基于通道注意力机制和BIGRU的非侵入式负荷分解方法

针对目前负荷监测领域存在模型分解准确率低、训练周期长、泛化性能差的问题，文章构建了基于通道注意力机制和双向门控循环单元的非侵入式负荷监测模型，利用搭建的序列到点编码–解码结构，将智能电表入口处总功率序列与待测目标设备序列中点在模型上进行映射训练。使用功率嵌入层对负荷序列的输入过程进行优化，将离散的负荷总功率序列通过功率嵌入矩阵映射到高维紧密向量空间；采用一维卷积神经网络提取负荷序列的局部特征，双向门控循环单元提取负荷的长序列依赖关系，同时融合通道注意力机制强化对目标设备重要信号特征的学习，挖掘目标设备状态与负荷功率之间的关联。在基于能量分解模型基准框架下，利用公开数据集REDD和UK-DALE进行实验，与现有两种典型负荷分解模型进行比较分析，实验结果表明，文章构建的模型在减少网络训练时间和参数的前提下，有效检测了目标设备的开关状态，显著提升了负荷分解准确性。