稳态特征）在所有评估指标上均显著优于单分支模型：准确率从83.7%提升至95.3%，宏平均F1分数从74.6%提升至92.7%，加权F1分数从83.3%提升至95.3%。各类别F1分数分析显示，空调、冰箱、洗衣机等高功率、多状态电器的识别性能提升尤为显著。混淆矩阵对比表明，单分支模型在空调、冰箱等类别上存在明显的混淆现象，而双分支模型通过引入稳态特征有效弥补了V-I轨迹特征的不足，显著提升了这些类别的识别准确率。

**四、 讨论与结论**
**讨论部分**分析了本模型的优势、局限性及未来研究方向。

**优势**主要体现在边缘部署的适用性。模型参数量仅0.17M，存储占用仅0.68 MB，远低于对比模型。在推理速度上，单样本延迟仅为0.5229 ms，比标准CNN快68.6%，能满足30 kHz采样NILM系统对实时性的要求。这些优势得益于深度可分离卷积、全局平均池化、通道压缩和轻量化多头注意力等设计。与近年其他先进模型（如传统CNN、ShuffleNet V2、文献[38]中的轻量化网络）的横向比较显示，本模型在参数量上实现了极致的压缩（最高压缩99.8%），虽然准确率略低于部分模型，但在精度损失极小的情况下实现了参数量的大幅降低，综合工程价值更优，可直接部署于普通智能电表、低成本微控制器（MCU）等边缘终端。

**局限性**包括：1）所有实验仅在电器独立运行条件下进行，未验证多负荷叠加场景下的性能。2）仅利用了稳态特征，未包含启动电流、波形突变等瞬态特征，限制了其对冰箱、空调等多模式复杂负荷的识别精度。3）模型泛化能力有限，PLAID数据集仅包含11类美国家用电器，缺乏新兴负载类型，且未集成增量学习机制，难以快速适应新增负载。

**潜在挑战**涉及：1）商用智能电表的硬件资源瓶颈可能导致内存溢出和功耗超标。2）现场电网噪声干扰会扭曲V-I轨迹和稳态功率指标。3）难以识别训练集外的新负载。

**未来研究方向**包括：1）增加瞬态特征提取分支，构建稳态-瞬态多模态输入。2）补充多负荷叠加数据集训练样本，构建多标签分类框架。3）引入小样本和联邦增量学习算法以适应新负载。4）在主流电表MCU上完成模型移植、功耗和内存占用的全流程测试与优化。

**研究结论**部分总结如下：为解决现有方法特征区分度不足、相似电器易误判以及模型精度与轻量化部署冲突等突出问题，本文提出了一种融合多维稳态特征的双分支轻量化负荷辨识方法。主要研究成果包括：1）提出了基于二维直方图对数变换的V-I轨迹生成方案，同步提取28×28轨迹图像和四类稳态数值特征，构建了互补的多模态特征集。2）设计了轻量化双分支神经网络架构，视觉分支采用深度可分离卷积结合轻量化多头注意力挖掘V-I轨迹全局特征，数值分支使用全连接网络编码稳态特征，通过特征拼接融合实现分类，并引入全局平均池化和通道压缩策略大幅压缩模型参数。3）在PLAID数据集上的对比与消融实验充分验证了方法的优越性。模型仅含0.17M参数，识别准确率达95.35%，宏平均F1为92.73%，加权平均F1为95.31%，所有性能指标均优于对比模型，单样本推理延迟仅0.52 ms。消融实验表明，稳态特征融合使整体识别准确率提升超过11.6%，并极大优化了对空调、冰箱、洗衣机等易混淆小样本负荷的分类性能。4）与近年先进模型的横向比较表明，本模型参数量远低于现有方案，在识别精度轻微下降的情况下实现了极致轻量化，具有存储占用低、推理实时性强等特点，可直接嵌入智能电表等边缘终端，具有重要的边缘部署实用价值。未来研究将集成负荷瞬态电气特征，构建多负荷叠加实测数据集，引入小样本增量学习算法，并优化嵌入式设备上的推理调度逻辑，以进一步提升模型在复杂混合家庭用电场景下的泛化性能。