第60卷第6期2023年6月15日电测与仪表ElectricalMeasurement&InstrumentationVol.60No.6Jun.15,2023基于时间序列分类任务的智能电能表负荷监测技术研究李家东",胡正华1.2.3,蒋卫平3,龙翔林”,童春芽",翟聪"(1.宁波工程学院网络空间安全学院,浙江宁波315211;2.浙江大学信息与电子工程学院,杭州310063;3.宁波迦南智能电气股份有限公司,浙江慈溪315300)摘要:随着深度学习模型在非侵入式负荷监测领域的应用,负荷识别与分解的能力得到了显著提升。但是多数方法仍然存在模型训练效率低下、分解精度不足以及模型不易推广的问题。针对上述问题,文章利用基于时间序列分类任务的卷积神经网络对非侵入式负荷监测框架进行了研究,并提出了相应的负荷识别与分解方法。通过对比实验证明,在UK-DALE数据集上,基于时间序列分类任务的卷积神经网络提升了洗碗机4.3%的识别准确率和19%的识别精度,降低了21.3%负荷分解过程的均方误差;在REDD数据集上,模型对于洗衣机的识别准确率、精度和F1值均有所提升,特别是召回率提高了24.3%,同时在负荷分解的过程中,模型降低了15.8%的均方误差。因此,与其它神经网络模型相比,基于时间序列分类任务的卷积神经网络具有更稳定的负荷识别与分解性能。关键词:智能电网;非侵人式负荷监测;数据挖掘;卷积神经网络;时间序列分类D0I:10.19753/j.issn1001-1390.2023.06.022中图分类号:TM714LoadmonitoringtechnologyofsmartelectricitymetersbasedonLiJiadong',HuZhenghua'223,JiangWeiping",LongXianglin',TongChunya',ZhaiCong'(1.SchoolofCyberScienceandEngineering,NingboUniversityofTechnology,Ningbo315211,Zhejiang,China.2.SchoolofInformationandElectronicEngineering,ZhejiangUniversity,Hangzhou310063,Zhejiang,China.Abstract:Withtheapplicationofdeeplearningmodelsinthefieldofnon-intrusiveloadmonitoring,theabilityofloadi-dentificationanddecompositionhasbeensignificantlyimproved.However,mostmethodsstilhavelowtrainingefficiency,insufficientdecompositionaccuracyandthemodelsaredifficulttobegeneralized.Aimingattheaboveproblems,thenon-intrusiveloadmonitoringframeworkisstudiedwiththeconvolutionalneuralnetworkbasedonthetimeseriesclassifica-tion,andthecorrespondingloadidentificationanddecompositionapproachisproposed.Throughcomparativeexperi-ments,itisprovedthat...