一种用于非侵入式负荷分解的改进时域卷积网络

非侵入式负载监测(Non-Intrusive Load Monitoring)是通过监测用户电表的总用电量数据并应用负载分解算法,以获取各个电器实时用电量数据。然而,非侵入式负载分解作为一种单通道盲源分离问题,由于其固有的无法识别性导致实现分解困难。深度学习逐渐成为解决NILM问题的主流方法,得益于可用的数据、计算能力和深度网络训练算法模型。其中,序列到点(seq2point)负荷分解模型(Zhang)实现了最先进的预测效果。利用TCN网络架构,使用双向扩张卷积结构代替因果卷积结构,扩大了网络的感受野,并使用非线性激活函数GELU和层标准化(LN)方法,通过残差连接的思想搭建了时域卷积网络模型。最后,在公共数据集UK-DALE上对算法进行了测试,并选择平均绝对误差和F-score作为主要评价指标来评估算法的性能。通过对比两种算法在相同周期数据集上的分解结果,发现基于TCN改进的模型,显著提高了负荷分解的性能指标。