DualNILM: Energy Injection Identification Enabled Disaggregation with Deep Multi-Task Learning

📄 arXiv: 2508.14600v2 📥 PDF

作者: Xudong Wang, Guoming Tang, Junyu Xue, Srinivasan Keshav, Tongxin Li, Chris Ding

分类: cs.LG, eess.SP

发布日期: 2025-08-20 (更新: 2025-09-26)

备注: Preprint

💡 一句话要点

提出DualNILM以解决BTM能量注入对NILM的影响问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 非侵入式负载监测 能量注入识别 深度多任务学习 Transformer 智能家居 可再生能源 能耗管理

📋 核心要点

  1. 现有NILM方法在BTM能源源普及后，面临能量注入对设备功率特征的掩盖问题，导致性能下降。
  2. DualNILM框架采用深度多任务学习，结合Transformer架构，解决设备状态识别与能量注入识别的双重任务。
  3. 在自收集和合成数据集上的广泛评估显示，DualNILM在双重任务中表现优异，显著超越传统方法。

📝 摘要（中文）

非侵入式负载监测（NILM）为智能家居和建筑应用提供了一种经济有效的方法，以获取细粒度的设备级能耗。然而，随着太阳能电池板和电池存储等背后计量（BTM）能源源的普及，传统NILM方法面临新挑战。BTM源注入的能量可能会掩盖单个设备的功率特征，导致NILM性能显著下降。为了解决这一问题，本文提出了DualNILM，一个深度多任务学习框架，旨在同时进行设备状态识别和能量注入识别。通过基于Transformer的架构，DualNILM有效捕捉了聚合功率消耗模式中的多尺度时间依赖性，允许准确的设备状态识别和能量注入识别。大量评估表明，DualNILM在NILM的双重任务中表现优异，远超传统方法。

🔬 方法详解

问题定义：本文旨在解决BTM能量注入对传统NILM方法的影响，现有方法无法有效识别被掩盖的设备功率特征，导致能耗监测不准确。

核心思路：提出DualNILM框架，通过深度多任务学习同时进行设备状态识别和能量注入识别，利用Transformer架构捕捉多尺度时间依赖性，从而提高识别精度。

技术框架：DualNILM框架包括两个主要模块：设备状态识别模块和能量注入识别模块。通过序列到点和序列到序列的策略，模型能够处理复杂的功率消耗模式。

关键创新：最重要的创新在于将多任务学习与Transformer架构结合，能够同时处理设备状态和能量注入的识别任务，显著提升了NILM的性能。

关键设计：模型设计中采用了适应性的损失函数，优化了网络结构以适应多任务学习的需求，确保在不同任务间的有效信息共享。

📊 实验亮点

实验结果表明，DualNILM在自收集和合成数据集上的性能显著优于传统方法，尤其在设备状态识别和能量注入识别任务中，准确率提升幅度超过20%。

🎯 应用场景

该研究在智能家居和建筑能耗管理领域具有广泛的应用潜力。通过准确识别设备能耗和能量注入，DualNILM能够帮助用户优化能源使用，提高可再生能源的利用效率，推动智能电网的发展。

📄 摘要（原文）

Non-Intrusive Load Monitoring (NILM) offers a cost-effective method to obtain fine-grained appliance-level energy consumption in smart homes and building applications. However, the increasing adoption of behind-the-meter (BTM) energy sources such as solar panels and battery storage poses new challenges for conventional NILM methods that rely solely on at-the-meter data. The energy injected from the BTM sources can obscure the power signatures of individual appliances, leading to a significant decrease in NILM performance. To address this challenge, we present DualNILM, a deep multi-task learning framework designed for the dual tasks of appliance state recognition and injected energy identification. Using a Transformer-based architecture that integrates sequence-to-point and sequence-to-sequence strategies, DualNILM effectively captures multiscale temporal dependencies in the aggregate power consumption patterns, allowing for accurate appliance state recognition and energy injection identification. Extensive evaluation on self-collected and synthesized datasets demonstrates that DualNILM maintains an excellent performance for dual tasks in NILM, much outperforming conventional methods. Our work underscores the framework's potential for robust energy disaggregation in modern energy systems with renewable penetration. Synthetic photovoltaic augmented datasets with realistic injection simulation methodology will be open-sourced after review.