仪器仪表学报

作者：王凌云，唐涛，鲍刚，阮胜冬，张涛

单位：王凌云,三峡大学电气与新能源学院 宜昌443002,wly@ctgu.edu.cn,唐涛,三峡大学电气与新能源学院 宜昌443002,2279828510@qq.com,鲍刚,三峡大学电气与新能源学院 宜昌443002,,阮胜冬,国网衢州供电公司 衢州324000,,张涛,三峡大学电气与新能源学院 宜昌443002,

关键词：居民空调负荷;变分自编码器;非侵入式负荷监测;通道注意力;多任务学习

基金：国家自然科学基金（62476153）项目资助

居民空调负荷的准确辨识是挖掘其调控潜力和实现需求响应的关键。针对目前居民空调功率求解方法的精度不足和计算复杂问题，故提出一种基于变分自编码器（VAE）和改进高效通道注意力机制（ECA）的居民空调负荷非侵入式辨识神经网络模型。改进ECA采用结合全局平均池化与全局最大池化的双池化策略，既捕获整体统计信息又突出局部显著响应。借助压缩-重构机制，在降维后利用快速动态卷积核自适应捕捉局部通道交互信息，有效聚焦关键信息，为通道赋予合理权重；将改进ECA集成在VAE解码器中，增强模型对空调负荷的特征重构能力；模型进一步引入多任务学习框架，联合优化功率分解与状态识别任务，实现任务间信息共享和互补，从而提高整体辨识精度。同时，利用输出模块和后处理状态阈值约束，有效抑制非空调负荷的干扰。最后，在真实居民用电数据集上进行实验验证。实验结果表明，相较于两个对比模型，模型在3个地区所有居民功率分解的平均绝对误差（MAE）均值分别提升59.71%和9.22%，空调状态识别F1值达84.58%。消融实验表明，改进ECA使其中两个地区功率分解MAE分别降低56.23%和12.47%，多任务学习框架进一步推动辨识精度提升3.17%和5.90%。所提出的少量侵入式测量方案以30%用户侵入式量测数据训练，在保证模型准确性的同时，减少对用户数据的依赖，具有较强的应用潜力。

来源：2025年第5期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第5期