图1 特征提取模块结构
Fig.1 Structural diagram of feature extraction module
摘要 针对实际应用中存在的负荷信号重叠严重、设备特征相似以及传统模型对时序信息建模能力不足等问题，提出一种融合多尺度卷积特征提取的扩展长短期记忆网络（xLSTM）架构，用于实现端到端的高精度电器识别。该方法在特征建模阶段构建双通道卷积结构，分别对负荷信号的全局变化趋势与局部细节特征进行建模，并引入坐标注意力机制与自门控激活函数，以增强模型对关键时序片段与显著特征的响应能力。在时序建模与识别阶段，通过标量长短期记忆网络（sLSTM）与矩阵长短期记忆网络（mLSTM）模块的堆叠组合构建xLSTM网络结构，从而提升对复杂动态负载特性的建模能力与负荷类别判别性能。为验证所提方法的有效性与泛化能力，在UK-DALE、LIFTED、PLAID及WHITED四个具有代表性的非侵入式负荷识别数据集上开展了系统实验。实验结果表明，该方法在多项评价指标上展现出较为稳定且均衡的性能，在复杂负荷场景及跨数据集条件下，其识别精度、鲁棒性与泛化能力整体优于多种主流深度学习方法与现有相关研究成果。
关键词：非侵入式负荷识别 多尺度卷积 扩展长短期记忆网络（xLSTM） 时序建模 标量长短期记忆网络（sLSTM） 矩阵长短期记忆网络（mLSTM）
全球工业化进程的加速，推动能源需求持续攀升，在传统化石能源枯竭与环境污染双重压力下，能效提升成为关键研究课题[1-2]。非侵入式负荷监测（Non-Intrusive Load Monitoring, NILM）技术无需改造家庭配电线路、仅通过总电表量测信号实现用电设备能耗识别，在智能电网能效管理、用户用电行为优化及电力系统负荷预测中展现重要应用价值[3-5]。
非侵入式负荷识别通常包括三个关键技术环节：事件检测、特征提取和负荷识别[6]。事件检测作为首环，其精度影响后续任务性能[7]。传统方法如固定阈值检测和统计分析等受噪声与功率波动干扰，近年来智能算法逐步成为主流。如文献[8]基于电流特征和多规则提升高频负载检测精度；文献[9]结合卡尔曼滤波去噪与广义似然比检验的事件检测方法，以降低噪声干扰并提升检测准确性；文献[10]通过强化学习机制增强事件检测在非理想工况下的鲁棒性。
可区分性特征需从负荷事件中提取，常用特征可分为三类：稳态特征、暂态特征和非传统特征[11]。在稳态特征方面，文献[12]结合V-I轨迹颜色编码、K-means聚类与AlexNet网络，实现了对相似电器的高效识别；文献[13]基于功率特征构建双目标函数，以提高稳态负荷识别的准确率。在暂态特征方面，文献[14]将负荷暂态事件作为“类信号”，通过序列匹配与时偏熵分析，实现无需信号注入的户相变高精度识别；文献[15]通过奇次谐波、统计量及功率谱特征构成的12维特征组合，实现单电器与多电器的高精度在线识别；文献[16]提出稳暂态混合方法，并结合离散粒子群优化、动态时间规整（Dynamic Time Warping, DTW）与维特比算法，有效提升了识别精度与路径优化能力。
负荷识别的核心是基于事件检测后提取的电器特征，对不同类型的电器进行准确识别。传统机器学习方法如支持向量机[17]和随机森林[18]等在特定场景表现良好，但对特征依赖强，难以适应复杂、噪声重叠严重的用电环境。为此，深度学习逐渐成为主流方法：如文献[19]采用AlexNet网络实现对电器类型的高精度分类，文献[20]通过双长短期记忆网络（Long Short-Term Memory, LSTM）网络构建事件驱动的识别架构提升启停事件分类性能。在此基础上，融合多模型结构成为趋势，文献[21]结合卷积神经网络（Convolutional Neural Network, CNN）、双向长短时记忆（Bidirectional LSTM, BiLSTM）与DTW提取V-I曲线，实现动态匹配下的准确识别。文献[22]则采用决策树思想的一维卷积神经网络‑反向传播负荷识别算法，解决单一深度学习算法难以处理多种特征数据类型的问题。
尽管NILM技术近年来取得了显著进展，但在多设备并发运行、负载特征高度相似、标注样本有限以及模型部署成本受限等复杂应用场景下，仍面临诸多关键挑战[23-24]。传统基于LSTM或GRU的时序模型在长时间负荷序列建模中受限于门控状态更新与记忆容量，对跨运行周期的长期依赖关系刻画能力不足，且在信号重叠或噪声干扰显著时，对局部暂态变化与全局运行模式的协同建模能力有限。针对上述问题，本文提出一种“多尺度卷积-注意力增强-xLSTM（Extended LSTM）[25]”的端到端负荷识别框架，从结构层面提升模型对复杂负荷序列的表达与判别能力。
具体而言，构建双通道多尺度卷积结构以分层提取不同时间尺度下的局部功率特征，并引入坐标注意力机制对关键信息进行自适应加权，增强关键用电片段的判别能力。在时序建模阶段，采用由标量长短期记忆网络（scalar LSTM, sLSTM）与矩阵长短期记忆网络（matrix LSTM, mLSTM）协同构成的xLSTM单元，相较于传统LSTM/GRU的单一记忆更新形式，该结构在保持计算稳定性的同时能提供更灵活的状态表示与更新机制，从而更有效地联合刻画短期暂态特征与长期运行模式。通过多尺度卷积、注意力机制与xLSTM的统一融合，实现局部模式、全局特征重要性与长序列依赖关系的协同建模。
本文的主要贡献体现在以下三个方面：①设计了双通道多尺度卷积与坐标注意力相结合的特征提取结构，有效地提升了负载变化片段的定位精度及相似设备之间的区分能力；②在时序建模层面引入由sLSTM与mLSTM协同构成的xLSTM单元，并首次从NILM任务视角系统地验证其在非稳态特征解析、噪声抑制及负载信号重叠场景下的建模优势；③构建了“多尺度卷积-注意力增强-xLSTM”的端到端负荷识别模型，在不显著增加模型复杂度的前提下，突破了传统时序模型在长短期特征协同建模方面的能力瓶颈，为复杂用电场景下的NILM应用提供了一种兼具精度、鲁棒性与泛化性能的解决方案。
为有效提取用电设备运行过程中功率信号的局部特征与多尺度信息，本文设计了一种融合多策略的特征提取模块。该模块采用双通道卷积架构，分别通过不同感受野的卷积核对输入信号进行并行处理，以兼顾局部细节与全局趋势的建模能力。同时，引入自门控激活函数以增强非线性特征表达能力，并结合坐标注意力机制，实现对关键负载变化片段的精准感知。多策略的融合不仅提升了功率信号特征的判别性，也为后续的时序建模与电器分类提供了稳定、区分性强的输入表示。
特征提取模块结构如图1所示。Branch 1采用大感受野卷积与步长为2的下采样策略，以快速压缩序列长度并提取粗粒度特征，捕捉功率信号的全局变化趋势。Branch 2则侧重于局部细节的建模，通过多层小感受野卷积核堆叠，逐层挖掘更深层次的局部信息。两条分支均由卷积层、批归一化（Batch Normalization, BN）与MetaAconC[26]激活函数组成。其中，MetaAconC为具备门控机制的动态激活函数，能通过引入可学习的门控因子，对每个通道或特征点进行自适应激活控制，增强模型对关键特征的选择能力。Branch 1包含两层卷积，每层后接最大池化以强化主导特征表达；Branch 2包含四层卷积，并在每隔两层后进行最大池化，以压缩时间维度的同时保留核心局部信息。两分支输出在通道维度对齐后，通过逐元素相乘的方式融合，形成统一编码特征，从而有效整合多尺度信息，增强特征的表达完整性与判别力。
