基于图像负载特征和持续学习的非侵入式负载监测

非侵入式负载监测（NILM）通过分析电路总线处的电气信号来识别每个电器的运行状态和能源消耗，这在智能电力管理中具有重要意义。然而，复杂且变化的负载组合和应用环境导致传统NILM方法在特征鲁性和模型泛化能力方面存在挑战。为此，本文提出一种新型非侵入式负载监测方法，集成了"图像负载特征"和持续学习。该方法将多维电力信号（如电流、电压和功率因数）转换为视觉图像负载特征图，并结合深度卷积神经网络实现多个设备的识别和分类；同时引入自监督预训练以提高特征泛化性，采用持续在线学习策略以适应新负载的出现，克服模型遗忘问题。本文在高采样率负载数据集上进行大量实验，并与各种现有方法和模型变体进行比较。结果表明，所提方法在识别准确率上取得了显著提升。