融合SENet注意力机制和GA-CNN的非侵入式负荷识别方法

doi:10.11930/j.issn.1004-9649.202403063

中国电力 ›› 2025, Vol. 58 ›› Issue (5): 33-42.DOI: 10.11930/j.issn.1004-9649.202403063

• 面向新型配电系统的人工智能与新能源技术 • 上一篇下一篇

融合SENet注意力机制和GA-CNN的非侵入式负荷识别方法

沈鑫¹(), 王钢², 赵毅涛¹, 骆钊²(), 李钊², 杨晓华¹

1. 云南电网有限责任公司，云南昆明　650217
2. 昆明理工大学电力工程学院，云南昆明　650500

收稿日期:2024-03-18 发布日期:2025-05-30 出版日期:2025-05-28
作者简介:
沈鑫（1981），男，高级工程师，从事智能电网技术研究，E-mail：23755803@qq.com
骆钊（1986），男，通信作者，副教授，从事区块链、电力市场与电力监管、能源互联网与电力规划及人工智能在电力系统中的应用等方面研究，E-mail：waiting.1986@live.com
基金资助:
国家重点研发计划（2022YFB2703500）；国家自然科学基金资助项目（52277104）；云南省重点研发计划资助项目（202303AC100003）；云南电网有限责任公司科技项目（YNKJXM20220173）。

A Non-invasive Load Recognition Approach Incorporating SENet Attention Mechanism and GA-CNN

SHEN Xin¹(), WANG Gang², ZHAO Yitao¹, LUO Zhao²(), LI Zhao², YANG Xiaohua¹

1. Yunnan Power Grid Co., Ltd., Kunming 650217, China
2. Faculty of Electric Power Engineering, Kunming University of Science and Technology, Kunming 650500, China

Received:2024-03-18 Online:2025-05-30 Published:2025-05-28
Supported by:
This work is supported by the National Key R&D Program of China (No.2022YFB2703500); National Natural Science Foundation of China (No.52277104); National Key R&D Program of Yunnan Province (No.202303AC100003) and the Science and Technology Project of Yunnan Power Grid Co., Ltd. (No.YNKJXM20220173).

摘要/Abstract

摘要：

随着智能电表的普及，电网信息化、数字化水平逐渐提高，需求侧的非侵入式负荷监测（non-intrusive load monitoring，NILM）逐渐成为供电企业实现能效提升的关键技术。针对目前非侵入式负荷识别算法存在特征冗余度、计算开销大、识别性能差等问题，提出一种融合压缩-激励网络（squeeze and excitation networks，SENet）注意力机制和基于遗传算法优化卷积神经网络（genetic algorithms-convolutional neural network，GA-CNN）的非侵入式负荷识别方法。首先，将SENet注意力机制嵌入CNN，提高关键特征的表征能力，降低特征冗余度；其次，提取居民负荷U-I轨迹图，对其进行加权像素化处理，通过计算得到WVI（weighted pixelated VI）特征矩阵，并以此为特征参量训练SENet-CNN模型；最后，利用遗传算法优化SENet-CNN模型的超参数，提高模型负荷识别性能和计算效率。实验结果表明，所提方法能够降低非侵入式负荷识别计算开销，准确识别出居民负荷类别，显著提升非侵入式负荷识别效率。

关键词: 居民负荷识别, 卷积神经网络, NILM, SENet注意力机制, V-I轨迹图

Abstract:

With the popularization of smart meters and the gradual improvement of grid informatization and digitization, non-intrusive load monitoring (NILM) on the demand side of residential customers' energy usage is becoming one of the key technologies for power supply companies to boost energy efficiency. Regarding the problems of the current non-intrusive load recognition algorithms, such as feature redundancy, high computational overhead, and low recognition performance, the paper proposes a non-intrusive load recognition method integrating SENet attention mechanism and GA-CNN. Firstly, the SENet attention mechanism is embedded in a convolutional neural network (CNN) to improve the characterizaion of key features and reduce feature redundancy. Secondly, the U-I trajectory map of the residential load is extracted and weighted pixelated to obtain the WVI (Weighted pixelated VI) feature matrix through computation, which is applied as the feature coefficient to train the SENet-CNN model. Finally, by virtue of the genetic algorithm, the SENet-CNN model is trained and the hyperparameters of the CNN-SENet model are optimized to improve the model load recognition performance and computational efficiency. The experimental results show that the proposed method can reduce the computational overhead of non-intrusive load identification, accurately identify the residential load categories, and significantly improve the efficiency of non-intrusive load identification.