图1 特征提取模块结构
Fig.1 Structural diagram of feature extraction module
尽管多尺度卷积能提取丰富特征，但不同通道和时间位置的重要性不一，若一视同仁处理，易导致信息冗余或关键模式被掩盖。为解决这一问题，引入坐标注意力机制（Coordinate Attention, CoordAtt）[27]，将通道建模与时间位置编码相结合，实现时序与通道维度上的联合注意力分布。该机制通过时间维度池化提取全局响应，融合原始特征并经轻量卷积建模后生成注意力图，引导模型在空间和时间上聚焦电器状态变化对应的关键片段，有效地抑制无效区域与噪声干扰，进一步提升特征响应的精准性与有效性。
xLSTM是基于模块化堆叠的扩展型时序建模结构，旨在同时兼顾状态跟踪能力与长期记忆能力，引入两种结构变体sLSTM和mLSTM，并将其分别封装为残差块，通过堆叠多个模块构建完整网络架构。xLSTM的结构如图2所示。
sLSTM采用标量记忆结构，结合指数门控机制和归一化处理，具备出色的状态感知与更新能力；mLSTM则引入矩阵记忆与协方差更新规则，有效地扩展了模型的存储容量，提升对长期依赖模式的建模能力。为进一步适配特征维度，xLSTM引入升维机制，其中sLSTM采用后置升维，mLSTM则使用前置升维。通过灵活配置sLSTM与mLSTM的结构比例，xLSTM能在建模复杂动态序列时实现表达能力与计算效率之间的平衡，进一步提升对长期依赖建模与关键信息选择性记忆的能力。以下将对sLSTM与mLSTM的核心机制与结构特点进行详细介绍。
图2 xLSTM的结构
Fig.2 The structure of xLSTM
1.2.1 sLSTM
sLSTM通过引入指数门控机制以增强记忆更新与修正能力。其使用指数函数替代sigmoid激活函数，使模型在信息写入和重写方面表现出更高的灵活性与响应速度，从而缓解传统LSTM中信息更新迟滞的问题。为避免指数操作带来的数值不稳定性，sLSTM引入状态归一化机制。同时，sLSTM支持多记忆单元的融合机制，并结合多头机制使每个头部能独立执行记忆的读取与更新操作，进一步提升模型的表示能力和状态跟踪精度，使其在处理需要强状态感知与持续信息追踪的任务中表现优越。然而，由于其在时间步间存在较强的依赖关系，且引入了隐藏状态间的直接连接，导致sLSTM不具备良好的并行化能力，训练速度相对较慢。sLSTM的基础结构如图3所示。
图3 sLSTM的基础结构
Fig.3 Basic structure of sLSTM
在每一个时间步t，sLSTM的状态更新与输出过程如下。
1）记忆状态更新。当前的记忆状态
是前一状态
与当前单元输入
的加权和，即
（1）
式中，
为输入门；
为遗忘门；为当前输入的候选记忆值。
2）归一化状态更新。引入归一化状态
，用于跟踪门控强度的积累和后续对记忆进行缩放，有
（2）
3）隐藏状态计算。当前隐藏状态
由输出门
控制，确保了输出值处于合理范围内，避免指数操作引起的爆炸，使用归一化后得到
（3）
4）门控与输入计算。各门和单元输入值由线性变换和激活函数得到
（4）
（5）
（6）
（7）
式中，
、
、
和
分别对应输入向量
与遗忘门、输入门、单元输入和输出门之间的输入权重向量；
、
、
和
分别对应隐藏状态
与遗忘门、输入门、单元输入和输出门之间的循环权重；
、
、
和
为相应的偏置项；
为指数门控激活函数，用于增强信息写入与更新能力；
为双曲正切函数
；
为传统sigmoid函数。
5）指数门的稳定化处理。由于指数激活函数可能会产生大数值，为了防止数值爆炸的问题，使用最大值稳定器
来稳定门控，并将输入门与遗忘门调整为
（8）
（9）
（10）
用
、
替换原有的、后继续前向传递。
1.2.2 mLSTM
mLSTM通过将标量记忆单元扩展为矩阵结构，显著增强了模型的存储容量与信息表达能力。其核心机制是引入协方差更新规则，即通过键值（key-value）对外积进行记忆更新，使其在建模低频特征与长期依赖信息方面表现优异。与sLSTM不同，mLSTM去除了时间步间隐藏状态的循环连接，从而实现了完全并行化能力，显著提高了在GPU上训练的推理效率与扩展能力。为确保数值计算的稳定性，mLSTM引入归一化状态机制和稳定的指数门控机制，并在更新路径中加入下界约束的归一化操作，避免梯度爆炸或消失。同时，mLSTM通过统一多头机制与多记忆单元，简化了模型设计，提升了工程可用性与扩展能力。整体而言，mLSTM兼具强大的记忆能力与高效计算性能，是应对大规模语言建模与长期序列建模任务的高效结构之一。其基础结构如图4所示。
图4 mLSTM的基础结构
Fig.4 Basic structure of mLSTM
mLSTM的核心思想是将原LSTM的标量记忆状态
扩展为矩阵形式
，并使用键值对存储与查询机制构建关联性记忆。在每一个时间步t，其前向传播过程如下所示：
1）记忆状态更新。使用协方差更新规则将当前的键值对信息写入记忆矩阵，有
（11）
式中，
为键向量；
为值向量。外积
将单一键值映射到二维存储空间，增强了记忆容量。
2）归一化状态更新。为确保稳定的检索过程，引入归一化向量
累积所有门控键向量，记录门控的强度。
（12）
3）隐藏状态计算。使用查询向量
从矩阵记忆中检索对应值，并用
来归一化，防止过小值引发梯度爆炸。但由于查询和归一化状态之间的点积可能接近零，所以使用这个点积的绝对值，并用一个阈值对其进行下界约束。计算输出为
（13）
4）键值向量生成。使用线性变换将输入投影为查询、键和值向量。
（14）
（15）
（16）
5）门控计算。门控机制采用指数函数，即
（17）
（18）
（19）
6）指数门稳定化。与sLSTM相同，使用稳定器状态控制指数门数值，见式（8）～式（10）。
本文构建了一个涵盖事件检测、特征建模与负荷识别的完整识别架构，由三个功能模块组成：①事件检测模块用于自动定位电器启停对应的时间边界；②特征提取模块基于双通道卷积结构与注意力机制，提取多尺度时序特征；③负荷识别模块通过xLSTM实现时序建模与电器类别的精准判别。各模块紧密配合，构成从原始功率输入到最终分类输出的端到端识别流程。
在事件检测阶段，考虑到电器启停通常伴随有功功率的显著变化[28]，本文提出了一种基于滑动窗口的自适应阈值事件检测方法。首先，对原始功率信号进行中值滤波以抑制噪声干扰；其次，计算一阶差分的绝对值，获得功率变化量序列；最后，在固定长度滑动窗口内进行局部统计，结合比例与权重因子动态设定检测阈值，并通过峰值检测算法识别功率突变点，确定电器状态变化时刻。检测结果用于划分有效功率片段，为特征建模提供清晰稳定的时间边界。
