基于知识蒸馏和半监督学习的非侵入式负荷分解

何健明，李梦诗，张禄亮，季天瑶

(华南理工大学 电力学院，广东 广州 510641)

非侵入式负荷监测(non-intrusive load monitoring，NILM)旨在仅根据家庭电表的总有功功率，通过算法分解得到各用电器的功率。一方面，这有利于帮助用户了解各电器的用电情况，结合分时电价引导用户进行负荷转移，减少用电支出，增加社会效益；另一方面，这有利于促进用户进行节能减排，同时减少电网削峰填谷成本，增加经济效益[1-3]。

对于NILM的研究，Hart[4]提出对有功功率变化量和无功功率变化量进行聚类，但是不适用于负荷种类和数量较多的情况。为了减少聚类过程中对人为设定参数的依赖，文献[5]对用电器功率进行C聚类，通过定义聚类中心的距离阈值，以迭代的方式确定聚类状态个数，并通过隐马尔可夫模型求解用电器的状态。文献[6]用均值偏移聚类构建电器状态模板，通过状态概率因子和遗传算法求解用电器的状态，通过聚类方法得到用电器各状态和相应的聚类中心，从而将状态还原为功率。上述聚类方法大幅度缩小了功率信息的可行解个数，降低了模型的复杂度，能够被运算能力低的小设备执行。然而，这些方法的分解功率值仅是各状态的聚类中心，无法得到准确的真实功率值。

目前，人工智能在电力系统得到了广泛的应用[7-8]。由于NILM可以理解为将总功率序列“翻译”为用电器功率序列，随着自然语言处理(natural language processing，NLP)领域中深度学习的发展，越来越多的翻译模型被应用到NILM[9-12]。序列到序列(sequence to sequence，seq2seq)框架包含编码器和解码器，原用于解决输入的原序列与输出的翻译序列的长度不同的问题，但是也能解决功率序列的等长变换问题。……