基于深度多任务学习的能量注入识别赋能分解

非侵入式负荷监测为智能家居和建筑应用中获取细粒度的电器级能耗提供了一种经济高效的方法。然而，表后能源（如太阳能电池板和电池储能）的日益普及给仅依赖表前数据的传统NILM方法带来了新的挑战。来自BTM能源注入的能量会掩盖单个电器的功率特征，导致NILM性能显著下降。为应对这一挑战，我们提出了DualNILM，这是一个专为电器状态识别和注入能量识别双重任务设计的深度多任务学习框架。DualNILM采用基于Transformer的架构，集成了序列到点和序列到序列策略，有效捕捉了总功率消耗模式中的多尺度时间依赖性，从而实现了准确的电器状态识别和能量注入识别。在自采集和合成数据集上的广泛评估表明，DualNILM在NILM的双重任务中保持了优异的性能，远超传统方法。我们的工作强调了该框架在含可再生能源渗透的现代能源系统中进行鲁棒能量分解的潜力。具有真实注入模拟方法的合成光伏增强数据集已在https://github.com/MathAdventurer/PV-Augmented-NILM-Datasets开源。