面向多能耦合(MEC, Multi-Energy Coupling)电器异常事件在线检测的一种轻量级非侵入式负荷监测(NILM, Non-Intrusive Load Monitoring)方法

《ENERGY CONVERSION AND MANAGEMENT》：A lightweight non-intrusive load monitoring method for multi-energy coupling appliances with exceptional event online detection

　　

摘要：多能耦合(Multi-Energy Coupling, MEC)电器不同于传统纯用电电器，其往往存在历史数据匮乏的问题，这给该类电器的非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)带来了挑战，尤其在存在异常事件(Exceptional Events)的情况下。本文提出一种考虑异常事件在线检测的多能耦合电器非侵入式负荷监测方法。首先，提出一种基于三元组孪生神经网络(Triplet Siamese Neural Network)的多能耦合电器非侵入式负荷监测方法，可在少量样本下实现可靠性能。对于异常事件在线检测，采用高斯混合模型与支持向量机(Support Vector Machine, SVM)混合方法筛选低置信度的潜在异常事件；利用局部离群因子(Local Outlier Factor, LOF)剔除由随机误差引起的伪异常事件；为减轻预设检测阈值对算法的影响，首次提出一种带阈值自适应(Threshold Adaptation)的自监督自编码器(Self-Supervised Autoencoder, SS-AE)方法进行异常事件检测。最后，利用检测到的异常事件通过迁移学习(Transfer Learning)更新非侵入式负荷监测模型。研究人员在综合能源系统(Integrated Energy Systems, IES)工业园区的18台多能耦合电器上验证了所提方法的有效性与优越性。

论文解读：面向多能耦合电器异常事件在线检测的一种轻量级非侵入式负荷监测方法

一、研究背景与意义

传统非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)主要用于电力系统，将总用电负荷分解为各单台电器用能，但综合能源系统(Integrated Energy Systems, IES)中包含电、热、气、冷多能耦合(Multi-Energy Coupling, MEC)电器（如电锅炉EB、燃气锅炉GB、热电联产CHP、吸收式制冷机AR、电制冷机ER等），其多能时空耦合特征显著且标注样本极少。现有NILM多针对纯电气负荷，无法处理多能耦合特性；深度学习方法通常依赖大量标注数据，而IES中标签样本稀缺；此外，IES运行中常出现新增电器、测量偏移或电器损坏等异常事件(Exceptional Events)，会持续降低NILM识别精度，而现有方法多仅将异常视为噪声剔除，未对其进行在线识别与利用以更新模型。针对上述研究空白，Yongxi Liu、Chunyang Liu、Yanxu Song、Hengxu Zhang及Haoran Zhao开展本研究，提出具备在线异常事件检测与模型自演化能力的多能耦合电器NILM框架，并在《ENERGY CONVERSION AND MANAGEMENT》发表。研究表明，该方法在小样本场景下NILM准确率超95%，且能有效检测异常事件并通过迁移学习更新模型以维持长期监测鲁棒性。

二、关键技术方法概述

研究人员采集多能时序耦合特征向量作为输入，首先构建改进三元组孪生神经网络(Triplet Siamese Neural Network)进行小样本下的多能耦合电器状态识别；异常事件检测阶段依次采用高斯混合模型-支持向量机(Gaussian Mixture Model-Support Vector Machine, GMM-SVM)初筛低置信度潜在异常事件、局部离群因子(Local Outlier Factor, LOF)剔除随机误差引起的伪异常、自监督自编码器(Self-Supervised Autoencoder, SS-AE)进行带阈值自适应的异常判定；确认异常事件后，利用其对原NILM模型进行迁移学习(Transfer Learning)微调更新。实验验证对象为综合能源系统工业园区内的18台多能耦合电器。

三、研究结果

Overall framework of the proposed method（总体框架）

研究人员指出MEC电器（EB、GB、CHP、AR、ER）具多能时序耦合特征且标注样本少，为此构建含NILM模块与异常事件在线检测模块的闭环框架：原始数据提取多能时序耦合特征向量→Triplet Siamese神经网络进行负荷辨识→GMM-SVM+LOF+SS-AE检测异常事件→经确认的异常事件触发迁移学习更新NILM模型。

Non-intrusive load monitoring phase（非侵入式负荷监测阶段）

研究人员从原始多能数据流提取电、热、气、冷等多能时序耦合特征向量，构建改进三元组孪生神经网络，以度量学习缓解小样本问题，实现对多能耦合电器运行状态（启停/工况）的可靠识别。

Exceptional event detection phase（异常事件检测阶段）

研究人员先用GMM-SVM对NILM输出的低置信度样本进行初步标记得到潜在异常事件；再用LOF判断邻域密度以剔除孤立随机误差造成的伪异常；最后设计自监督自编码器(SS-AE)重构多能特征，通过重构误差结合自适应阈值区分正常漂移与需关注的持续性异常事件（新增电器、测量偏移、电器状态改变或故障）。

Experimental implementation and results（实验实施与结果）

所有算法于Intel Core i7-1165G7、16.00 GB RAM个人计算机运行，深度学习平台为TensorFlow 3.11，使用pandas、numpy、matplotlib.pyplot、sklearn及keras库。在18台MEC电器实测数据上验证，所提Triplet Siamese神经网络NILM方法在小样本下准确率超95%；GMM-SVM联合LOF可有效记录真实异常并滤除随机误差；SS-AE实现阈值自适应异常检测；利用检测到的异常事件做迁移学习更新模型后，NILM在长期动态不确定运行场景下维持高识别精度，证明方法有效且优于对照方法。

四、讨论与结论翻译

研究人员得出结论：本文提出一种面向多能耦合(MEC)电器的非侵入式负荷监测(NILM)方法，通过在线异常事件检测解决数据稀缺与运行不确定性的实际问题。首先引入充分考虑多能时序耦合信息的三元组孪生神经网络(Triplet Siamese Neural Network)，为小样本场景提供稳健解，准确率达95%以上。为保障长期监测韧性，采用高斯混合模型-支持向量机(GMM-SVM)分离低置信度样本，利用局部离群因子(LOF)消除随机误差导致的伪异常，并首次提出自监督自编码器(Self-Supervised Autoencoder, SS-AE)实现阈值自适应的异常事件检测；检测到持续影响精度的异常事件后，通过迁移学习更新NILM模型，使系统具备自演化能力。该方法在综合能源系统工业园区18台多能耦合电器上的有效性及优越性得到验证。