基于多特征图像和双分支 CNN-SENet 的非侵入式建筑负荷能耗监测方法

《ENERGY AND BUILDINGS》：Non-Intrusive Building Load Energy Monitoring Method Based on Multi-Feature Images and Dual-branch CNN-SENet

　　

## 摘要

随着建筑能耗的持续增长，利用非侵入式负载监测（NILM）实现建筑负载的细粒度感知和高效管理已成为建筑能源监测领域的重要研究方向。然而，传统的NILM方法普遍存在特征选择针对性不足、长期特征表征能力有限以及多特征融合与区分能力不足等问题，从而制约了负载识别性能的进一步提升。针对这些问题，本文提出了一种基于多特征图像和双分支CNN-SENet架构的NILM方法。首先，采用最小冗余最大相关性（mRMR）算法选择最优特征组合。其次，利用长期电流波形、单周期波形和所选最优特征构建多特征彩色图像，实现长期特征与瞬态特征的有效融合。此外，采用双分支CNN并行提取和识别波形特征和颜色特征，同时引入SENet注意力机制自适应增强关键通道中的判别性信息。实验结果表明，所提方法在PLAID数据集、WHITED数据集和实测数据集上分别实现了96.3%、96.5%和99.2%的识别准确率，并通过消融实验进一步验证了其有效性。

## 引言

近年来，建筑用电量的持续增长使节能和高效能源管理成为全球关注的重要议题。作为总体能源使用的主要组成部分，建筑在可持续能源发展和智能能源管理背景下受到了广泛关注。在此背景下，非侵入式负载监测（NILM）技术应运而生，它无需在单个设备上部署额外传感器，即可将建筑的总用电量分解为电器级别的负载信息，成为实现细粒度负载感知和支持建筑能源管理的重要技术手段[1]、[2]。通过提供电器运行状态和能耗模式的详细信息，NILM能够有效支持建筑的需求侧管理、节能优化和高效资源分配。

NILM主要由两个组成部分构成：负载特征提取和负载分类识别。特征选择从原始功耗信号中提取高判别性的电量信息。负载分类识别则通过构建分类模型对选定特征进行匹配和评估，从而实现负载类型的准确识别。

负载特征的选择对NILM的准确性至关重要[3]。负载特征通常分为稳态和瞬态类型。近年来，多特征融合方法已成为突出的研究焦点。Shikha等人[4]使用电压、电流和聚合功率数据作为负载识别的输入特征。Zhou等人[5]将稳态功率、峰值功率、峰值时间和持续时间等特征组合成多维向量。Liang等人[6]采用电流波形、有功功率和无功功率等稳态特征，以及开启有功瞬态波形进行负载分解。这些结果表明，组合多种特征可以提高识别准确率。然而，上述研究主要依赖短期特征。对于复杂电器，仅从单周期数据提取的特征无法提供准确的区分能力。这类单周期特征无法充分表征电器启动后的动态运行过程。因此，长时间尺度特征的应用逐渐成为研究重点。Zhao等人[7]选取覆盖整个启动到稳态过程的长期功率序列。该方法解决了瞬态片段碎片化和短期特征导致的误识别问题。Jiang等人[8]提出自适应窗口来捕获多状态电器的长期序列功率变化模式。该方法有效增强了复杂工况下的负载分解精度。Lin等人[9]使用200秒高频电流波形序列完整表征了设备从开启到稳态的动态过程。该表征有效解决了稳态特征重叠导致的分类错误问题。尽管现有研究在长期特征方面取得了进展，但负载特征表征不足的问题依然存在。当前的长期特征表征主要聚焦于单维序列，尚未实现长期特征与其他电量特征的有效融合表征。此外，多特征融合尝试往往依赖经验输入和非针对性筛选机制，导致特征冗余和表征能力有限。

负载识别本质上是一个基于特征提取和分类器构建的分类问题。深度学习因其卓越的特征表征能力而被广泛采用[10]。目前，基于深度学习的负载识别方法大致可分为序列型方法和图像型方法。大多数现代NILM方法直接处理一维功率或电流序列。Zhang等人[11]提出了序列到点（Seq2Point）学习框架。Athanasoulias等人[1]采用具有同构结构化剪枝的时序卷积网络（TCN）用于边缘设备上的可扩展NILM。Harell等人[12]开发了WaveNILM，一种基于因果WaveNet的模型，用于从复杂功率信号中进行功率分解。Petralia等人[13]提出了ADF和TransApp，一种基于Transformer的框架，利用自注意力机制和自监督预训练从智能电表消耗序列中检测电器。尽管这些最先进的序列型模型展现了强大的序列建模能力，但它们通常依赖单维特征且计算开销较大。为了克服这些局限性并捕获更高密度的信息，图像型表征已成为一种高度有效的替代方案。将电信号转换为图像可以将多维电气特性有效融合到统一表征中。遵循这一范式，Wang等人[14]和Liu等人[15]将多维时间序列信号编码为彩色图像，并利用CNN的视觉处理优势实现高效识别。Meng等人[16]使用轻量级ResNet18模型识别彩色VI迹图像。该方法在保持识别准确率的同时提高了模型运行效率。Pan等人[17]提出了基于神经架构搜索、优化损失函数和元学习的RTNILM框架。RTNILM框架增强了跨域和抗噪能力。Li等人[18]采用深度可分离卷积（DSC）和混合空洞卷积（HDC）构建轻量级模型。该模型在模型轻量化和特征提取范围之间实现了平衡。然而，大多数现有深度学习模型采用单分支特征提取路径。多特征彩色图像同时包含纹理特征和颜色特征。单分支网络难以差异化提取这两种不同的特征类型。此外，单分支网络无法有效实现自适应权重校准。因此，特征融合效果减弱，负载识别效率仍然较低。

