基于混合模型的非侵入式负荷监测数据的生成

作     者：肖勇 谈竹奎 钱斌 张俊玮 罗奕 张帆 黄军力 XIAO Yong;TAN Zhukui;QIAN Bin;ZHANG Junwei;LUO Yi;ZHANG Fan;HUANG Junli

作者机构：南方电网科学研究院有限责任公司用电与计量技术研究所广东广州510663 广东省电网智能量测与先进计量企业重点实验室广东广州510663 贵州电网有限责任公司贵阳贵州550002 

基　　金：中国南方电网有限责任公司定向科技项目(GZKJXM20222417) 广东省科技计划资助项目(2021B1212050014) 

出 版 物：《深圳大学学报(理工版)》 (Journal of Shenzhen University(Science and Engineering))

年 卷 期：2025年第42卷第1期

页      码：85-93页

摘      要：非侵入式负荷监测(non-intrusive load monitoring,NILM)是一种无需进入每个用电器内部系统,仅在用户总线入口处安装监测设备的技术.在开展NILM技术研究时,往往需要收集大规模的用户负荷数据来证明所提出方法的普适性,此需求不可避免地带来了繁重的数据收集与整理负担.为克服该挑战,设计了一种结合周期信号频率不变变换(frequency invariant transformation for periodic signals,FIT-PS)原理与时间序列生成对抗网络(time series generative adversarial networks,TimeGAN)的混合模型,记为FIT-PSTimeGAN.针对全球家庭与工业瞬态能量数据集(worldwide household and industry transient energy dataset,WHITED)中的空调、微波炉、吸尘器、冰箱和热水壶5种电器,运用FIT-PS对负荷数据集进行切割和拼接,构建TimeGAN不同状态下的训练集和测试集.评估测试集的效果发现,生成的波形数据与真实数据表现出高度一致性.进一步采用FIT-PS对训练得到的生成数据进行截取和拼接,生成满足测试需求的完整的单负荷波形和多负荷波形.对这些生成的波形与相同状态下的真实数据进行对比,结果显示两者吻合度很高.与自回归模型和生成对抗网络(generative adversarial network,GAN)模型相比,FIT-PS-TimeGAN模型在生成数据的性能方面表现更优.研究结果表明,FIT-PS-TimeGAN混合模型能够有效生成符合标准电器运行规律的波形和场景数据.

主 题 词：电力系统及其自动化 人工智能 非侵入式负荷监测 数据生成方法 周期信号频率不变变换 时间序列生成对抗网络 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 080802[080802] 0808[工学-自动化类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

D　O　I：10.3724/SP.J.1249.2025.01085

馆 藏 号：203156778...