基于智能电能表数据的非侵入式负载监测

• 作者: 王晖南 薛建立 刘佳易
• 来源期刊: 电测与仪表
• 学科: 工学
• 关键词: 负载监测 智能电能表 深度学习 贝叶斯优化
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 仪器仪表
• 页码范围: 178-182
• 页数: 5页
• 分类号: TM714
• 语种: 中文
• DOI: 10.19753/j.issn1001-1390.2021.02.028

摘要

非侵入式负载监测(Non-Intrusive Load Monitoring,NILM)旨在将家庭总用电分解为含有多个组分的负载信号,以识别出不同用电设备的用电特征并实现异常用电的自动检测.传统方法通常将NILM视为分类问题处理,在忽视了负载中的大量功率波动细节的同时,当用电设备增加时,模型的复杂度大幅上升,从而在实用性上受到限制.针对这一问题,文章提出将NILM作为序列到序列的回归问题,使用长短期记忆网络(Long Short-term Memory,LSTM)学习设备负载中的长期依赖,提高回归性能.此外,引入了非因果结构与贝叶斯参数优化框架,解决模型在处理多状态设备时的问题,提升模型表现.真实的智能电能表数据实验表明,该方法优于当前其他主流方法.