利用雙向狀態(tài)空間模型的自適應窗口優(yōu)化方法進行多狀態(tài)電器的詳細拆分分析
《Energy and Buildings》：Adaptive window optimization with bidirectional state space models for multi-state appliance disaggregation
【字體：
大
中
小
】
時間：2026年02月28日
來源：Energy and Buildings 7.1
編輯推薦：
非侵入式負載監(jiān)控（NILM）通過智能電表數(shù)據分解設備能耗，但現(xiàn)有方法難以兼顧長期時序建模與計算效率，且固定窗口處理多狀態(tài)設備存在誤差。本文提出EnergyBiMA-TS兩階段框架：首先，CAWO自適應窗口優(yōu)化根據設備運行特征動態(tài)調整分割窗口，解決固定窗口邊界不匹配問題；其次，融合雙向Mamba模型捕捉長程依賴、多頭注意力機制增強局部特征提取，以及多尺度深度可分離卷積提升計算效率，實現(xiàn)低復雜度高精度分解。實驗表明，該方法在UK-DALE、REFIT、REDD等數(shù)據集上優(yōu)于基線模型，且泛化能力顯著，適用于實際建筑能效管理。
作者：蔣磊|肖張勛|鄭宇|金杰西·S.|何欣
中國開封市，河南智能網絡理論與關鍵技術國際聯(lián)合實驗室，475000
摘要
非侵入式負載監(jiān)測（NILM）是智能建筑中實現(xiàn)精細能源管理和需求響應的關鍵技術。然而，現(xiàn)有的深度學習方法在同時建模長期時間依賴性和保持計算效率方面存在困難，并且由于使用固定長度的窗口，往往無法準確區(qū)分多狀態(tài)電器的能耗。為了解決這些問題，本文提出了一種新的兩階段分解框架EnergyBiMA-TS。首先，引入了一種基于上下文的窗口優(yōu)化器（CAWO），根據電器的運行特性動態(tài)調整分割窗口，從而避免了固定窗口方法固有的邊界不匹配問題。其次，通過集成雙向狀態(tài)空間模型（Bi-Mamba）、多頭注意力機制（MHA）和多尺度深度可分離卷積（Multi-DSConv），設計了一個混合特征提取網絡，使得模型能夠在線性計算復雜度下捕捉到長期時間依賴性和局部多尺度功率特征。在三個公開數(shù)據集（UK-DALE、REFIT和REDD）上的廣泛實驗表明，EnergyBiMA-TS在回歸和事件檢測指標上均顯著優(yōu)于現(xiàn)有的NILM方法。此外，該框架具有很強的跨數(shù)據集泛化能力，顯示出其在實際建筑能源管理和碳減排應用中的潛在價值。
引言
全球氣候挑戰(zhàn)的加劇以及傳統(tǒng)能源資源的有限性，使得能源效率和減排成為全球電力系統(tǒng)的關鍵優(yōu)先事項[1]。主要來自化石能源消耗的溫室氣體排放威脅著現(xiàn)代電力基礎設施的可持續(xù)性。為此，許多國家承諾實現(xiàn)嚴格的脫碳目標，其中建筑行業(yè)尤為受到關注，因為建筑行業(yè)約占全球能源消耗的40%[2]、[3]。
要在建筑領域實現(xiàn)深度脫碳，不僅需要部署節(jié)能技術，還需要具備觀察、分析和優(yōu)化電器級能耗的能力[4]。這需要詳細了解負載曲線——隨著智能電表和先進計量基礎設施（AMI）的普及，這些能力變得越來越可行。然而，智能電表通常只能測量總體家庭能耗，無法觀察到特定電器的用電模式。
為了解決這一差距，非侵入式負載監(jiān)測（NILM）應運而生，該方法由Hart于1992年首次提出[5]，它是一種基于數(shù)據的方法，僅使用總體功率讀數(shù)即可將家庭電力消耗分解為電器級別的能耗曲線。與侵入式分表系統(tǒng)相比，NILM具有可擴展性和低成本優(yōu)勢，符合智能電表日益廣泛部署的趨勢。它促進了包括需求側分析[6]、用戶反饋[7]和與電網運營集成[8]等應用的發(fā)展。
NILM方法從早期的機器學習技術（如支持向量機[SVMs] [9]和隱馬爾可夫模型[HMMs] [10]）發(fā)展到深度神經網絡（DNNs），特別是卷積神經網絡（CNNs）[11]、[12]和長短期記憶網絡（LSTM）[13]、[14]，這些技術因能夠模擬非線性和時間動態(tài)而成為當前領域的主流。NILMTK[15]的發(fā)布增強了NILM社區(qū)內的基準測試和可重復性。
盡管取得了進展，但仍存在重大挑戰(zhàn)。基于DNN的模型在處理洗衣機和洗碗機等具有不規(guī)則功率模式和異步周期的多狀態(tài)電器時常常遇到困難。為了改進時間建模，人們嘗試了序列到點的CNNs[16]、時間卷積網絡（TCNs）[17]、[18]和Transformer[19]、[20]、[21]等方法。
