基于时间序列的居民用户非侵入式负荷分解研究

针对传统的机器学习方法识别准确度低的问题,非侵入式负荷分解因其充分利用现有智能电能计量装置采集的数据,无需对计量装置与线路进行改造,得到了广泛应用。文中分析多种非侵入式负荷分解的深度学习方法,提出基于上下文信息的序列到点的非侵入式负荷分解方法。通过在采集的长时间序列上设置滑动获取输入的待识别序列,使用输入侧的一段时间区间内的中间位置作为输出侧值,大幅缩小计算量。将对应的目标设备作为单点输出,该方法通过卷积神经网络学习到目标设备的特征,并将这些特征加入模型,有效降低了误识别率。实验结果表明,使用该方法进行居民负荷分解效果良好,F1值相比LSTM等方法提高了约30%。