特征建模作为识别流程的中间环节，连接事件检测与后续分类任务，旨在将原始功率片段中的状态变化转换为可判别的多维特征表示，提升模型对电器运行状态的感知能力。本文提出采用多路径卷积结构对信号的突变、趋势与周期性特征进行分解建模，并引入深层抽象与注意力机制，增强对复杂负载的表达能力与鲁棒性。输出的多维时序特征具备统一维度与良好区分性，与后续识别模块高效对接，有效地减轻了序列建模负担，为负荷识别提供坚实基础。
在最终的负荷识别阶段，构建了一个基于xLSTM架构的时序建模模块，结构如图5所示。该模块的内部计算粒度与维度特征主要由三个关键超参数定义：投影因子（Projection Factor, PF）用于设定前后升维模块中的特征维度放大倍数；多头数量（Number of Heads, NH）表示多头机制中独立并行的头部个数，以协同捕获不同子空间的特征；块大小（Block Size, BS）则定义了分块对角线线性映射层中各个独立子块的维度大小，在保证局部信息交互的同时有效降低了模型参数量。
图5 基于xLSTM的负荷识别模块结构
Fig.5 Structural diagram of load identification module based on xLSTM
归一化层对输入特征进行标准化处理，提升模型稳定性；因果卷积层确保每一时刻的输出仅依赖当前及历史时间步，保留时间因果性；线性映射层则通过局部变换压缩特征维度，减少参数。核心的xLSTM模块采用[1:1]堆叠结构构建，每层包含一个sLSTM Block与一个mLSTM Block，分别用于强化状态更新与短期建模能力，以及提升长期依赖捕捉与记忆容量。每个Block均集成前后升维模块，并采用残差连接结构，以增强特征融合能力并保持梯度流动的稳定性。最终，xLSTM输出的时序特征经由稀疏全连接层降维后，由Softmax分类器完成电器类别的判别。
非侵入式负荷识别的功率信号同时呈现多尺度结构、局部突发性、跨时间依赖及高噪声非平稳性等特征。基于此，本文构建的“多尺度卷积-注意力增强-xLSTM”架构是从信号属性与深度建模规律出发，形成的“局部-全局-时序”协同结构。
首先，多尺度卷积通过不同感受野提取瞬态与稳态特征，等效于对信号进行多频带编码，可进一步提升局部结构表达能力并降低噪声干扰。其次，注意力机制进一步在卷积特征上施加动态显著性分布，通过通道注意与时序位置编码捕获全局依赖，突出对判别性更强的关键片段的关注，从而增强模型在跨设备与高噪声场景下的鲁棒性。最后，xLSTM以sLSTM和mLSTM的记忆结构实现短期瞬态模式与长期运行行为的统一建模，解决传统循环网络难以兼顾长短期依赖的问题，使模型具备更强的时序表达能力与稳定性。
三者在建模目标上各司其职，又在特征空间中形成互补关系：多尺度卷积提供局部结构基础，注意力机制强化全局相关性，xLSTM则负责跨时间段动态演化建模。最终构成“局部→全局→时序”的层级特征链路，在一定程度上缓解多尺度瞬态-稳态区分、噪声干扰抑制以及长期行为建模等NILM核心难题。
负荷识别作为分类任务，常用准确率、精确率与召回率进行评估。但在实际应用中，仅优化精确率或召回率难以全面反映其性能，因此本文采用F1-score衡量二者的平衡表现。考虑到电器类别样本不均衡，进一步引入加权精确率、加权召回率和加权F1-score以提升评估公平性。此外，为全面评估模型在样本不平衡条件下的整体鲁棒性，本文还引入马修斯相关系数（Matthews Correlation Coefficient, MCC）[29]作为补充指标。设
为类别总数，
为第
类真实样本数，各评价指标计算公式为
（20）
（21）
（22）
（23）
（24）
（25）
式中，TP为状态存在且被检测到的次数；FP为状态不存在但被误判为存在的次数；TN为状态不存在且被正确识别的次数；FN为状态存在但未被检测到的次数；
为在混淆矩阵中真实类别被预测为类别
的数量；
为预测为类别的样本总数；
、
和
分别为加权精确率、加权召回率以及加权F1-score；
为识别的整体准确率；
为马修斯相关系数。
为验证所提方法在不同场景下的有效性与泛化性，本文选取UK-DALE[30]、LIFTED[31]、PLAID[32]及WHITED[33]四个具有代表性的数据集开展实验。UK-DALE是英国境内收集的、旨在推动非侵入式负荷监测算法研究的公开数据集，其最大特点是同时记录了房屋的总用电量以及多个单个电器的细粒度用电数据。LIFTED数据集不同于UK-DALE等基于真实住宅采集的数据集，它是在高度受控的实验室环境中生成的合成负载数据集，具有设备类型丰富以及标注极其精确的特点。LIFTED数据集的核心价值在于开发和测试NILM算法，尤其关注小功率电器和复杂电器状态的识别。WHITED由瑞士苏黎世联邦理工学院（ETH Zurich）的研究团队创建并发布。与UK-DALE、LIFTED等记录长时间序列用电行为的数据集不同，其核心关注点在于单个电器在稳态运行和开关瞬态过程中的高保真电压-电流波形，本质上是一个电器的“波形特征库”。
为保证结果的公平性与可复现性，对四个数据集统一采用相同的数据划分与预处理策略，将70%的样本用于模型训练，其余作为测试集。在预处理阶段，首先对原始功率序列进行异常值剔除与中值滤波处理，然后对功率数据进行标准化处理。在此基础上，基于事件检测方法对连续功率序列进行切片，并通过长度对齐构造样本。对比模型同样采用上述预处理流程。
在模型训练过程中，实验平台为NVIDIA RTX 4060 GPU。模型输入的窗口长度设置为1 024，训练算法采用Adam优化算法，学习率设置为0.001，批大小为64，最大训练轮数为300，并引入早停机制以防止模型过拟合。
所提模型由多尺度卷积模块、CoordAtt注意力机制和堆叠xLSTM组成，特征维度为124，隐藏单元数量为64，2个head，单向，如图1所示的两路分支卷积核的大小分别为18×50、10×30及6×50、6×40、6×30、6×30，模型总参数量约为2.1M，单轮训练耗时约45 s，显存占用约8 GB，在保证高精度的同时兼顾计算效率和资源消耗。
3.3.1 UK-DALE算例分析
在UK-DALE数据集上，选取咖啡机、风扇、冰箱、吹风机、便携式计算机、微波炉、加热器、吸尘器、洗衣机和电热水壶共10种典型用电设备作为分类对象，并在相同实验条件下与多种主流模型开展对比测试，实验结果如表1和图6所示。
由表1可知，在对长期时序依赖与状态记忆建模能力要求较高的UK-DALE数据集上，不同模型的表现存在明显差异。其中xLSTM在加权精度（Wp）、加权召回率（Wr）、加权F1值（WF1）、整体准确率（Eacc）及马修斯相关系数（EMCC）等指标上均取得了较优的综合表现。需要指出的是，与GRU、GA-SENet-CNN等性能较强的方法相比，xLSTM在部分指标上的提升幅度并不显著，其优势更多体现在多项评价指标之间的一致性与稳定性。这一结果表明，在以稳态运行和长时间序列为主的家庭负荷场景中，xLSTM能够更有效地保持长期状态信息，从而呈现更为均衡的整体性能结构。
表1 不同模型在UK-DALE数据集识别结果的性能比较
Tab.1 Performance comparison of different models in the UK-DALE dataset recognition results
