多尺度双通道卷积注意力网络（MSDCANet）：面向非侵入式负载分解的增强特征提取方法及其在智能电网中的能效优化应用

　　本文推荐一篇关于非侵入式负载监测（NILM）的创新研究，提出多尺度双通道卷积注意力网络（MSDCANet），通过整合多尺度特征提取、自适应归一化和注意力机制，显著提升负载分解精度与模型泛化能力。该模型在UK-DALE和REDD数据集上验证了其卓越性能，为智能电网中的能源管理提供了有效解决方案。

　　

Section snippets

Multi-scale technology in deep learning

多尺度技术在深度学习领域扮演着关键角色，尤其在处理具有多级和多尺度特征的数据时。作为一种高效的特征提取方法，多尺度卷积已广泛应用于计算机视觉、语音处理和时间序列分析等多个领域[[11], [12], [13]]。其核心思想是通过提取不同尺度的特征，捕捉数据中的多层级和多粒度信息，从而增强模型的表达能力和泛化性能。

Overall model architecture

在非侵入式负载监测（NILM）任务中，负载信号展现出丰富的时间结构和多尺度特性。传统的单通道网络在处理这些复杂信号时，往往难以同时捕获不同尺度的特征。为解决这一局限，我们提出了一种双通道架构：基础时序通道（Base Temporal Channel），用于从原始功率数据中提取基本模式和时间依赖性；以及注意力增强通道（Attention-Enhanced Channel），通过集成注意力机制进一步聚焦关键特征并提升全局感知能力。

Experimental settings and results

本章展示了为验证我们所提出负载分解模型有效性而进行的实验。负载分解实验的基本原理如图2所示。我们将提出的MSDCANet与七个公开模型进行了比较：S2S [33]、S2P [33]、GRU [34]、FCN [35]、BERT4NILM [36]、ELECTRIcity [37]和AugLPN [23]。为确保公平比较，我们采用了这些模型在原研究中报告的相同窗口长度，同时我们的实验设置保持一致以客观评估性能提升。

Conclusion

本文针对现有非侵入式负载监测（NILM）模型在有效提取电器负载数据多尺度特征方面的局限性，提出了多尺度双通道卷积注意力网络（MSDCANet）。该模型专为NILM任务设计，通过独立通道分别提取细粒度和粗粒度信号特征，从而能够更精确地识别和分解具有复杂模式和高重叠功耗特征的电器，显著提升了分解准确性和跨场景泛化能力。

Author statement

Zeyi Geng: 概念化，方法论，初稿撰写。

Linfeng Yang: 监督，初稿撰写，审阅与编辑。

Zhi Xie: 审阅与编辑。

Yingzheng Li: 审阅与编辑。

Zhiding Wu: 审阅与编辑。