第３８卷第２期湖北工业大学学报２０２３年０４月Ｖｏｌ．３８Ｎｏ．２ＪｏｕｒｎａｌｏｆＨｕｂｅｉＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＡｐｒ．２０２３■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■■［收稿日期］２０２２－０３－１０［基金项目］国家自然科学基金项目（６１９０３１２９）［第一作者］刘辉（１９６２－），男，湖北武汉人，湖北工业大学教授，研究方向为电网控制与智能制造［通信作者］江煦成（１９９６－），男，湖北黄冈人，湖北工业大学硕士研究生，研究方向为非侵入式负荷分解［文章编号］１００３－４６８４（２０２３）０２－０００１－０６基于多任务学习的非侵入式负荷分解刘辉，江煦成（湖北工业大学太阳能高效利用湖北省协同创新中心，湖北武汉４３００６８）［摘要］为解决目前非侵入式负荷分解研究中存在的模型数量多及训练时间长等问题，将多任务学习引入到非侵入式负荷分解研究中，提出一种基于多门多专家模型的非侵入式负荷分解方法，首先通过ｓｅｑ２ｐｏｉｎｔ模型将用电设备的功率分解转换为总功率序列与用电设备在序列中点时刻功率值的映射关系，其次利用ＭＭｏＥ模型的门控函数及共用的Ｅｘｐｅｒｔ网络组兼顾不同用电设备功率分解任务的独特性和关联性，最终通过单个ＭＭｏＥ模型同时完成多个用电设备的功率分解。在公开数据集上进行验证，测试算例验证了方法的有效性。［关键词］非侵入式负荷分解；多任务学习；ＭＭｏＥ；ｓｅｑ２ｐｏｉｎｔ［中图分类号］ＴＭ７１４［文献标识码］Ａ目前主流的非侵入式负荷分解（Ｎｏｎ－ｉｎｔｒｕｓｉｖｅＬｏａｄＤｅｃｏｍｐｏｓｉｔｉｏｎ，ＮＩＬＤ）研究中，通过低频采样的功率、电流、电压等数据，使用不同算法得到总负荷数据序列与不同用电设备的负荷数据序列之间的映射关系，实现对不同用电设备运行情况的识别，在深度学习首次引入ＮＩＬＤ研究取得很好效果之后［１］，越来越多的学者开始使用深度学习模型构建ＮＩＬＤ模型，通过深度模型使用回归或者分类的方法实现对不同电器功率的识别，例如时序卷积网络［２］，卷积注意力块模型［３］，以及ｓｅｑ２ｓｅｑ模型［４］。以上研究，都是通过单任务学习模型，不同用电设备使用不同结构的模型进行负荷分解。虽然能做到较高的准确率，但不同用电设备负荷分解任务需要重新构造模型，操作较为繁琐，也存在训练单个模型时间较长的问题。解...
