基于时间卷积网络改进的非侵入式负荷监测方法研究OA

针对当前非侵入式负荷监测(non-intrusive load monitoring,NILM)技术在处理复杂电器负荷和长时间序列时准确性不足及计算效率低的问题,文中提出了一种TCN-1DEMA-MTL模型。模型利用时序卷积网络(temporal convolutional network,TCN)模块提取数据的上下文特征并实现多层次特征融合,引入一维指数移动平均(one-dimensional exponential moving average,1DEMA)注意力机制以动态加权优化特征提取效果,采用多任务学习(multi task learning,MTL)框架将负荷分解与状态识别任务集成以进一步提升预测精度。实验阶段与现有的双向长短期记忆(long short-term memory,LSTM)、S2P模型和LDwA模型进行了比较,所提模型在各项性能指标上均表现出显著优势。实验结果验证了所提方案的有效性和实用性,为居民电力负荷监测的发展提供了有力的借鉴。