Key words: residents load identification, convolutional neural network, NILM, SENet attention mechanism, U-I trajectory diagram

沈鑫, 王钢, 赵毅涛, 骆钊, 李钊, 杨晓华. 融合SENet注意力机制和GA-CNN的非侵入式负荷识别方法[J]. 中国电力, 2025, 58(5): 33-42.

SHEN Xin, WANG Gang, ZHAO Yitao, LUO Zhao, LI Zhao, YANG Xiaohua. A Non-invasive Load Recognition Approach Incorporating SENet Attention Mechanism and GA-CNN[J]. Electric Power, 2025, 58(5): 33-42.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.electricpower.com.cn/CN/10.11930/j.issn.1004-9649.202403063

https://www.electricpower.com.cn/CN/Y2025/V58/I5/33

图/表 10

参考文献 29

1	冀肖彤, 杨东俊, 方仍存, 等. “双碳” 目标下未来配电网构建思考与展望[J]. 电力建设, 2024, 45 (2): 37- 48.
	JI Xiaotong, YANG Dongjun, FANG Rengcun, et al. Research and prospect of future distribution network construction under dual carbon target[J]. Electric Power Construction, 2024, 45 (2): 37- 48.
2	王金丽, 李丰胜, 解芳, 等. “双碳” 战略背景下新型配电系统技术标准体系[J]. 中国电力, 2023, 56 (5): 22- 31.
	WANG Jinli, LI Fengsheng, XIE Fang, et al. Research on technical standard system of new distribution system under double-carbon strategy[J]. Electric Power, 2023, 56 (5): 22- 31.
3	PAMULAPATI T, MALLIPEDDI R, LEE M. Multi-objective home appliance scheduling with implicit and interactive user satisfaction modelling[J]. Applied energy, 2020, 267, 114690. DOI
4	HART G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1992, 80 (12): 1870- 1891. DOI
5	邓旭晖, 陈中, 杨凯, 等. 基于多任务学习卷积网络的非侵入式负荷监测方法[J]. 电力系统自动化, 2023, 47 (8): 189- 197. DOI
	DENG Xuhui, CHEN Zhong, YANG Kai, et al. Non-intrusive load monitoring method based on multi-task learning convolutional network[J]. Automation of Electric Power Systems, 2023, 47 (8): 189- 197. DOI
6	孙毅, 李昊洋, 刘耀先, 等. 基于改进隐马尔科夫模型的非侵入式家居负荷识别[J]. 电力建设, 2020, 41 (4): 73- 80.
	SUN Yi, LI Haoyang, LIU Yaoxian, et al. Non-intrusive home-load identification based on improved hidden Markov model[J]. Electric Power Construction, 2020, 41 (4): 73- 80.
7	NIDA U I, SHAHID M S. A low complexity binary-weighted energy disaggregation framework for residential electricity consumption[J]. Energy & Buildings, 2023, 298, 113553.
8	王以良, 周鹏, 叶卫等. 基于金字塔网络的非侵入式负荷辨识及其隐私保护方案[J]. 计算机工程, 2024, 50 (5): 182- 189.
	WANG Yiliang, ZHOU Peng, YE Wei, et al. Non-intrusive load monitoring and its privacy-preserving scheme based on pyramid network[J]. Computer Engineering, 2024, 50 (5): 182- 189.
9	OUZINE J, MARZOUQ M, DOSSE BENNANI S, et al. New hybrid deep learning models for multi-target NILM disaggregation[J]. Energy Efficiency, 2023, 16 (7): 82. DOI
