摘要：为实现低成本地提升负荷辨识方法对新场景负荷样本的识别精度,提出一种基于主动迁移学习的负荷辨识泛化方法,利用极少量标签数据和无标签数据来高效提升方法的泛化性能。该方法利用异构模型的共识筛选高质量的伪标注样本,并对预训练模型进行更新;设计一种考虑模型分歧和样本多样性的主动学习策略来标注高价值样本,可在大幅降低样本标注成本的同时实现模型的高效迁移。在2个公开数据集中的实验对比,验证了所提方法的优越性。

摘要：负荷辨识技术可快速辨识电器类型,在家庭能量管理、危险用电预警、响应潜力评估等方面具有重要作用。针对现有负荷辨识方法多关注负荷长期或短期单尺度特征,导致特征表征能力不足而使模型识别精度和泛化性能受限的问题,提出一种基于多尺度特征融合的负荷辨识及其可解释交互增强方法。首先,从负荷采样数据中提取高频尺度的短期特征和中、低频尺度的长期特征,构建双塔结构的深层特征提取网络以利用网络的不同分支高效率挖掘各尺度深层特征。其次,设计自注意力与交叉注意力相结合的特征融合网络以实现负荷长、短期特征融合,提高模型的特征利用程度。然后,采用度量学习的训练方法,拉近同类型样本的特征距离,提升特征融合的效率和效果。最后,利用基于梯度的可解释分析方法量化特征的重要性,实现自适应的特征增强与结合专家交互的模型调优。实验结果说明所提模型识别精度与泛化能力均优于现有模型,且可解释分析验证了其有效性源于多尺度特征的充分利用。