TCNs通過殘差連接和膨脹卷積等機制有效捕捉了長期時間依賴性，但需要較大的模型深度才能充分捕捉這些特征。雖然Transformer通過注意力機制提供了先進的性能，但其二次方的計算復雜性和高數(shù)據需求限制了其在邊緣設備上的應用。
與此同時，狀態(tài)空間模型（SSMs）的最新進展為長序列建模提供了輕量級和可擴展的替代方案。特別是Mamba[22]，通過選擇性狀態(tài)空間參數(shù)化和并行計算實現(xiàn)了線性時間序列處理，大大降低了計算開銷。盡管Mamba在語言[23]、[24]、視覺[25]和音頻[26]領域表現(xiàn)出色，但其在NILM中的應用尚未得到充分關注。據我們所知，本工作是首批將Mamba應用于NILM的研究之一，利用其在智能電網和嵌入式部署中的計算限制下的高效長序列建模能力。
在此基礎上，Jamba[23]和Zamba[24]等混合架構結合了Mamba和Transformer組件，據報道其性能優(yōu)于單獨使用這兩種技術。受這些混合架構的啟發(fā)，我們提出了EnergyBiMA，這是一種結合雙向Mamba層和注意力模塊的混合分解框架。該設計旨在保持較高的分解精度同時降低計算成本。此外，通過利用Mamba的線性計算復雜度，我們的自適應窗口策略進一步提高了效率和魯棒性，從而實現(xiàn)了整體性能的提升。
NILM中的另一個長期挑戰(zhàn)是準確分割具有復雜多狀態(tài)行為的電器。固定長度的滑動窗口無法捕捉這些電器的變化運行模式。先前的研究[13]表明，增大窗口尺寸會降低短時電器的分解精度，而過短的窗口則無法覆蓋完整的激活過程。一些非固定窗口方法[27]雖然有所改進，但通常依賴于手動調整和干凈的標簽數(shù)據，這在實際應用中降低了魯棒性。在[28]中，采用網格搜索策略為每種電器確定了最佳窗口長度（范圍從49到599，步長為50）。盡管有效，但這種方法由于搜索過程繁瑣而計算成本較高。另外，[29]表明可以從能耗趨勢中推斷出電器的狀態(tài)轉換和使用周期。受這些研究的啟發(fā)，我們提出了一種基于上下文的窗口優(yōu)化（CAWO）方法，通過比對預測激活模式和真實激活模式來確定最佳分割邊界。本工作做出了三項關鍵貢獻：
1. CAWO：我們提出了一種半監(jiān)督的窗口優(yōu)化算法，通過分析模型預測和真實激活模式來自適應地分割輸入序列。
2. EnergyBiMA：我們提出了第一個結合雙向Mamba塊和注意力機制的NILM模型，實現(xiàn)了高精度和低計算成本。
3. 兩階段訓練框架（EnergyBiMA-TS）：我們設計了一個兩階段過程，動態(tài)調整每個電器的數(shù)據分割和模型架構，從而實現(xiàn)了對不同復雜度電器的更優(yōu)分解。
部分摘錄
初步工作
本節(jié)正式闡述了文章中提出的NILM問題，并進一步解釋了多頭注意力（MHA）機制和狀態(tài)空間模型（SSMs）技術。
提出的NILM方法
NILM的核心挑戰(zhàn)在于模擬電氣設備的固有隨機性和不規(guī)則激活模式，尤其是那些具有多狀態(tài)運行特性的設備。固定窗口預測模型往往無法捕捉這些行為，導致設備級別的能耗分解不準確。為了解決這個問題，我們提出了EnergyBiMA-TS，這是一種兩階段的自適應能耗分解框架，如圖2所示。
在第一階段，我們引入了一種基于上下文的窗口...
實驗與結果
本節(jié)描述了所提出的EnergyBiMA-TS系統(tǒng)的實驗配置和評估方法。首先介紹了數(shù)據集和準備方法，然后詳細說明了電器選擇標準、安裝細節(jié)以及評估指標。最后，我們評估了EnergyBiMA-TS與現(xiàn)有方法的效果，并進行了消融研究以評估各個模塊的影響。
結論與未來工作
本研究提出了EnergyBiMA-TS，這是一種兩階段的NILM架構，旨在改善在不同使用模式和運行復雜性下的電器級能耗分解。該框架結合了CAWO進行電器適應性分割，以及一個混合型的EnergyBiMA核心，該核心集成了雙向狀態(tài)空間序列建模、輕量級的基于注意力的重加權機制和多尺度卷積特征增強。通過將輸入序列與電器運行狀態(tài)對齊...
CRediT作者貢獻聲明
蔣磊：撰寫——審稿與編輯、原始草稿撰寫、軟件開發(fā)、方法論設計、概念化。
肖張勛：原始草稿撰寫、可視化設計、軟件開發(fā)、數(shù)據整理。
鄭宇：審稿與編輯、驗證工作、監(jiān)督職責、方法論設計。
金杰西·S.：審稿與編輯、方法論設計。
何欣：審稿與編輯、項目管理工作、資金籌措。
利益沖突聲明
作者聲明沒有已知的財務利益沖突或個人關系可能影響本文的研究結果。
生物通微信公眾號
生物通新浪微博
今日動態(tài) |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯(lián)系信箱：
粵ICP備09063491號
