针对Noen-Intrusive Load Monitoring(NILM)的状态细分方法,采用了经过校准的bagged Seq2Point一维卷积神经网络

《ENERGY AND BUILDINGS》:State disaggregation for Noen-Intrusive Load Monitoring (NILM) with calibrated bagged Seq2Point 1D convolutional neural networks

【字体: 大 中 小 】 时间:2026年04月03日 来源:ENERGY AND BUILDINGS 7.1

编辑推荐:

  非侵入式负荷监测通过低频智能电表数据解耦多家电状态,传统方法存在标签噪声、类不平衡、概率校准不足及时序碎片化问题。本文提出CB-S2P框架,集成设备特异性阈值优化、类平衡交叉熵损失、温度校准和时序平滑机制,并采用三重聚集策略。实验表明,在REDD数据集上各家电准确率达0.98-0.99,F1分数0.98-0.99,优于基线CNN。

  
Md Mahadi Hasan Imran | Muhamad Zalani Daud | Muhammad Mukhtar Qureshi | Shahrizan Jamaludin | Atta-ur-Rahman | Md Meherullah | Abdullah Alqahtani
马来西亚登嘉楼大学海洋工程技术学院,21030 Kuala Nerus, 登嘉楼州,马来西亚

摘要

非侵入式负载监测(NILM)旨在从总功率数据中推断设备的运行状态,但由于设备标签通常是基于启发式阈值生成的,ON/OFF类别严重不平衡,预测概率校准不足,以及输出序列可能变得碎片化和不稳定,因此可靠的状态分解仍然具有挑战性。为了解决这些问题,本研究提出了一种经过校准的Bagged Seq2Point一维卷积神经网络,称为CB-S2P NILM。该框架整合了基于验证的设备特定阈值优化、类别平衡的二进制交叉熵、温度缩放、时间平滑和停留时间约束,以及bagged集成预测,以提高鲁棒性和预测稳定性。在REDD数据集上对六种设备进行评估时,所提出的方法表现出强大且一致的性能。在验证阶段,Bagged CNN达到了0.98至0.99的设备级准确率和0.98至0.99的F1分数,优于所有评估的基线CNN。敏感性分析进一步表明,集成大小为三个时可以获得最佳的整体性能,平均准确率为0.99,平均F1分数为0.99。总体而言,所提出的CB-S2P NILM为评估的REDD跨家庭环境中的设备状态分解提供了一个鲁棒、可解释且可复制的框架。

