适于低功率状态的多特征融合负荷分解方法

李子凯，岳宝强，杨 波，周忠堂，王春宝

（国网山东省电力公司临沂供电公司，山东 临沂 276000）

0 引言

非侵入式负荷监测技术（non-intrusive load monitoring，NILM）最早由Hart［1］提出，它可以将目标电器的负荷从总线负荷中分解出来。由于该方法不需要对用户电器进行改造或干预，而是通过收集和分析用户总负荷数据如智能电表量测值来实现分解，方式更加灵活和实用，在电力系统的负荷管理、能源调度等领域具有较好应用前景［2］。

自Kelly［3］提出利用深度学习方法解决NILM 问题以来，目前的研究大多基于深度学习方法。考虑到传统滑动窗口边缘预测困难，Zhang 等人［4］提出了基于卷积神经网络（convolutional neural network，CNN）的序列到点（sequence to point，S2P）的负荷分解方法，针对滑动窗口中的总线功率序列，该方法仅预测窗口中间位置对应的支线功率，这使得模型可以充分利用滑动窗口中的上下文信息来重构支线功率，避免了窗口边缘处上下文缺失导致的分解误差，与序列到序列（sequence to sequence，S2S）方法相比，极大提升了对开关型电器的功率分解精度。Rafiq 等人［5］提出了两个深度递归神经网络模型长短期记忆网络（long short term memory，LSTM）和门控循环单元（gated recurrent unit，GRU），并引入了正则化来提高模型的性能。为进一步提升NILM 的分解精度，Yue 等人［6］提出一种基于双向Transformer 模型的非侵入式负荷分解方法。

相比于其他分解方法，上述方法效果有所提升，但在分解多状态电器时性能会显著下降。为此，Chen 等人［7］提出了一种规模和上下文感知的CNN结构，Langevin 等人［8］提出了一种基于变分自编码器（variational autoencoders，VAE）框架的负荷分解方法。这两种方法都能生成更复杂的负荷曲线，改善多状态电器的功率信号重构效果。考虑到多状态电器前后状态有逻辑关联，罗平等人［9］选择能考虑过去和未来运行状态变化的双向长短期记忆网络（bidirectional long short-term memory，Bi-LSTM），并采用一种基于树结构的概率密度估计方法选择该网络的超参数以提高分解的精度。针对现有分解方法需要较多先验信息，且对功率相近电器或小功率电器难以分解的问题，崔亮节等人［10］提出了一种考虑分时段状态行为的非侵入式负荷分解方法。

在基于深度学习的负荷分解方法中，有效的特征提取和融合方法一直是研究重点。由于使用单个波形特征很难实现高精度负荷分解，Li 等人［11］提出一种基于时频特征融合的非侵入式负荷分解双流卷积神经网络。类似地，Chen 等人［12］利用监测的能量数据构建了保存足够信息的时态和频谱负荷特征，这两种类型负载特征的融合可以有效提高负荷分解性能。Feng 等人［13］提出一种多通道时空特征融合方法，将卷积神经网络提取的空间特征与递归神经网络提取的时间特征进行融合，并引入了注意力模块，进一步提高了模型的性能。针对目前方法长时间序列中远距离相关信息难以获取等问题，王丹宇等人［14］提出一种基于特征融合与Transformer 模型的负荷分解方法。赵安军等人［15］提出一种基于自注意力的非侵入式负荷分解模型，解决了目前神经网络模型对长激活且周期运行的电器分解效果较差的问题。对分解模型适应性较差及精度较低的问题，王家驹等人［16］提出一种基于电器特征多层优选的非侵入式负荷分解模型。

总的来说，基于深度学习的负荷分解方法取得了较好的分解效果，对多状态电器的分解效果也有改善，但在电器低功率状态情况下分解效果欠佳。为此，提出一种适于电器在低功率运行状态的多特征融合负荷分解方法，主要贡献有：

1）提出一种时空特征提取方法。通过提取目标电器功率序列的局部特征以及时序特征，得到空间模式信息和上下文信息，从而更好地捕捉电器的复杂行为模式。

2）提出一种含有不同尺度功率波动信息的多特征融合方法。利用跳跃连接将提取到的多尺度特征与解码器的高级抽象特征相融合，充分考虑多种尺度的信息，防止功率波动不明显的微小特征丢失，提高模型对目标电器整体分解性能的同时也成功分解出了多状态电器的低功率状态。

