基于Transformer的NILM算法，结合嵌入式卷积层实现序列到点的能量分解

《IEEE Open Journal of Instrumentation and Measurement》：Transformer-Based NILM with Embedded Convolutional Layers for Sequence-to-Point Energy Disaggregation

　　

摘要：

能源分解是能源管理中的基本方法，它允许分析总电力消耗并将其分解为各个单独的电器设备，而无需进行侵入式安装。非侵入式负载监测（NILM）在这种背景下成为一种创新的方法，能够监测和优化家庭能源消耗。本文提出了一种基于卷积变换器的先进模型，用于在序列到点（S2P）设置下进行能源分解。与之前的提案相比，该模型通过结合位置嵌入、多头注意力机制、逐点卷积和扩张卷积，为S2P NILM引入了一种紧凑的卷积变换器架构。研究使用REFIT数据集中的全新房屋样本评估了该模型的泛化能力，结果表明其性能优于几种最先进的模型。此外，该研究还通过使用UK-DALE数据集评估了模型对不同环境的适应性，从而证明了该模型在不同环境/房屋中的适用性。结果表明，所提出的模型不仅在能源分解性能方面表现出色（实现了所有电器设备最低的平均MAE（13.37）和SAE（12.46）），而且在多种场景下也表现出稳健的性能。与表现最佳的参考模型（[33]，MAE = 40.24和SAE = 16.95）相比，所提出的方法将平均误差降低了约67%（MAE）和21%（SAE）。