10	张安安, 庄景泰, 郭红鼎, 等. 结合图半监督与广义回归神经网络的非侵入式海洋平台负荷监测[J]. 电力系统保护与控制, 2020, 48 (7): 85- 91.
	ZHANG Anan, ZHUANG Jingtai, GUO Hongding, et al. Non-intrusive offshore platform load monitoring based on graph-based semi-supervised learning and generalized regression neural networks[J]. Power System Protection and Control, 2020, 48 (7): 85- 91.
11	KONG W C, DONG Z Y, MA J, et al. An extensible approach for non-intrusive load disaggregation with smart meter data[J]. IEEE Transactions on Smart Grid, 2018, 9 (4): 3362- 3372. DOI
12	孙毅, 张璐, 赵洪磊, 等. 基于动态自适应粒子群算法的非侵入式家居负荷分解方法[J]. 电网技术, 2018, 42 (6): 1819- 1826.
	SUN Yi, ZHANG Lu, ZHAO Honglei, et al. A non-intrusive household load monitoring method based on dynamic adaptive particle swarm optimization algorithm[J]. Power System Technology, 2018, 42 (6): 1819- 1826.
13	刘赛, 刘宇, 高山, 等. 基于多特征目标函数PCA-ILP的非侵入式负荷分解方法[J]. 电力建设, 2020, 41 (8): 1- 8. DOI
	LIU Sai, LIU Yu, GAO Shan, et al. Non-intrusive load monitoring method based on PCA-ILP considering multi-feature objective function[J]. Electric Power Construction, 2020, 41 (8): 1- 8. DOI
14	HU S, YUAN G, HU K, LIU C, WU M. Non-intrusive load identification method based on KPCA-IGWO-RF[J]. Energies, 2023, 16 (12): 4805.
15	仝瑞宁, 李鹏, 郎恂, 等. 基于Fisher主元分析和核极限学习机的非侵入式电力负荷辨识模型[J]. 电力建设, 2021, 42 (2): 85- 92. DOI
	TONG Ruining, LI Peng, LANG Xun, et al. Non-intrusive power load identification model based on FPCA and KELM[J]. Electric Power Construction, 2021, 42 (2): 85- 92. DOI
16	庄卫金, 张鸿, 方国权, 等. 基于设备运行状态挖掘的非侵入式负荷分解方法[J]. 电力建设, 2020, 41 (8): 9- 16. DOI
	ZHUANG Weijin, ZHANG Hong, FANG Guoquan, et al. Non-intrusive load disaggregation method based on the mining of equipment operating states[J]. Electric Power Construction, 2020, 41 (8): 9- 16. DOI
17	徐青山, 娄藕蝶, 郑爱霞, 等. 基于近邻传播聚类和遗传优化的非侵入式负荷分解方法[J]. 电工技术学报, 2018, 33 (16): 3868- 3878.
	XU Qingshan, LOU Oudie, ZHENG Aixia, et al. A non-intrusive load decomposition method based on affinity propagation and genetic algorithm optimization[J]. Transactions of China Electrotechnical Society, 2018, 33 (16): 3868- 3878.
18	MEI H W, LIU Y P, CAO W B, et al. A mother-son model for multi-objective non-invasive load monitoring[J]. Energy & Buildings, 2023, 300, 113669.
19	刘一铭, 李惠民, 王乐挺, 等. 基于卷积神经网络的非侵入式负荷监测方法[J]. 电测与仪表, 2022, 59 (1): 148- 154.
	LIU Yiming, LI Huimin, WANG Leting, et al. Non-intrusive load monitoring method based on convolutional neural network[J]. Electrical Measurement & Instrumentation, 2022, 59 (1): 148- 154.
