基于深度神經(jīng)網(wǎng)絡的天津大學，智能配用電裝備與系統(tǒng)全國重點實驗室2025年12月@吉林市天津大學天津大學I研究背景I研究背景深度深度NILM方法現(xiàn)狀及挑戰(zhàn)團隊深度團隊深度NILM代表性成果總結與展望總結與展望低碳新型電力系統(tǒng)智慧城市微波爐微波爐智能電網(wǎng)運行優(yōu)化智能電網(wǎng)運行優(yōu)化0個性化節(jié)能減排用電安全稽查與監(jiān)管供電電源入口智能插座/傳感器高NILM智能插座/傳感器高NILM難低難低低設備級功率數(shù)據(jù)總功率數(shù)據(jù)設備級功率數(shù)據(jù)總功率數(shù)據(jù)NILM和ILMNILM和ILM原理框架圖天津大學天津大學*數(shù)據(jù)類型*數(shù)據(jù)采集頻率*穩(wěn)態(tài)特征*暫態(tài)特征*非傳統(tǒng)特征*信號處理*機器學習高級應用*電力公司*電力用戶天津大學天津大學研究背景研究背景基于深度神經(jīng)網(wǎng)絡模型的NILM(簡稱“深度NILM”)以端到端特征學習的方式重塑了研究范式。DNNDNNDNN器的功率序列。Seq2Point模型：輸入一段總功某特定電器設備的功率。輸出目標功率序列隱層輸出目標功率序列隱層率序列層特征，以濾除作為“噪聲”的其他電器干擾，最終通過解碼器從混合信號中重構出目標電器功率序列。II-2.深度NILM方法前沿趨勢隨著經(jīng)典深度模型在性能上逼近瓶頸，近期研究引入自然語言處理與圖論中的前沿方法來提升深度模型的建模能力。LxNormQQK融合注意力機制的Transformer模型可捕捉負荷數(shù)據(jù)中豐富的上下文關系，利用全局注意力機制解決超圖神經(jīng)網(wǎng)絡可建模不同電器設備之間的關聯(lián)性，輔助識別過程。圖模型中節(jié)點表示電器，邊代表相關性。自監(jiān)督前置任務訓練自監(jiān)督前置任務訓練目標域無標簽數(shù)據(jù)集知識遷移有監(jiān)督下游任務訓練源域有標簽數(shù)據(jù)集前置任務下游任務為了應對不同場景數(shù)據(jù)分布差異，遷移學習與元學習已成為熱點，可實現(xiàn)“訓練一次，多域可用”化，導致靜態(tài)模型難以適配實際環(huán)境。③深度NILM模型跨多元用戶場景泛化能力有限，加之深度跨多元用戶場景泛化能力弱足量精準標簽數(shù)據(jù)獲取難跨多元用戶場景泛化能力弱足量精準標簽數(shù)據(jù)獲取難用戶負荷構成動態(tài)變化用戶負荷構成動態(tài)變化用戶戶內(nèi)用戶戶內(nèi)室內(nèi)配電支路伐感器電熱水器電視機洗衣機室內(nèi)配電箱傳感器w聚合功率冰箱?未知負載數(shù)據(jù)分布差異未知設備干擾不精確分解洗衣機用戶B(未見數(shù)據(jù))(已訓)聚合功率輛儲分解動態(tài)構成變化t基線負荷曲線(T1:冬季)季節(jié)性轉變針對上述瓶頸，課題組聚焦異構負荷特征融合的NILM、多源域NILM模型自適應遷移、NILM模型動態(tài)可擴展增量學習、噪聲標簽數(shù)據(jù)下NILM模型自主更新等開展研究。