最终，在公开数据集UKDALE［17］上与对比实验进行比较，验证了提出方法的有效性。

1 负荷分解网络构建

1.1 总体结构

适于低功率状态的多特征融合负荷分解方法的模型由特征提取以及特征融合两部分组成，在特征提取阶段主要采用以卷积神经网络为主的卷积模块，以在不同尺度上提取局部特征，然后采用Bi-LSTM 网络，同时从正向和反向两个方向提取总线聚合功率数据的特征，以克服传统算法仅单向建模、无法充分利用上下文信息的局限性；最后通过密集跳跃连接实现不同尺度的局部特征与时序特征的融合，从而提高模型对目标电器工作模式的感知，方法总体流程如图1 所示。

图1 多特征融合负荷分解流程图Fig.1 Flowchartofloaddecompositionformulti-featurefusion

从总线聚合数据分析出细节波动以及上下文关联信息，并确保模型训练的过程中这些特征信息不会丢失，是一种提升负荷分解精度的有效方法。借鉴图像分析领域中U 型网络（U network，Unet）系列［18-20］、特征金字塔网络（feature pyramid network，FPN）［21］和路径聚合网络（path aggregation network，PANet）［22］等方法中特征融合的思想，将总线聚合数据的时序特征以及空间局部特征相结合，充分考虑不同尺度的功率波动信息，构建适用于一维数据的负荷分解模型。如图2 所示，模型总体上基于编码器-解码器架构，图中分别表示第i层编码器和解码器，Cin、Cout分别表示每层卷积块的输入通道数和输出通道数，Linput、Lhidden分别表示Bi-LSTM 的输入层大小和隐藏层大小。输入信号是总线上的功率聚合数据，其中（32，1，1 024）分别表示批次大小、通道数以及序列长度。当卷积块层数太少时模型对于部分电器难以收敛，分解效果差；当层数太多时模型效果基本不变，反而会因为参数量大不易收敛，因此编码器选取4 层CNN 和1 层Bi-LSTM，CNN 包含卷积层、ReLU 激活单元、批量归一化层以及最大池化层，通过下采样逐步增加输入数据的特征通道数。解码器部分也由4 层CNN 组成，每层都结合了来自上层编码器、同层编码器以及下层解码器的特征映射，从而在多尺度上捕获功率波动信息，同时通过上采样降低特征通道数量，保持与原始特征图大小一致。最后通过1*1 卷积将特征图减少到所需数量的通道，并输出分解功率数据。

图2 多特征融合总体网络结构Fig.2 Holistic network architecture for multi-feature fusion

1.2 局部特征和时序特征提取

电器在开关时刻后的一小段时间范围内功率状态会发生显著变化，并且不同电器的变化幅值和趋势存在差异，这是进行电器功率分解的重要局部特征，使用CNN 提取输入聚合功率序列中相邻位置的变化特征。在CNN 中，使用多个卷积核从不同角度提取特征，通过多层卷积网络堆叠增加模型对更大视野的感知。卷积操作计算如式（1）所示。

式中：f为输入的一维信号；w为卷积核；k为卷积核的长度；t为输入与输出信号的位置索引；τ为卷积核的位置索引；(f*w)(t)为卷积操作的输出结果，即输出信号在位置t的值；f(t+τ-1) 为输入信号在位置t+τ-1 处的值；w(τ)为卷积核在位置τ处的权重。在每个位置τ上，卷积核的权重w(τ)与输入信号的对应位置的值相乘，然后求和，得到输出信号中的值。

CNN 提取局部特征的公式为

式中：x1为总线聚合数据；xi为编码器第i层CNN 的输入；C(·) 为卷积操作；P(·)为池化操作；Fcnn(·) 为一层CNN 输出的结果。在经过4 轮这样的卷积池化之后，送入Bi-LSTM 层。

负荷分解的输入通常是一维连续的总有功功率数据，用电器在任意时刻运行状态的转换都会引起总线功率波动。对于多状态电器如洗碗机，虽然工作模式复杂，但其工作流程通常有固定的顺序，因此总线聚合数据中必然存在该电器在一次完整的运行周期内的功率特征信息及其在序列上的关联信息。为了能充分学习负荷变化的时序关联特征，采用Bi-LSTM 提取功率序列中前后双向的上下文信息，综合考虑了过去和未来的信息，能够更好地处理长期依赖关系和序列中的复杂模式。Bi-LSTM 由两个LSTM 组成，一个从前往后扫描输入序列，另一个从后往前扫描输入序列，两个LSTM 的输出会被连接在一起，最终形成一个维度为2 ×Lhidden的输出向量。Bi-LSTM 层输出的结果以及之前4 轮卷积的结果都将用于解码器模块特征融合的输入。