不同模型WpWrWF1EaccEMCC RNN0.954 00.948 40.947 80.948 40.942 4 LSTM0.961 00.957 80.957 70.957 80.952 3 BiLSTM0.966 00.965 10.964 40.965 10.960 5 GRU0.984 90.984 40.984 30.984 40.982 3 Transformer0.966 20.960 40.959 60.960 40.956 1 双LSTM[20]0.741 30.809 40.763 80.809 40.798 7 CNN-BiLSTM[21]0.862 20.839 10.838 10.839 10.819 5 AlexNet网络[12]0.964 90.954 70.955 00.954 70.950 2 ShuffleNetV2[34]0.957 50.938 50.936 90.938 50.934 0 CNN[35]0.926 70.912 50.910 50.912 50.903 2 GA-SENet-CNN[36]0.980 00.979 20.979 20.979 20.976 4 xLSTM0.987 20.986 50.986 60.986 50.984 7
从评价指标角度进一步分析，Wp、Wr和WF1主要反映模型在主流负载类别上的整体识别能力。在这些指标上，xLSTM与性能较强的对比模型差距相对有限；而EMCC对类别不平衡和误分类分布更为敏感。在该指标上，xLSTM的表现较为稳定，说明其在长期运行负载占比较高、类别分布不均衡的场景中，能够维持较好的预测一致性和鲁棒性。
结合图6所示的混淆矩阵可以进一步发现，不同模型的性能差异主要体现在具体负载类型层面。对于功率特征明显、运行模式稳定的负载，如电热水壶、微波炉等，多数模型能够实现较高的识别准确率，模型间差异相对有限；而在功率水平接近、运行周期较长或运行模式存在重叠的负载类别中，如冰箱、洗碗机和咖啡机等，部分传统循环模型和CNN结构更易产生混淆。相比之下，xLSTM在上述负载类别上的误分类样本相对较少，表明其在刻画长期运行模式差异方面具有一定优势。对于低功率、非平稳或间歇运行的负载（如风扇），xLSTM在保持整体召回率稳定性方面表现较好，但仍存在一定混淆现象，说明其在极弱负载特征建模方面仍有进一步提升空间。
图6 不同模型在UK-DALE数据集识别结果的混淆矩阵
Fig.6 Confusion matrix plots of the recognition results of different models on the UK-DALE dataset
综上所述，在以稳态特征和长期用电序列为主的家庭负荷场景中，xLSTM在长期状态建模和多指标一致性方面表现出较为稳定的优势。实验结果表明，该模型能够在负载运行周期较长、类别分布不均衡的条件下保持较好的预测稳定性，验证了模型长期时序依赖建模的能力。
3.3.2 LIFTED算例分析
在LIFTED数据集上，选取烘干机、电饭煲、冰箱、吹风机、监视器、搅拌机、电蒸锅、吸尘器、洗衣机和电热水壶共10种典型用电设备作为分类对象，并在相同实验条件下与多种主流模型进行对比，实验结果如表2和图7所示。
由表2可知，在对稳态-暂态混合特征建模与预测稳定性要求较高的LIFTED数据集上，不同模型的表现存在一定差异。其中，xLSTM在Wp、Wr、WF1、Eacc、EMCC等指标上均处于性能最优或近最优水平。需要指出的是，与BiLSTM和Transformer等性能较强的模型相比，xLSTM的优势主要体现在多项评价指标之间较为稳定的一致性。这表明，在稳态与暂态特征并存、负载运行模式较为多样的家庭用电场景中，xLSTM能够在不同评价维度下保持较为均衡的性能表现。
表2 不同模型在LIFTED数据集识别结果的性能比较
Tab.2 Performance comparison of different models in the LIFTED dataset recognition results
不同模型WpWrWF1EaccEMCC RNN0.971 40.969 70.968 20.969 70.966 0 LSTM0.971 80.970 70.969 50.970 70.967 0 BiLSTM0.981 60.981 10.981 20.981 10.978 6 GRU0.932 30.919 10.919 60.919 10.909 2 Transformer0.981 10.980 80.980 40.980 80.978 3 双LSTM[20]0.907 30.886 20.862 70.886 20.875 8 CNN-BiLSTM[21]0.963 70.961 40.958 20.961 40.956 9 AlexNet网络[12]0.977 00.975 30.974 20.975 30.972 2 ShuffleNetV2[34]0.977 80.975 90.974 80.975 90.973 0 CNN[35]0.977 30.975 60.974 40.975 60.972 6 GA-SENet-CNN[36]0.933 20.906 20.908 70.906 20.897 9 xLSTM0.981 70.981 30.981 40.981 30.978 7
图7 不同模型在LIFTED数据集识别结果的混淆矩阵
Fig.7 Confusion matrix of the recognition results of different models on the LIFTED dataset
从指标层面进一步分析可以发现，LIFTED数据集中各模型在Wp、Wr和WF1指标上的差异相对较小，说明该数据集中多数主流负载具有较为清晰的判别特征；而在EMCC指标上，不同模型之间的差异更为明显，反映出模型在类别不平衡及复杂负载分布条件下的预测稳定性存在差别。xLSTM在该指标上的表现较为稳定，表明其在多负载并行、运行模式存在重叠的家庭场景中，能够维持较好的预测一致性和鲁棒性。
结合图7所示的混淆矩阵可以看出，各模型整体呈现出较为明显的对角占优特性，说明多数电器类别具有一定的可分性。这与LIFTED数据集中家庭负载运行模式相对稳定、典型电器功率特征较为清晰的特点一致。对于功率特征明显、运行状态较为单一的电器（如电热水壶、烘干机和电蒸锅），大多数模型均能够实现较高的识别准确率，模型间差异相对有限；而在功率水平接近或运行模式存在重叠的负载类别中，如冰箱、吹风机及部分厨房电器，部分模型仍存在一定程度的相互混淆，主要由稳态功率相近或启停特征相似导致。相比之下，xLSTM在上述易混淆负载类别上的误分类样本相对较少，表明其在保持整体识别精度的同时，对运行模式差异的刻画更为稳定，但在负载行为高度相似的情况下仍存在一定的区分难度。
综上所述，在稳态运行与启动暂态特征并存的典型家庭用电场景中，xLSTM在多指标一致性和预测稳定性方面展现出较为均衡的性能表现。结果表明，该模型能够在不同时间尺度特征交织的条件下保持稳定识别能力，验证了模型稳态-暂态混合特征建模的能力。