天津大學研究背景研究背景深度深度NILM方法現(xiàn)狀及挑戰(zhàn)團隊深度NILM代表性成果總結與展望總結與展望總體思路總體思路已知負荷模型更新新增設備動態(tài)適配多元場景已知負荷模型更新新增設備動態(tài)適配融合圖像特征與統(tǒng)計特征模型更新預測模型更新預測結果噪聲標簽數(shù)據(jù)下深模型在線自主更新原始原始模型增量更新場景的深場景的深遷移模型擴展增量更新基于多源域自適應遷移學習的深度NILM模型構建動態(tài)適配適應動態(tài)場景的深度NILM模型擴展增量更新多元場景模型構建融合圖像特征與統(tǒng)計特征的端到端深度NILM基于多源域自適應遷移學習的深度NILM模型構建噪聲標簽數(shù)據(jù)下深度NILM模型在線圖像特征圖像特征V-I軌跡能刻畫電壓與電流的動態(tài)關系，適合做“形狀/紋理”識別，但歸一化后的V-I軌跡缺少幅值信息；另一方面，功率、功率因數(shù)、諧波、電流統(tǒng)計量等物理統(tǒng)計特征可反映諧波含量和幅值差異，卻缺乏微觀結構表達能力。二者融合可在深度NILM模型中同時利用視覺結構信息和物理統(tǒng)計信息，擴展空調(diào)風扇統(tǒng)計特征冰箱風扇統(tǒng)計特征電腦電腦空調(diào)吸塵器洗衣機熒光燈風扇冰箱白熾燈天津大學天津大學構建了端到端異構特征融合框架：首先，將負荷電壓-電流波形轉換為V-I軌跡圖像，由ResNet-50提取高維深度特征；同時，對同一數(shù)據(jù)片段計算有功、無功、各次諧波和THD等多維統(tǒng)計特征，并通過聯(lián)合全融合，分別對兩類特征做深度變換后，在隱空間V-I軌跡特征在實測數(shù)據(jù)集上，分別比較僅用統(tǒng)計特征(G1、G2、G3)、V-I特征及特征融合模型的表現(xiàn)。結果表明：統(tǒng)計特征的F-macro約為0.89,V-I特征可提升到約0.96;引入異構特征融合后，三種模型F-macro均得到提升，其中聯(lián)合全融合達約0.978,并明顯改善了空調(diào)、冰箱、洗衣機等多狀態(tài)電器的識別效果。對于聯(lián)合全融合模型，統(tǒng)計分支只增加少量全連接層，參數(shù)量和FLOPs僅略高于V-I模型，驗證了偏度，25%與75%分動態(tài)適配融合圖像特征與統(tǒng)計特征的端到端深度NILM噪聲標簽噪聲標簽數(shù)據(jù)下深度NILM模型在線場景的深模型遷移度模型遷移模型擴展增量更新基于多源域自適應遷移學習的深度NILM模型構建天津大學天津大學域在電器類型、運行工況和行為習慣等方面覆蓋有限，多源域遷移學習可聯(lián)合利用多個已知用戶的互補信息，針對不同目標用戶自適應選取或加權更相似的源域。為了利用這一優(yōu)勢并抑制由分布差異可能帶來的“負遷移”,有必要構建可顯式度量源域-目標域關聯(lián)性的多源域適應策略，從而提升模型遷用戶1用戶2用戶1用戶2單源域遷移多源域遷移單源域遷移多源域遷移用戶4用戶3用戶3用戶4用戶3域源單域源單米目標域目標域天津大學天津大學提出了一種多源域自適應的非侵入負荷功率監(jiān)測方法。首先，采用基于對抗學習的領域自適應機制對齊源域和目標域的特征空間，挖掘出領域不變特征；然后，基于數(shù)據(jù)蒸餾機制從源域用戶中移除與目標域用戶差異較大的樣本，有效抑制了領域特定特征的過度表征；最后，根據(jù)各源域用戶和目標多源域標注和目標域無標注負荷數(shù)據(jù)多源域標注和目標域無標注負荷數(shù)據(jù)卷積層-20@8功率回歸網(wǎng)絡功率回歸網(wǎng)絡卷積層-20@6卷積層-20@6特征提取網(wǎng)絡特征提取網(wǎng)絡填充4填充4卷積層-20@5填充-4填充-4對抗自適應數(shù)據(jù)蒸餾源-目標相似度度量加權估計卷積層-10@5目標域用戶負荷分解結果輸出目標域用戶負荷分解結果功率監(jiān)測模型結構天津大學天津大學朝朝0對比實驗消融實驗無對抗訓練無數(shù)據(jù)蒸餾平均加權(2)預訓練(左)(2)預訓練(左)和自適應(右)模型的洗碗機特征新增設備動態(tài)適配適應動態(tài)場景的深模型擴展增量更新原始模型增量更新模型構建融合圖像特征與統(tǒng)計特征的端到端深度NILM模型基于多源域自適應遷移學習的深度NILM模型構建噪聲標簽數(shù)據(jù)下深度NILM模型在線天津大學天津大學現(xiàn)有深度NILM模型通常在固定電器集合上一次性離線訓練，用戶新增電器后，往往需要整體重訓，“新任務”,在保持原有識別能力的情況下，擴展可識別電器集合。