引言

非侵入式负载监测(NILM)可以从单一的总电力信号中分离出各个设备的贡献,从而无需在每个设备上安装专用传感器即可实现终端用户的可见性[1]、[2]、[3]。在实际应用中,如需求响应、故障诊断和家庭能源自动化,主要需求通常是可靠地识别设备的激活模式,因为了解设备何时开启和关闭对于决策制定比重建详细的功率波形更有用[3]、[4]。因此,状态分解解决了设备何时运行的核心问题,并支持可解释的分析,如占空比估计、持续时间分析和转换时机。
然而,从总测量数据中生成稳定和可信的设备状态序列仍然是一个持续的挑战[5]、[6]。在许多NILM研究中,训练标签是根据因设备和数据集而异的临时功率阈值得出的,这会在模型开发中引入噪声监督[6]。同时,NILM数据本质上是不平衡的,因为设备处于关闭状态的时间远长于开启状态的时间,而设备操作的重叠进一步复杂化了信号分离[7]。在这些条件下,深度学习模型经常产生校准不准确的置信度分数,使得固定的决策阈值不可靠,分钟级别的预测经常出现时间上的波动,将真实的激活期分割成多个虚假的短时段[6]、[8]、[9]、[10]、[11]。这些困难表明,实用的NILM框架不仅应该准确,还应该具有标签意识、统计校准,并且在低频运行条件下时间稳定。
最近的NILM研究表明,当有高频电压-电流(V-I)测量数据时,强大的表示学习可以获得优异的结果。受对象检测框架启发的以事件为中心的方法,如DeepDFML-NILM[12],能够在精心策划的数据集上共同定位事件并高精度地对设备进行分类。类似地,基于图像或轨迹的短V-I窗口表示已被广泛采用以加强设备区分。Ma等人[13]结合了累积和检测与V-I图像编码,并报告了接近顶级的分类性能,而Chen等人[14]引入了使用时间和频谱Gramian场的双流CNN来提高特征多样性。相关研究还探索了在谐波图上的双CNN[15]、在2D-CNN分类之前的可学习图像表示[16]、面向量化FPGA的CNN实现[17]、RGB热图表示[18],以及结合经典机器学习分类器的散射变换特征[19]。Monteiro等人[20]同样表明,直接应用于高频电流信号的CNN可以在减少预处理需求的情况下提供强大的性能。总体而言,这些研究证实了丰富的瞬态级别表示学习的有效性。然而,它们通常围绕波形丰富的传感条件、单事件假设或高度策划的实验设置构建,并且它们没有直接解决在分钟级别住宅智能电表数据下的稳定多设备状态分解问题[12]、[17]、[18]、[20]、[21]、[22]。
对于仅提供总有效功率流的低频NILM,序列学习已成为主导范式。紧凑的Seq2Point一维CNN通过将时间窗口映射到中心目标标签来提供强大的基线,而循环、混合和基于注意力的扩展尝试改进时间依赖性建模。Belguermi等人[23]表明,1D CNN-LSTM混合模型可以在AMPds2上实现高F1分数,尽管对于低功率和复合负载的性能较弱。Grover等人[24]报告了通过注意力增强的卷积循环设计的改进,而Lin等人[25]和Cheng与Zhong[26]提出的Transformer风格模型进一步改善了一些设备级别的结果。其他低频研究探索了LSTM-注意力架构[27]、多分支CNN-GRU注意力模型[28]以及同时执行能量回归和状态分类的双任务框架[29]。同时,一些研究人员将分钟级序列转换为视觉形式以利用2D-CNN,包括时间条形图[30]和vizgram矩阵[31],而其他人通过CNN-LSTM集成[32]、具有特征调制的去噪自动编码器结构[33]、用于基于回归的分解的卷积自动编码器[34]、复合损失设计[35]或半监督时间卷积学习[36]来增强时间一致性。尽管有这些方法上的进步,但文献中反复出现相同的实际限制:对标签质量的敏感性、处理低功率或多态设备的难度、基于注意力和混合架构的复杂性增加,以及跨家庭的泛化能力有限[23]、[28]、[29]、[31]、[32]、[35]。
此外,对最近NILM研究的更广泛比较进一步强调了这些未解决的问题。Yan等人[37]表明,设计良好的统计特征结合随机森林在跨家庭环境中仍然具有高度竞争力,这表明仅靠更深的架构并不能保证鲁棒的泛化。Wang等人[38]提出了一种基于模式的CNN来检测上升、下降和正常状态,但该框架不支持完全的多设备分解。Zhao等人[39]研究了无监督的状态转换建模并取得了有希望的F分数,尽管该方法严重依赖于准确的分割,并且在设备活动重叠的情况下可靠性较低。Sykiotis等人[40]表明,Transformer预训练可以改善低频NILM,但稀疏激活仍然具有挑战性。Shahab等人[41]将Seq2Point学习与基于频谱图的CNN迁移学习相结合,在REDD和REFIT上获得了扎实的结果,尽管同步和重叠限制仍然存在。特定领域的研究也扩展了NILM的应用,包括船用系统[42]和使用有功和无功功率的低频事件分类[43]。尽管如此,即使是像Tra-CNN[26]和inception风格的多尺度CNN[44]这样的先进架构,也继续揭示了模型复杂性、感受野设计和计算负担之间的权衡。此外,表1提供了最近NILM研究的综合总结,根据其核心架构、数据集、报告的性能和关键限制对现有方法进行了分类。
这些集体发现使当前的研究空白更加明确。首先,设备状态标签仍然通常使用启发式阈值生成,这些阈值没有针对每个设备进行系统验证,从而在训练和评估中引入了标签噪声[23]、[30]、[31]、[35]。其次,尽管深度神经模型通常输出高度自信的概率,但在NILM中明确概率校准的使用仍然不足,当设备分布发生变化时,决策阈值变得脆弱[26]、[27]、[29]、[45]。第三,分钟级别的预测经常在ON和OFF状态之间振荡,因为时间平滑和停留时间逻辑要么缺失,要么理由不充分,导致激活片段化和虚假转换率膨胀[23]、[30]、[31]。最后,NILM数据集通常规模有限且高度异构,这使得预测对随机初始化敏感,并增加了模型方差,而集成bagging在低频状态分类中很少被探索[24]、[46]。
为了解决这些限制,本研究提出了一种校准的Bagged Seq2Point NILM框架(CB-S2P NILM),用于在低频智能电表条件下进行状态分解,而不依赖于复杂的循环、基于注意力的或时间-频率融合架构。所提出的框架结合了基于验证的设备特定标签校准、不平衡感知的Seq2Point CNN学习、通过温度缩放的概率校准、时间一致的后处理和bagged集成预测,形成了统一的设计。通过这种方式,该方法旨在提高评估的REDD跨家庭环境中低频NILM的可靠性、可解释性和鲁棒性。
本研究的主要贡献有三个方面。首先,它引入了一种基于验证的标签构建策略,用设备特定的阈值优化取代了固定的启发式阈值。其次,它开发了一个紧凑的Seq2Point CNN框架,用于状态分解,明确结合了不平衡感知学习、校准的决策制定和时间稳定。第三,它展示了使用bagged集成预测作为有效减少方差策略,以提高低频NILM分类的鲁棒性。
本文的其余部分组织如下。第2节介绍了提出的方法论,包括数据预处理、标签校准、模型架构、概率缩放、时间平滑和集成学习。第3节报告了在REDD数据集上的实验结果,以及对现有NILM方法的分析和基准测试。最后,第4节总结了研究的主要发现,并概述了未来研究的方向。