3.3.3 PLAID算例分析
在PLAID数据集上，选取空调、搅拌机、咖啡机、风扇、冰箱、吹风机、加热器、白炽灯、微波炉和吸尘器共10种典型用电设备作为分类对象，并在相同实验条件下与多种主流模型进行对比，实验结果如表3和图8所示。
由表3可知，在对瞬态特征建模、噪声鲁棒性及跨设备泛化能力要求较高的PLAID数据集上，不同模型的表现存在明显差异。其中xLSTM在Wp、Wr、WF1、Eacc、EMCC等指标上均取得了较为突出的综合表现，整体性能优于多数对比模型。需要指出的是，与RNN、BiLSTM和Transformer等性能较强的方法相比，xLSTM并未在所有评价指标上均取得显著领先，其优势同样并非来源于单一指标的极端提升，而主要体现在多项指标之间的协调性和稳定性方面。
表3 不同模型在PLAID数据集识别结果的性能比较
Tab.3 Performance comparison of different models in the PLAID dataset recognition results
不同模型WpWrWF1EaccEMCC RNN0.924 20.873 10.887 20.873 10.861 8 LSTM0.862 70.807 80.824 00.807 80.786 6 BiLSTM0.917 30.860 90.875 00.860 90.848 8 GRU0.865 00.779 10.775 80.779 10.763 1 Transformer0.908 30.880 20.888 50.880 20.866 9 双LSTM[20]0.868 70.815 00.823 50.815 00.797 4 CNN-BiLSTM[21]0.752 00.708 50.708 30.708 50.676 6 AlexNet网络[12]0.606 30.477 40.442 40.477 40.433 4 ShuffleNetV2[34]0.700 90.629 40.605 30.629 40.598 6 CNN[35]0.854 00.804 30.813 60.804 30.784 4 GA-SENet-CNN[36]0.644 10.560 00.581 00.560 00.534 5 xLSTM0.915 40.904 70.907 10.904 70.892 8
图8 不同模型在PLAID数据集识别结果的混淆矩阵
Fig.8 Confusion matrix plots of the recognition results of different models on the PLAID dataset
从评价指标角度进一步分析，Wp、Wr和WF1主要反映模型对主要负载类别的整体识别能力，在这些指标上，部分时序模型和注意力模型亦能取得相对接近的结果；而EMCC对类别不平衡、误分类分布及预测一致性更为敏感。在该指标上，xLSTM的表现相对稳定，说明其在多设备型号混合、负载特征差异较大的条件下，能够有效降低随机误分类带来的影响，体现出其在复杂噪声环境中能保持较好的预测一致性和鲁棒性。
结合图8所示的混淆矩阵可以进一步发现，与UK-DALE和LIFTED数据集相比，PLAID数据集在多个类别上呈现出更为明显的非对角分布特征，反映出该数据集在设备型号多样、运行条件复杂以及噪声水平较高条件下，对模型判别能力提出了更高的要求。对于启动瞬态明显或功率变化幅度较大的电器，如加热器、微波炉和吸尘器等，部分模型仍能保持较好的识别效果；而对于功率波动较小、运行行为差异不显著的负载（如风扇、白炽灯和部分厨房电器），模型之间的混淆现象更为突出，误分类样本主要集中在功率形态和瞬态特征相近的类别之间。相比之下，xLSTM在多类负载上的对角元素分布相对集中，尤其在瞬态特征与稳态特征并存的负载类别中，误分类情况相对较少，表明其在噪声干扰较强、跨设备差异显著的场景中具备一定的鲁棒性优势。但在部分弱特征负载类别上，仍存在一定程度的相互混淆，说明高噪声和跨域差异仍然是NILM任务中的难点问题。
综上所述，在设备型号多样、启动暂态丰富且测量噪声较强的复杂负荷场景中，xLSTM在多指标稳定性和预测一致性方面表现较为可靠。结果表明，该模型能够在噪声干扰和跨设备差异显著的条件下维持较为均衡的性能结构，验证了模型鲁棒性与泛化能力。
3.3.4 WHITED算例分析
在WHITED数据集上，选取咖啡机、风扇、冰箱、吹风机、LED灯、微波炉、搅拌机、电饭煲、吸尘器与洗衣机共10种典型用电设备作为分类对象，并在相同实验条件下与多种主流模型进行对比，实验结果如表4和图9所示。
由表4可知，在对高频瞬态特征建模和噪声抑制能力要求较高的WHITED数据集上，不同模型的表现存在明显差异。传统循环模型（如RNN、BiLSTM）在该数据集上整体性能受限，说明仅依赖时序建模难以充分刻画高频瞬态特征。相比之下，结合卷积结构的模型（如CNN-BiLSTM、AlexNet、ShuffleNetV2）在多数指标上取得了更优表现，验证了局部瞬态特征提取在WHITED场景中的重要性。在此基础上，xLSTM在Wp、Wr、WF1、Eacc、EMCC等指标上均取得了最优或近最优结果。需要指出的是，与AlexNet、ShuffleNetV2等性能较强的卷积模型相比，其优势主要体现在多项评价指标上的一致性与稳定性。
表4 不同模型在WHITED数据集识别结果的性能比较
Tab.4 Performance comparison table of different models in the WHITED dataset recognition results
不同模型WpWrWF1EaccEMCC RNN0.555 50.586 20.538 00.586 20.551 5 LSTM0.932 40.929 70.928 80.929 70.922 4 BiLSTM0.794 20.793 20.766 90.793 20.786 8 GRU0.923 70.910 20.908 00.910 20.902 1 Transformer0.901 50.896 10.895 60.896 10.885 3 双LSTM[20]0.862 90.848 20.846 90.848 20.833 3 CNN-BiLSTM[21]0.957 80.957 00.957 10.957 00.952 3 AlexNet网络[12]0.981 60.981 00.981 10.981 00.978 9 ShuffleNetV2[34]0.980 10.979 70.979 80.979 70.977 5 CNN[35]0.923 70.925 50.923 80.925 50.917 4 GA-SENet-CNN[36]0.932 10.914 80.915 10.914 80.907 5 xLSTM0.982 70.981 80.981 90.981 80.979 8
从评价指标角度分析，Wp、Wr和WF1反映了模型在主流负载上的整体识别能力，而EMCC对误分类分布和类别不平衡更为敏感。xLSTM在EMCC指标上的稳定表现表明，其在高频瞬态显著、负载启动行为复杂的场景下，能够有效地降低随机误分类带来的影响，保持较好的整体预测一致性，这与WHITED数据集中高频瞬态占比高、负载行为变化快的特点高度契合。