因此，为了应对负载特征提取和分类识别中现有的挑战，本文提出了一种基于多特征图像和双分支CNN-SENet的NILM算法。该算法首先使用mRMR算法筛选核心特征。其次，将瞬态特征和长期电流波形特征组合为彩色特征图像。该构建的图像融合了波形特征和颜色特征。然后，双分支CNN-SENet对图像中的波形特征和颜色特征进行并行差异化提取。随后，对各分支内的特征通道进行自适应加权，增强关键判别性信息。最终实现负载的精确分类。本工作的主要创新点总结如下：

1) 提出了一种多特征融合表征方法，以解决特征冗余和表征能力不足的问题。通过利用mRMR算法进行核心特征筛选，并将瞬态特征与长期电流波形组合为彩色图像，该方法成功弥补了单维长期特征表征的不足。

2) 设计了一种差异化双分支CNN-SENet架构，以克服传统单分支网络的局限性。该架构能够并行差异化提取波形纹理和颜色分布特征，同时引入SENet注意力机制自适应加权特征通道，从而有效增强关键判别性信息和负载识别效率。

## 基于多特征图像和双分支CNN-SENet的算法模型

本节详细介绍了所提出的非侵入式负载识别算法。算法流程由三个部分组成。第一部分是负载特征提取方法。第二部分介绍融合长期电流波形与其他瞬态特征的彩色图像构建方案。第三部分阐述双分支CNN-SENet负载识别模型的设计原理。

### mRMR特征选择算法

特征选择涉及从大量电气特征中选取特定子集。所选子集必须包含最大信息量同时最小化特征间相关性。mRMR算法基于互信息（MI）。mRMR算法的核心目标是在最大化特征与目标变量之间相关性的同时，最小化特征之间的冗余度[19]。

MI作为一种信息度量指标，用于量化两个变量之间的相关性程度。

### 双分支CNN-SENet的设计

本节详细阐述了差异化双分支CNN架构的设计原理。此外，本节还介绍了各分支的特征提取逻辑和参数配置。并引入了SENet注意力机制的核心操作和融合策略。最终构建了完整的识别模型。该模型实现了对彩色特征图像中波形细节和全局颜色特征的精确提取和识别。

### 实验设置

本节概述了用于验证所提出的非侵入式负载识别算法的实验设置。首先，详细描述了公开数据集和实测数据集。接下来，解释了数据预处理和划分策略。最后，引入了具体的评估指标来评估模型的分类性能。

### 结果与讨论

本节通过综合实验验证了所提出的负载识别方法的有效性。首先，进行参数敏感性分析以确定最优波形持续时间和网络配置。其次，验证了特征选择和双分支CNN架构的合理性。最后，通过详细的分类结果、对比实验和计算效率评估综合评估了整体模型性能。

## 结论

总之，所提出的基于多特征彩色图像和双分支CNN-SENet的非侵入式负载监测方法在实测数据集、公开PLAID数据集和WHITED数据集上展现出强大的负载分类性能，识别准确率分别为99.2%、96.3%和96.5%。实验结果证实了该方法在准确率和泛化能力方面的有效性。通过引入最小冗余最大相关性（mRMR）算法……

### CRediT作者贡献声明

**Jiaying Song**：撰写—初稿，可视化，验证，软件，方法论，调查研究，数据整理，概念化。

**Chengdong Liu**：撰写—初稿，可视化，验证，软件，方法论，数据整理。

**Jianhui Lin**：撰写—审阅与编辑，监督，资源管理，项目管理，经费获取，形式分析。

**Ying Wang**：撰写—审阅与编辑，监督，调查研究，形式分析。

**Sumei Liu**：撰写—审阅与编辑。

### 利益冲突声明

作者声明不存在可能影响本文工作的已知竞争财务利益或个人关系。

Jiaying Song | Chengdong Liu | Jianhui Lin | Ying Wang | Sumei Liu | Nansi Yan | Hailan Wang