章节片段

模型开发

CB-S2P框架旨在解决低频NILM的几个实际挑战,包括噪声设备状态标签、严重的ON/OFF不平衡、不稳定的概率到状态转换、时间碎片化的预测以及模型运行之间的方差。因此,该方法论结合了特征增强的Seq2Point学习、不平衡感知优化、概率校准、时间后处理和bagged预测,以便每个组件解决一个特定的问题

数据集和特征描述

本研究使用了REDD数据集,重点关注四栋房屋和六种设备:洗碗机、电加热器、电炉、冰箱、微波炉和洗衣机烘干机。为了确保评估的稳健性,使用了三栋房屋的数据进行训练,另一栋房屋用于测试。在训练部分,80%的数据用于训练,20%用于验证。使用单独的房屋进行测试使我们能够评估模型对未见房屋的泛化能力。

结论

本研究开发并评估了一个校准的bagged Seq2Point一维卷积神经网络框架,称为CB-S2P NILM,用于在低频智能电表条件下进行稳健的设备状态分解。所提出的框架旨在解决NILM中常见的几个实际弱点,即启发式标签生成、严重的ON/OFF不平衡、校准不足的输出概率、时间碎片化的预测以及重复运行之间的方差

写作过程中生成式AI和AI辅助技术的声明

在撰写本工作的过程中,作者使用了ChatGPT来提高清晰度和语言表达。在使用该工具/服务后,作者仔细审查和编辑了内容,并对出版物的内容负全责。

CRediT作者贡献声明

Md Mahadi Hasan Imran:写作 – 审查与编辑、撰写 – 原始草稿、可视化、验证、软件、方法论、调查、形式分析、概念化。Muhamad Zalani Daud:写作 – 审查与编辑、可视化、监督、方法论。Muhammad Mukhtar Qureshi:写作 – 审查与编辑、软件、形式分析。Shahrizan Jamaludin:写作 – 审查与编辑、监督。Atta-ur-Rahman:写作 – 审查与编辑、监督、形式分析。Md Meherullah:

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

作者感谢马来西亚高等教育部(MOHE)通过基础研究资助计划(FRGS/1/2024/TK07/UMT/02/1)提供的财政支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号