1.3 多特征融合机制

传统的深度学习网络特征提取会随着网络层数的增加逐渐丢失功率波动不明显的微小特征，从而影响低功率状态分解的准确度。为此，在解码模块的每一层都设计了编码器和解码器之间的跳跃连接，融合编码器上层CNN、同层CNN 提取的局部特征；同时设计了解码器内部之间的跳跃连接，融合下层解码器已经得到的多尺度局部特征以及时序特征。这样，解码模块每一层的特征图都融合了不同层CNN 提取的局部特征以及Bi-LSTM 提取的时序特征，尽量保持低层CNN 得到的细粒度细节信息，最终得到多尺度空间模式信息和上下文信息，提升方法的分解效果。

图3 跳跃连接特征融合示意图Fig.3 Illustration of skip-connection feature fusion

使用多层卷积层来提取空间局部特征，每层可以捕捉到不同尺度的功率波动信息。图3 中特征融合部分的目标是将这些来自不同层的特征图以及Bi-LSTM 网络的特征图融合在一起，以获得丰富的特征表示，同时确保特征图的分辨率保持一致。在特征融合过程中，有3 种关键操作：来自相同尺度编码器层的特征图通过跳跃连接直接传递给解码器部分，这样可以保留特定尺度的信息，而不引入分辨率变化；对较小尺度编码器层的特征图进行池化下采样，以减小分辨率，这样可以融合低层细节特征，同时在统一特征图分辨率的基础上传递这些信息；在解码器内部的跳跃连接中，使用双线性插值法对特征图进行上采样，从而放大特征图的分辨率，传递高级抽象特征。

在获得5 个相同分辨率的特征图后，使用64 个大小为1*3 的卷积核对这些特征图进行卷积操作。这个步骤的目的是统一通道的数量，以减少多余的信息。卷积操作可以学习特定的特征表示，将不同特征图中的信息进行整合和提取。接下来对5 个特征图按照通道分组进行拼接，将不同尺度的功率波动信息融合在一起。这个步骤将不同编码器层提取的特征图整合成一个更丰富的特征表示，以便后续的分析和处理。最后，对融合后的特征进行批量归一化和激活函数操作，得到。

式中：i=1，2，…，N为构建特征图所在的层，N为编码器的层数；H(·)为通过卷积、批归一化和ReLU 激活函数实现特征聚合函数；D(·) 和U(·)分别为下采样和上采样操作。

2 算例分析与结果

为便于验证和对比所提方法的性能，在公开数据集UK-DALE 上进行负荷分解实验，并将所提方法与其他方法的性能进行对比。实验硬件环境为配置NVIDIA RTX 3060 GPU 12GB 显存的计算机，软件平台基于Python 3.7 及开源机器学习框架pytorch。

2.1 数据集和预处理

UK-DALE 采集了5 个英国家庭约2 年的实际用能信息，其中house1、house2 和house5 以1Hz 的采样频率采集了总线有功功率，以1/6Hz 的采样频率采集支线有功功率。以house1、house5 作为训练集，以house2 作为测试集，测试模型在未参与训练的房屋数据上的分解性能，验证模型的泛化性。由于house1统计的电器数据持续时间较长，为了能够让训练集的数据选取更加平衡，随机抽取了house1 中20%的数据以及house5 的整个数据作为实验的训练集。

基于电器工作特性，负荷分解领域一般把电器分为4 类［23］。实际生活中大部分电器都属于类型Ⅰ电器（开/关型电器）和类型Ⅱ电器（多状态电器），这两类电器一般功率消耗较大，家庭总功耗也主要由这两类电器产生；类型Ⅲ电器（连续状态电器）使用频率低，工作模式不稳定；类型Ⅳ电器（持续工作型电器）能耗低且处于持续运行状态。目前NILM 研究主要集中对类型Ⅰ和类型Ⅱ电器的能耗分析。因此，实验选取具有代表性的5 种电器：类型Ⅰ电器水壶、微波炉、冰箱；类型Ⅱ电器洗衣机、洗碗机。

采集数据中存在缺失、重复、异常值等问题，需要进行重采样、清洗等一系列处理后才能用于实验。数据重采样主要解决数据集中总线数据和支线数据在时间上的对齐问题，文中采用降采样的方式将总线上的数据向下与支路数据对齐；数据清洗主要解决数据集中的异常值，在实际数据采集过程中由于采集装置、用电器或电路的原因，原始数据常常会有空缺值等异常情况，造成各支线功率的总和与总线功率差异较大，影响最终实验结果，文中直接将异常数据删除。

2.2 评价指标

采用多个评价指标全面评估方法的分解性能［24］，包括平均绝对误差（mean absolute error，MAE）、准确率、精确度、召回率和F1值（F1值为精确度和召回率的加权平均值）。设yjt和分别为电器j在t时刻的真实功率和预测功率，给定长度为T的预测序列，电器j的各评价指标定义为：