结合图9所示的混淆矩阵可以看出，相比其他数据集，该结果更能体现xLSTM在复杂扰动条件下的结构优势，各模型在该数据集上的识别结果呈现明显的类别分化特征。对于运行状态持续、功率特征相对稳定的负载（如冰箱和LED灯），多数模型均能够实现较高的识别准确率；而在启动瞬态明显、功率变化剧烈的负载类别中（如咖啡机、微波炉和吸尘器），部分模型更易产生混淆，误分类主要集中在启动特征相似或瞬态持续时间接近的负载之间。相比之下，xLSTM在上述高频瞬态主导的负载类别中表现出较为集中的对角分布，误分类样本较少，表明其在短时瞬态与长期运行行为协同建模方面具有一定优势。但在极短时、高频扰动占主导的场景中，模型仍存在一定的混淆，说明对极细粒度瞬态结构的刻画仍有提升空间。
图9 不同模型在WHITED数据集识别结果的混淆矩阵
Fig.9 Confusion matrix plots of the recognition results of different models on the WHITED dataset
综上所述，在高采样率、启动瞬态特征占比较高的用电场景中，xLSTM在瞬态-稳态协同建模和整体预测稳定性方面表现出较好的适应性。结果表明，该模型能够在高频瞬态和复杂时序扰动的条件下保持较为稳定的识别性能，验证了模型高频瞬态特征建模的能力。
3.3.5 不同数据集上的性能、收敛性与稳定性分析
图10展示了各模型在不同数据集上的MCC对比，可直观比较其识别性能与稳定性。可以看出，xLSTM在四个数据集上均保持了较高且稳定的MCC值。对于UK-DALE和LIFTED数据集，在负荷模式相对稳定、噪声水平较低的条件下，各模型整体性能差距较小，但xLSTM仍取得了最高的MCC水平，表明其在此类场景中具有较好的预测一致性与可靠性。在PLAID数据集中，由于非稳态特征明显且功率波动较强，多数模型的MCC指标呈现不同程度下降。然而，xLSTM仍优于传统RNN、LSTM及部分卷积模型，体现出其在复杂负荷组合和高噪声环境下的较强鲁棒性。在WHITED数据集下，面对启动暂态显著、设备间特征相似度较高的工况，xLSTM的MCC指标未出现明显退化，仍保持在较高水平，说明其在高频瞬态主导的场景中能够较好地平衡类别区分性与预测稳定性。
图10 不同数据集下MCC的对比
Fig.10 Comparison chart of MCC values across different datasets
综上所述，尽管四个数据集在采样频率、噪声水平及负载运行特性等方面存在显著差异，xLSTM在MCC指标上均表现出较为稳定的性能水平。实验结果表明，该模型在负载运行模式复杂、暂态与稳态特征交织以及噪声干扰较强的应用场景中，能够较好地保持预测一致性，对非稳态特征、高噪声干扰及强瞬态条件具有一定适应能力，体现出良好的稳定性与跨数据集泛化能力。
为分析所提模型在不同数据分布下的训练收敛行为与稳定性特征，图11给出了UK-DALE、LIFTED、PLAID和WHITED四个数据集上测试集损失随训练轮数变化的曲线。整体来看，xLSTM 在四个数据集上均能在训练初期实现快速收敛，并在约20～40个epoch后进入相对稳定阶段，未出现明显振荡或发散现象，表明模型具有较好的优化可行性与收敛可靠性。
在UK-DALE与LIFTED数据集中，损失曲线下降过程平滑且最终稳定于较低水平，反映出在负荷模式较为稳定、噪声水平较低的场景下，xLSTM能够有效学习长期时序特征。相比之下，PLAID与WHITED数据集由于采样频率较高、暂态特征显著且噪声更为复杂，训练过程中存在一定幅度的损失波动，但整体趋势仍保持收敛，且未出现性能退化，说明模型在复杂非稳态条件下具备可接受的训练稳定性。
图11 不同数据集下测试集损失函数
Fig.11 Loss function plots for test sets under different datasets
结合损失曲线与前述性能指标可以看出，xLSTM的性能提升并非依赖偶然收敛或过拟合，而是在不同数据集条件下均呈现较为一致的优化行为。这表明其门控记忆机制在一定程度上有助于缓解复杂时序建模中的训练不稳定问题，为模型在多数据集 NILM 场景中的稳定应用提供了支撑。
3.3.6 不同xLSTM结构的消融实验
表5给出了xLSTM[1:1]、sLSTM与mLSTM在四个数据集上的消融实验结果。从结果来看，xLSTM[1:1]在所有数据集的主要评价指标上均取得最优或接近最优表现，在UK-DALE和LIFTED数据集中，xLSTM[1:1]的EMCC分别比sLSTM和mLSTM平均提升约4.2%和5.1%，在PLAID与WHITED数据集中，EMCC提升约3.5%～4.0%，显示出混合记忆机制在不同负荷特性下均能稳定发挥作用。
表5 不同xLSTM结构的消融实验结果比较
Tab.5 Comparison of ablation experiment results for different xLSTM structures
数据集不同模型WpWrWF1EaccEMCC UK-DALEsLSTM0.959 80.959 60.959 60.959 60.958 2 mLSTM0.940 90.940 30.939 70.940 30.936 3 xLSTM[1:1]0.987 20.986 50.986 60.986 50.984 7 LIFTEDsLSTM0.941 10.940 30.940 50.940 30.937 6 mLSTM0.879 10.878 80.878 90.878 80.875 9 xLSTM[1:1]0.981 70.981 30.981 40.981 30.978 7 PLAIDsLSTM0.848 60.823 70.830 20.823 70.812 0 mLSTM0.799 10.777 10.780 80.777 10.767 6 xLSTM[1:1]0.915 40.904 70.907 10.904 70.892 8 WHITEDsLSTM0.901 30.839 60.807 90.839 60.832 6 mLSTM0.891 90.891 20.891 30.891 20.889 2 xLSTM[1:1]0.982 70.981 80.981 90.981 80.979 8
从单一结构模型来看，mLSTM在多数数据集上的性能相对较低，尤其在LIFTED与PLAID数据集中，其WF1和EMCC明显低于其他模型，说明仅依赖矩阵记忆结构在面对频繁启动瞬态、功率突变及噪声干扰时，鲁棒性受限。相比之下，sLSTM在各数据集上的整体表现优于mLSTM，在UK-DALE和LIFTED等稳态特征占比较高的场景中具有一定优势，但在PLAID与WHITED等非稳态特征显著的数据集中，其长期依赖建模能力仍存在不足。