不過，增量學習面臨“穩(wěn)定性-可塑性”權衡：既要避免對既有電器識別性能的顯著退化(穩(wěn)定性),又要在少量新樣本和有限存儲條件下快速適應新電器(可塑性),有效緩解災難性遺忘，這對NILM模型設計提出了更高要求。(電器數(shù)量變化)(不斷適應新電器)模型1模型2模型3模型4電器特征空間(電器特征類別增加)提出了一種動態(tài)可擴展表示的深度NILM增量學習方法。①對初始電器訓練一個特征提取器和分類器，并從各類樣本中選取少量代表樣本存入記憶庫。②針對新類別增量任務，新增一支特征提取器，所樣本訓練新分支，使其專門為新類學習特征表示。③凍結整個特征提取器，在類別均衡采樣數(shù)據(jù)上單獨重新訓練分類器，調(diào)整所有新、舊類別的決策邊界，在有限記憶下緩解災難性遺忘。ApplianceFeatureExtractorF?HHHH天津大學天津大學在實測數(shù)據(jù)集上，以負荷V-I軌跡圖像(32*32*3)特征作為模型輸入，采用ResNet-18作為特征提空調(diào)風扇冰箱微波爐任務一本方法1-----重訓練1------本方法---重訓練1----本方法-重訓練--任務四本方法重訓練模型更新模型模型更新預測結果數(shù)據(jù)下深數(shù)據(jù)下深模型在線自主更新基于多源域自適應遷移學習天津大學ⅢI-4.噪聲標簽下模型更新(背景)天津大學ⅢI-4.噪聲標簽下模型更新(背景)基于深度神經(jīng)網(wǎng)絡模型的NILM依賴大規(guī)模且精確標注的設備級數(shù)據(jù)。一方面，人工標注誤差、數(shù)據(jù)采集與傳輸過程中的干擾等因素都會引入噪聲標簽；另一方面，現(xiàn)場運行的NILM系統(tǒng)通常只能依據(jù)模型自身給出的識別結果進行自我更新，鑒于識別結果不免存在錯誤，模型更新需要在噪聲標簽條件下進行。如果模型仍采用經(jīng)典監(jiān)督學習范式，容易被錯誤標簽信息“帶偏”,導致特征學習錯誤、泛6o(a)PLAID數(shù)據(jù)集無噪聲標簽t-SNE可視化結果(b)PLAID數(shù)據(jù)集包含50%噪聲標簽數(shù)據(jù)t-SNE可視化結果天津大學ⅢI-4.天津大學ⅢI-4.噪聲標簽下模型更新(方法)②選擇模型在初始類標簽上置信度大于預定閾值的樣本，進行消極學習(FNL);③選擇模型在初始類標簽上置信度大于更高閾值的樣本，進行積極學(b)半監(jiān)督學習：將“噪聲標簽”樣本視為“無標簽數(shù)據(jù)”,并與正確標簽樣本一同送入基于偽標積極學習這是加熱器積極學習這是加熱器這不是微波爐消極學習真實標簽：吸塵器噪聲標簽：加熱器消極學習是一種間接學習方法，該方法使用互補標簽來訓練模型。設定標簽集合為[y?,Y?,y?,…yn],若噪聲標簽是y?,則互補標簽集合為[y?,Y?,…,yn],從中隨機選擇標簽y;,訓練NL訓練(a)噪聲標簽過濾(b)半監(jiān)督學習V-I軌跡標簽**1eB噪聲標簽比例(%)優(yōu)于基線方法；噪聲標簽數(shù)據(jù)比例20%、40%、60%噪聲標簽比例(%)01天津大學天津大學天津大學天津大學本研究圍繞“基于深度神經(jīng)網(wǎng)絡模型的非侵入式負荷監(jiān)測”,從特征表達、域自適應到增量更新構建了完整的方法體系，主要特點與優(yōu)勢如下：√多源域自適應遷移學習：面向不同用戶、設備與采樣條件，采用多源域遷移與數(shù)據(jù)蒸