式中：Mj为电器j的MAE；racc为准确率；rpre为精确度；rrec为召回率；Itp为真正例，表示正确地将电器开启状态识别为开启状态的样本点数量；Itn为真负例，表示正确地将电器关闭状态识别为关闭状态的样本点数量；Ifp为假正例，表示原本停止运行的电器但却被错误识别为运行状态的样本点数量；Ifn为假负例，表示实际为运行状态的样本点的漏识别总数。

2.3 结果分析

1）分解结果性能对比。

为验证所提负荷分解方法的有效性，在5 种电器上分别进行负荷分解，并与序列到点（sequence to point，S2P）［4］、双向编码器表示（bidirectional encoder representations from transformers，BERT）［6］、变分自编码器（variational autoencoders，VAE）［8］这3 种方法进行多指标对比，实验结果如表1 所示。表1 的最后给出了5 种电器在测试指标上的平均结果。

表1 功率分解结果Table 1 Power decomposition results

由表1 可以看出，所提方法在各项分解指标上普遍有所提高，为更加直观地比较分解结果的准确性，重点阐述所提方法在MAE 上提升效果。在5 种电器的平均结果上，MAE 较对比方法平均减少了约36%，与最优方法相比减少了约16%。相对于总体来说，多状态电器洗碗机和洗衣机平均MAE 较对比方法平均减少了约47%，与最优方法相比减少了约18%，有效证明了所提多特征融合方法在多状态电器方面分解的优势。总体来说，由于电器的工作模式、启动频率以及运行时长的差异，不同电器的MAE 相差较大，但文中方法相对于对比方法均有不同程度的提升。

2）分解结果可视化。

为更加直观地对比每种方法在5 种用电器上的分解效果，充分突出文中方法对多状态电器低功率状态的分解性能，截取出用电器在同一时间段内的预测分解结果以及真实功率情况，如图4 所示。

图4 不同方法对5种电器的负荷分解结果Fig.4 Load decomposition results for five types of electrical appliances using different methods

由图4 可以看出，所有方法都能将热水壶较好地分解出来，这是因为其工作模式简单，功率特征易区分，不易受其他电器干扰；但对比方法会在某些时间段难以分解微波炉，原因可能是其运行时间短，功率特征相比于热水壶不明显；特别地，在处理多状态电器（如洗碗机和洗衣机）时文中方法对低功率状态分解性能显著提升，由图4 可知即使是洗碗机中的120 W 功率波动应用文中所提方法也能有效识别，而由于其功率波动幅值低，且易受总线中大功率波动的影响，导致无法完全有效地分解出来，但相较于其他对比方法依然有很大提升；此外，在处理冰箱时文中和对比方法都将10 W 的待机功率视为0，将其视为总线数据的背景噪声，对于冰箱工作状态的分解结果，文中方法也体现出了很好的优越性。这些结果充分证明了文中所提方法的有效性和实用性。

3）多特征融合效果对比。

为进一步探究多特征融合对负荷分解效果的影响，设置两种方法与文中方法进行对比：方法1 将Bi-LSTM 模块替换为卷积模块，只考虑多尺度空间特征融合；方法2 仅保留同层编码器和解码器跳跃连接，不考虑多尺度空间特征融合。数据集划分方式、参数设置和数据处理方法都保持不变，针对不同电器负荷分解结果如表2 所示。表2 是实际上消融实验结果对比，与表1 类似，全面度量总体性能。

表2 不同方式特征融合效果对比Table 2 Comparison of different feature fusion methods results

从表2 可以看出，与方法2 相比，方法1 在5 种电器上MAE 平均降低16%左右，证明了多尺度空间特征融合的有效性；文中方法与方法1 相比在5 种电器上MAE 平均降低22% 左右，充分说明了Bi-LSTM 的引入能很好地提取输入序列中的时序特征，充分挖掘数据中的上下文信息，进一步提高方法对目标电器分解精度。

3 结束语

提出了一种适于电器在低功率运行状态的多特征融合负荷分解方法，通过一系列嵌套的密集跳跃连接将提取到的多尺度空间特征以及时序特征融合到了一起，充分考虑了不同尺度的功率波动信息，显著提升了多状态电器的低功率状态分解的效果。通过实验比较，发现加入不同程度的特征融合后，负荷分解的准确度有不同程度提高，尤其是多特征融合方法能够在数据分布不平衡的情况下提高方法的鲁棒性和泛化性能，因此更为适用于负荷分解领域。经过实际的实验结果对比和对可视化分析的观察，提出的方法在MAE 指标方面相较于其他3 种对比方法，平均提升了超过36% 的精度，验证了文中方法的优越性。考虑到Bi-LSTM 网络的并行运算能力较弱，为负荷分解带来了一定的时间开销，这是今后方法改进的重要方向。