基于Bi-LSTM特征融合和FT-FSL的非侵入式负荷辨识

摘要

通过非侵入式负荷监测(non-intrusive load monitoring, NILM)对负荷能耗进行实时监测和数据分析，能够实现能源合理配置和精细化管理。为了提高负荷标注数据不足情况下NILM的负荷识别效果，本文提出一种基于Bi-LSTM特征融合和微调小样本学习(fine-tuned few-shot learning, FT-FSL)的新方法应用于NILM。首先，通过Bi-LSTM将加权像素电压-电流(voltage-current, V-I)图像特征和多维时频序列特征进行融合；然后，通过FT-FSL使负荷分类模型能够基于少量标注数据进行训练；最后，在PLAID数据集上与4种主流FSL方法(包括匹配网络、原型网络、关系网络和MAML)进行对比实验。结果表明，本文方法的准确率达到92.46%,与对比模型相比，分别提高12.21个百分点、4.18个百分点、5.90个百分点和9.04个百分点，验证了本文方法能够有效识别标注数据不足的负荷类型。

关键词

非侵入式负荷监测 / 负荷辨识 / 小样本学习 / Bi-LSTM / 微调