20	郭红霞, 陆进威, 杨苹, 等. 非侵入式负荷监测关键技术问题研究综述[J]. 电力自动化设备, 2021, 41 (1): 135- 146.
	GUO Hongxia, LU Jinwei, YANG Ping, et al. Review on key techniques of non-intrusive load monitoring[J]. Electric Power Automation Equipment, 2021, 41 (1): 135- 146.
21	严萌, 于雅雯, 王玲静, 等. 基于多特征联合稀疏表达的SOM-K-means非侵入负荷辨识[J]. 电力建设, 2023, 44 (5): 61- 71. DOI
	YAN Meng, YU Yawen, WANG Lingjing, et al. SOM-K-means non-intrusive load identification based on multi feature joint sparse expression[J]. Electric Power Construction, 2023, 44 (5): 61- 71. DOI
22	孔志伟. 面向家庭用户的非侵入式负荷监测方法研究[D]. 济南: 山东建筑大学, 2023.
	KONG Zhiwei. Research on non-intrusive load monitoring method for household users[D]. Jinan: Shandong Jianzhu University, 2023.
23	鲍海波, 杨舒惠, 陈子民, 等. 事件检测类非侵入式负荷监测算法综述[J]. 电力系统自动化, 2023, 47 (13): 94- 109. DOI
	BAO Haibo, YANG Shuhui, CHEN Zimin, et al. Review on event-inspection based non-intrusive load monitoring algorithms[J]. Automation of Electric Power Systems, 2023, 47 (13): 94- 109. DOI
24	陈池瑶, 苗世洪, 殷浩然, 等. 基于注意力机制-卷积神经网络的配电网单相接地故障选线方法[J]. 电力建设, 2023, 44 (4): 82- 93. DOI
	CHEN Chiyao, MIAO Shihong, YIN Haoran, et al. Single-phase grounding-fault line selection method based on attention mechanism-convolution neural network for distribution network[J]. Electric Power Construction, 2023, 44 (4): 82- 93. DOI
25	KONG Z Q, TANG B P, DENG L, et al. Condition monitoring of wind turbines based on spatio-temporal fusion of SCADA data by convolutional neural networks and gated recurrent units[J]. Renewable Energy, 2020, 146, 760- 768. DOI
26	ZAI Z P, ZHAO S, ZHANG Z J, et al. Non-intrusive load monitoring based on the combination of gate-transformer and CNN[J]. Electronics, 2023, 12(13).
27	张晓萱, 薛松, 许野, 等. 考虑可调节负荷减碳降碳价值的需求响应运行决策模型[J]. 中国电力, 2024, 57 (11): 151- 160.
	ZHANG Xiaoxuan, XUE Song, XU Ye, et al. Operational decision model for demand response considering carbon reduction value of adjustable loads[J]. Electric Power, 2024, 57 (11): 151- 160.
28	DE BAETS L, RUYSSINCK J, DEVELDER C, et al. Appliance classification using VI trajectories and convolutional neural networks[J]. Energy and Buildings, 2018, 158, 32- 36. DOI
29	ALTRABALSI H, LIAO J, STANKOVIC L, et al. A low-complexity energy disaggregation method: performance and robustness[C]//2014 IEEE Symposium on Computational Intelligence Applications in Smart Grid (CIASG). Orlando, FL, USA. IEEE, 2014: 1–8.