通过融合sLSTM与mLSTM，xLSTM[1:1]在四个数据集上均表现出更为均衡的性能结构：在稳态运行特征占优的数据集中，其能够兼顾局部变化感知与长期状态建模；在噪声较强、暂态特征复杂的数据集中，其混合记忆机制有助于保留关键信息并抑制无效扰动，使EMCC指标保持在较高水平。
综上所述，xLSTM的性能提升来源于sLSTM与mLSTM在不同时间尺度上协同建模，而非单一记忆结构的简单增强。本文选取xLSTM[1:1]作为代表性结构，以在性能提升与模型复杂度之间取得合理平衡，保证模型在多数据集条件下的可训练性与工程可行性；后续可进一步探索不同堆叠比例对模型性能的影响，并评估其对不同负荷特性适应性的优化效果。该混合门控机制是xLSTM在不同负荷场景中保持准确性、鲁棒性与泛化性能的关键因素。
3.3.7 不同策略的消融实验
为验证所提模型方法的有效性，本文在四个数据集上进行了消融实验，并对模型1～4的具体结构进行了明确说明，以便分析各模块的作用。
模型1（ReLU替代MetaAconC）：保持双通道卷积与坐标注意力不变，将所有MetaAconC激活函数替换为ReLU函数，用于评估可学习激活函数在非线性建模中的贡献。
模型2（去除坐标注意力）：保留双通道卷积与MetaAconC，删除Coordinate Attention模块，用于分析特征选择和关键片段定位的作用。
模型3（单通道卷积）：保留MetaAconC与注意力，将双通道多尺度卷积替换为单通道卷积，用于验证多尺度结构的必要性。
模型4（全部简化）：同时采用ReLU、单通道卷积并移除注意力，作为三类结构均被移除时的最简基线。
表6给出了四种消融模型与完整模型在四个数据集上的实验结果。
可以看出，完整模型在所有数据集和指标上均表现最佳，各消融模型均有不同程度下降。具体而言，模型1性能下降明显，说明MetaAconC的自适应非线性表达能力对于处理突发峰值和复杂非线性负荷信号至关重要；模型2在噪声复杂或跨设备差异显著的数据集上下降明显，表明坐标注意力能够有效聚焦关键负荷片段，提高特征选择能力；模型3下降幅度相对较小，但仍低于完整模型，表明多尺度卷积能够增强高频瞬态与低频稳态特征的联合建模能力；模型4表现最差，说明三者具有明显协同作用，缺失任意模块都会削弱特征提取与关键片段选择能力。此外，xLSTM的门控递归结构可高效捕获短期突变与长期演化特征，并在时序维度上对卷积与注意力提取的特征进行有效整合，使模型在长序列、高噪声及多设备场景下保持良好的稳定性和泛化能力。
表6 不同策略的消融实验结果比较
Tab.6 Comparison of ablation experiment results for different strategies
数据集不同模型WpWrWF1EaccEMCC UK-DALE模型10.932 10.910 70.910 80.910 70.918 3 模型20.948 40.936 00.936 20.936 00.923 1 模型30.952 80.942 30.942 20.942 30.939 9 模型40.918 90.908 10.908 10.908 10.905 3 本文模型0.987 20.986 50.986 60.986 50.984 7 LIFTED模型10.912 90.902 70.882 80.902 70.890 4 模型20.921 80.921 60.911 70.921 60.919 1 模型30.943 00.932 40.922 60.932 40.920 0 模型40.903 80.903 80.893 20.903 80.900 3 本文模型0.981 70.981 30.981 40.981 30.978 7 PLAID模型10.869 30.844 80.848 80.844 80.865 4 模型20.848 10.829 00.837 10.829 00.818 1 模型30.878 00.826 50.842 30.826 50.818 0 模型40.836 40.813 30.817 30.813 30.803 5 本文模型0.915 40.904 70.907 10.904 70.892 8 WHITED模型10.918 80.914 00.912 20.914 00.908 8 模型20.923 50.922 80.922 90.922 80.921 0 模型30.947 30.945 80.945 30.945 80.940 1 模型40.888 80.837 50.826 10.837 50.836 9 本文模型0.982 70.981 80.981 90.981 80.979 8
综上所述，消融实验验证了“多尺度卷积-坐标注意力-MetaAconC-xLSTM”框架的理论合理性：多尺度卷积负责提取不同频段的稳态与瞬态特征；坐标注意力用于突出关键负荷片段；MetaAconC提供自适应非线性建模能力；xLSTM整合时序特征，实现长期依赖建模。这一协同机制解释了融合后模型性能提升的机理，确保其在复杂环境下具有更高的识别性能与稳定性。
针对非侵入式负荷识别任务中存在的识别精度有限、特征表达能力不足及模型泛化能力差等关键问题，本文提出了一种融合多尺度卷积特征提取与xLSTM时序建模的端到端识别方法。通过在模型结构中融合双路径卷积特征提取以及xLSTM模块，增强了模型对时序信息的建模能力与特征表达能力，同时有效地提升了记忆容量与判别鲁棒性。其优点是：
1）在特征提取方面，提出双路径多尺度卷积结构，结合大卷积核路径与小卷积核路径，提升特征表达能力；引入坐标注意力机制与MetaAconC激活函数，强化关键负载特征响应。
2）在负荷识别方面，将xLSTM应用于NILM任务，通过指数门控机制与改进记忆单元增强对复杂负荷信号的长短期依赖建模能力，有效缓解特征重叠与样本稀缺问题，提升模型泛化能力与识别精度。
在UK-DALE、LIFTED、PLAID和WHITED四个具有代表性的数据集上开展的对比实验表明，所提模型在加权F1分数及马修斯相关系数（MCC）等多个评价指标上均取得最优性能，具备良好的稳定性与跨场景泛化能力。尤其在PLAID和WHITED等噪声干扰强、样本特征相近的复杂场景中，xLSTM仍能保持较高的识别率，体现出模型在不同数据集下的稳定性和泛化能力。同时，消融试验进一步验证了xLSTM内部结构的协同优势，验证了所提设计的合理性与有效性。未来研究将继续探索该方法在低采样率、多源异构数据融合及边缘部署等场景下的适应性，推动NILM技术在居民家庭与工业能耗管理领域中的广泛应用。
参考文献
[1] 孔宇, 张恒旭, 施啸寒, 等. 基于多时间尺度分层协同的电力系统开放式推演框架[J]. 电工技术学报, 2025, 40(7): 2063-2077. Kong Yu, Zhang Hengxu, Shi Xiaohan, et al. Open evolution simulation framework for power system based on multi-time scale hierarchical coordination [J]. Transactions of China Electrotechnical Society, 2025, 40(7): 2063-2077.
