基于时域卷积网络和自注意力的非侵入式负荷监测方法

摘要：

针对用电设备的运行状态多样、持续时间长等特性导致的现有负荷监测模型计算复杂度高、难以捕获设备长时间运行模式的问题,提出一种基于时域卷积网络(Temporal convolutional network,TCN)与自注意力模型的非侵入式负荷监测方法.采用序列到点学习方式,将总电能消耗输入到TCN中以提取丰富特征;同时,通过残差连接,学习用电设备不同层次的能耗模式.利用自注意力模型,计算总信号每个位置的重要性,捕捉模式间的内部相关性.利用REDD数据集开展对比实验.实验结果表明,与采用循环神经网络、去噪自编码器、卷积神经网络、生成对抗网络和TCN的负荷监测方法相比,该模型的平均绝对误差降低了约38％,F1分数提高了约 17％.最后,利用UK-DALE数据集验证了该模型的泛化能力.

关键词：非侵入、负荷监测、序列到点、时域卷积网络、残差连接、自注意力

所属期刊栏目：39

分类号：TM714(输配电工程、电力网及电力系统)

资助基金：河北省自然科学基金F2021502013

在线出版日期：2023-04-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：42-51