特征分类	特征名称	特征说明	优点	缺点
稳态特征	稳态变化量	稳态电流、电压、功率的变化量	大功率负荷容易识别；采样率要求低	小功率负荷难以识别；对有限状态型、状态连续可变型设备识别精度不高
	U-I轨迹	U-I轨迹的波形特征：循环方向、自交点数量、曲线的非线性等	存在差异性的U-I轨迹可以实现对不同设备类型的精细识别	小功率负荷容易出现U-I轨迹的波形特征重叠
	时域-频域信息	稳态时电流有效值、峰峰值、谐波含有率等	容易从阻性、感性、容性的角度区分设备类别	采样率要求高，部分开关型、有限状态型设备存在特征重叠
暂态特征	暂态变化量	设备状态切换时电流、功率峰值、暂态响应时间	对瞬态特征明显的设备识别精度高，例如开关型、有限状态型设备	不适用于状态连续可变型设备的识别
暂态特征	电压噪声	对电压噪声高频采样，并进行傅里叶变换	对有限状态型、状态连续可变型设备识别精度较高	数据预处理存在困难，且计算开销较大

特征分类	特征名称	特征说明	优点	缺点
稳态特征	稳态变化量	稳态电流、电压、功率的变化量	大功率负荷容易识别；采样率要求低	小功率负荷难以识别；对有限状态型、状态连续可变型设备识别精度不高
	U-I轨迹	U-I轨迹的波形特征：循环方向、自交点数量、曲线的非线性等	存在差异性的U-I轨迹可以实现对不同设备类型的精细识别	小功率负荷容易出现U-I轨迹的波形特征重叠
	时域-频域信息	稳态时电流有效值、峰峰值、谐波含有率等	容易从阻性、感性、容性的角度区分设备类别	采样率要求高，部分开关型、有限状态型设备存在特征重叠
暂态特征	暂态变化量	设备状态切换时电流、功率峰值、暂态响应时间	对瞬态特征明显的设备识别精度高，例如开关型、有限状态型设备	不适用于状态连续可变型设备的识别
暂态特征	电压噪声	对电压噪声高频采样，并进行傅里叶变换	对有限状态型、状态连续可变型设备识别精度较高	数据预处理存在困难，且计算开销较大

编号	负荷类型	样本数量
编号	负荷类型	训练集	测试集
1	电烤箱	33	8
2	电水壶	99	25
3	定频空调	181	45
4	变频空调	204	51
5	电磁炉	123	31
6	微波炉	95	24

编号	负荷类型	样本数量
编号	负荷类型	训练集	测试集
1	电烤箱	33	8
2	电水壶	99	25
3	定频空调	181	45
4	变频空调	204	51
5	电磁炉	123	31
6	微波炉	95	24

模型	评价指标/%
模型	A_c	P_r	R_e	f₁
SVM	75.1	74.2	78.6	76.3
Adaboost	93.4	93.7	94.1	93.9
HMM	67.5	68.6	72.5	70.5
CNN	88.3	89.6	95.3	92.4
CNN-SENet	95.1	95.3	91.9	93.1

融合SENet注意力机制和GA-CNN的非侵入式负荷识别方法

A Non-invasive Load Recognition Approach Incorporating SENet Attention Mechanism and GA-CNN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 29

相关文章 15

编辑推荐

Metrics

编号	实验对象	评价指标/%
编号	实验对象	A_c	P_r	R_e	f₁
1	CNN	57.0	56.1	56.3	56.2
1	CNN-SENet	84.3	97.6	69.5	81.2
2	CNN	78.6	79.0	83.3	81.1
2	CNN-SENet	85.2	88.4	96.5	92.2
3	CNN	96.8	95.9	99.1	97.5
3	CNN-SENet	98.4	99.8	97.6	98.7
4	CNN	92.1	93.3	99.4	96.3
4	CNN-SENet	95.7	96.5	96.3	96.4
5	CNN	89.2	88.8	98.7	93.5
5	CNN-SENet	93.5	94.4	97.1	95.7
6	CNN	92.6	92.0	96.3	94.1
6	CNN-SENet	94.4	95.1	94.2	94.6
总计	CNN	90.3	89.6	95.3	92.4
总计	CNN-SENet	95.1	95.3	91.9	93.1

应用场景	设备	评价指标/%
应用场景	设备	A_c	P_r	R_e	f₁
场景1	电水壶	90.3	97.5	91.8	94.5
	热水器	90.9	98.7	91.5	94.9
	电磁炉	89.0	93.2	94.5	93.9
场景2	电风扇	88.6	97.1	90.4	93.6
	吸尘器	87.7	96.3	90.8	93.5
	空调	86.7	95.3	89.7	92.4
场景3	电磁炉+冰箱	84.5	96.5	85.6	90.7
	白炽灯+空调	86.5	97.3	87.8	92.3
	笔记本+电水壶	82.1	92.8	86.5	89.5
场景4	电水壶+冰箱+电风扇	80.9	81.2	85.6	88.3
场景4	空调+笔记本+冰箱	79.3	92.4	83.6	87.8

[1]	李鹏, 祖文静, 刘一欣, 田春筝, 郝元钊, 李慧璇. 基于不完全量测数据的配电网状态估计方法[J]. 中国电力, 2025, 58(5): 1-10.
[2]	吴军英, 路欣, 刘宏, 张彬, 柴守亮, 刘蕴春, 王佳楠. 基于Spearman-GCN-GRU模型的超短期多区域电力负荷预测[J]. 中国电力, 2024, 57(6): 131-140.
[3]	娄奇鹤, 李荣盛, 谭捷, 袁铁江. 基于卷积神经网络的暂稳极限功率计算[J]. 中国电力, 2024, 57(4): 211-219.
[4]	周颖, 白雪峰, 王阳, 邱敏, 孙冲, 武亚杰, 李彬. 面向虚拟电厂运营的温度敏感负荷分析与演变趋势研判[J]. 中国电力, 2024, 57(1): 9-17.
[5]	王大兴, 宁妍, 汪敬培, 徐洋, 毕峻, 周铭标, 王鹏. 构建新型电力系统背景下的微电网鲁棒简化建模[J]. 中国电力, 2024, 57(1): 148-157.
[6]	皮志勇, 朱益, 廖玄, 李振兴, 方豪, 吴沛. 基于深度学习的智能变电站通信链路故障定位方法[J]. 中国电力, 2023, 56(7): 136-145.
[7]	陆友文, 崔昊, 陈佳宁, 彭祥佳, 冯双, 刘栋. 基于RA-CNN和同步相量的风电场次/超同步振荡参数智能辨识方法[J]. 中国电力, 2023, 56(4): 46-55,67.
[8]	武小琳, 栾凌, 潘连武, 李海龙. 基于LM-CNN的输变电工程造价自动计算模型[J]. 中国电力, 2023, 56(2): 157-163.
[9]	陈子含, 滕伟, 胥学峰, 丁显, 柳亦兵. 基于图卷积网络和风速差分拟合的中长期风功率预测[J]. 中国电力, 2023, 56(10): 96-105.
[10]	冯裕祺, 李辉, 李利娟, 周彦博, 谭貌, 彭寒梅. 基于CNN-GRU的光伏电站电压轨迹预测[J]. 中国电力, 2022, 55(7): 163-171.
[11]	沙骏, 徐雨森, 刘冲冲, 冯定东, 胥峥, 臧海祥. 基于变分模态分解和分位数卷积-循环神经网络的短期风功率预测[J]. 中国电力, 2022, 55(12): 61-68.
[12]	樊江川, 于昊正, 刘慧婷, 杨丽君, 安佳坤. 基于多分支门控残差卷积神经网络的短期电力负荷预测[J]. 中国电力, 2022, 55(11): 155-162,174.
[13]	杨胡萍, 余阳, 汪超, 李向军, 胡奕涛, 饶楚楚. 基于VMD-CNN-BIGRU的电力系统短期负荷预测[J]. 中国电力, 2022, 55(10): 71-76.
[14]	曾囿钧, 肖先勇, 徐方维, 郑林. 基于CNN-BiGRU-NN模型的短期负荷预测方法[J]. 中国电力, 2021, 54(9): 17-23.
[15]	徐浩, 刘利强, 吕超. 基于迁移学习的配电网内部过电压识别方法[J]. 中国电力, 2021, 54(8): 52-59.

模态框（Modal）标题

融合SENet注意力机制和GA-CNN的非侵入式负荷识别方法

A Non-invasive Load Recognition Approach Incorporating SENet Attention Mechanism and GA-CNN

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 29

相关文章 15

编辑推荐

Metrics