[2] 申刘飞, 翟雨佳, 吴星徵, 等. 海上超导风电制氢一体化研究进展与发展趋势[J]. 电工技术学报, 2025, 40(11): 3362-3380. Shen Liufei, Zhai Yujia, Wu Xingzheng, et al. Progress and development trend of integrated research on hydrogen production from offshore superconductingwind power[J]. Transactions of China Electrotechnical Society, 2025, 40(11): 3362-3380.
[3] 李延珍, 王海鑫, 杨子豪, 等. 基于非侵入式负荷分解的家庭负荷两阶段超短期负荷预测模型[J]. 电工技术学报, 2024, 39(11): 3379-3391. Li Yanzhen, Wang Haixin, Yang Zihao, et al. Two-stage ultra-short-term load forecasting model of household appliances based on non-intrusive load disaggregation[J]. Transactions of China Electro-technical Society, 2024, 39(11): 3379-3391.
[4] 高洪超, 康重庆, 李嘉宇, 等. 新型电力系统下虚拟电厂的技术演进研判与运营挑战分析[J]. 电工技术学报, 2025, 40(19): 6057-6071. Gao Hongchao, Kang Chongqing, Li Jiayu, et al. Analysis of technological evolution and operational challenges for virtual power plants in new power systems[J]. Transactions of China Electrotechnical Society, 2025, 40(19): 6057-6071.
[5] 赵旭东, 王艺博, 王博闻, 等. 考虑差异化工业高载能负荷灵活性挖掘的市场实施及调度模型研究综述[J]. 电工技术学报, 2025, 40(7): 2043-2062, 2161. Zhao Xudong, Wang Yibo, Wang Bowen, et al. Review of market implementation and scheduling models considering the flexibility extraction of differentiated industrial energy-intensive loads[J]. Transactions of China Electrotechnical Society, 2025, 40(7): 2043-2062, 2161.
[6] 朱仁庆, 沈小军, 董子航. 虚拟电厂的隐私保护技术研究现状与展望[J]. 电力系统自动化, 2025, 49(20): 16-33. Zhu Renqing, Shen Xiaojun, Dong Zihang. Research status and prospects of privacy preservation technologies for virtual power plants[J]. Automation of Electric Power Systems, 2025, 49(20): 16-33.
[7] 鲍海波, 杨舒惠, 陈子民, 等. 事件检测类非侵入式负荷监测算法综述[J]. 电力系统自动化, 2023, 47(13): 94-109. Bao Haibo, Yang Shuhui, Chen Zimin, et al. Review on event-inspection based non-intrusive load monitoring algorithms[J]. Automation of Electric Power Systems, 2023, 47(13): 94-109.
[8] Kotsilitis S, Kalligeros E, Marcoulaki E C, et al. An efficient lightweight event detection algorithm for on-site non-intrusive load monitoring[J]. IEEE Transactions on Instrumentation and Measurement, 2023, 72: 9000313.
[9] 李延珍, 王海鑫, 杨子豪, 等. 基于多阶段数据递推分析的用户用电行为特性挖掘方法[J]. 电机与控制学报, 2025, 29(2): 35-46. Li Yanzhen, Wang Haixin, Yang Zihao, et al. User behavior characteristic mining method based on multi-stage data recurrence analysis[J]. Electric Machines and Control, 2025, 29(2): 35-46.
[10] Etezadifar M, Karimi H, Aghdam A G, et al. Resilient event detection algorithm for non-intrusive load monitoring under non-ideal conditions using reinforcement learning[J]. IEEE Transactions on Industry Applications, 2024, 60(2): 2085-2094.
[11] Sadeghianpourhamami N, Ruyssinck J, Deschrijver D, et al. Comprehensive feature selection for appliance classification in NILM[J]. Energy and Buildings, 2017, 151: 98-106.
[12] 解洋, 梅飞, 郑建勇, 等. 基于V-I轨迹颜色编码的非侵入式负荷识别方法[J]. 电力系统自动化, 2022, 46(4): 93-102. Xie Yang, Mei Fei, Zheng Jianyong, et al. Non-intrusive load monitoring method based on V-I trajectory color coding[J]. Automation of Electric Power Systems, 2022, 46(4): 93-102.
[13] 雷怡琴, 孙兆龙, 叶志浩, 等. 电力系统负荷非侵入式监测方法研究[J]. 电工技术学报, 2021, 36(11): 2288-2297. Lei Yiqin, Sun Zhaolong, Ye Zhihao, et al. Research on non-invasive load monitoring method in power system[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2288-2297.
[14] 黄莉, 刘昱源, 周赣, 等. 基于负荷暂态事件的低压台区户相变识别技术[J]. 电力系统自动化, 2025, 49(14): 152-162. Huang Li, Liu Yuyuan, Zhou Gan, et al. Identification technology for consumer-transformer relationship and phase of low-voltage distribution station area based on load transient events[J]. Automation of Electric Power Systems, 2025, 49(14): 152-162.
[15] 胡正伟, 王志红, 畅瑞鑫, 等. 基于在线自组织增量学习的非侵入式负荷识别方法[J]. 工程科学与技术, 2024, 56(4): 316-324. Hu Zhengwei, Wang Zhihong, Chang Ruixin, et al. Non-intrusive load identification method based on the online self-organizing incremental neural network[J]. Advanced Engineering Sciences, 2024, 56(4): 316-324.
[16] 刘宇, 刘丛笑, 赵欣, 等. 基于维特比算法改进的稳暂态混合非侵入式负荷识别方法[J]. 电工技术学报, 2023, 38(19): 5241-5255. Liu Yu, Liu Congxiao, Zhao Xin, et al. An improved steady-and transient-state mixed non-intrusive load monitoring using viterbi algorithm[J]. Transactions of China Electrotechnical Society, 2023, 38(19): 5241-5255.
[17] 王磊, 马佳琪, 韩肖清, 等. 考虑多状态特征的非侵入式负荷识别方法[J]. 电网技术, 2024, 48(11): 4720-4728. Wang Lei, Ma Jiaqi, Han Xiaoqing, et al. Non-intrusive load monitoring method with multi-state characterization of loads[J]. Power System Technology, 2024, 48(11): 4720-4728.
[18] Yan Zhongzong, Hao Pengfei, Nardello M, et al. A generalizable load recognition method in NILM based on transferable random forest[J]. IEEE Transactions on Instrumentation and Measurement, 2025, 74: 6505312.
[19] 宰州鹏, 赵升, 朱翔鸥, 等. 基于颜色编码与谐波特征融合的非侵入式负荷识别方法[J]. 电气技术, 2022, 23(12): 9-16. Zai Zhoupeng, Zhao Sheng, Zhu Xiang’ou, et al. Non-intrusive load monitoring based on color coding and harmonic feature fusion[J]. Electrical Engineering, 2022, 23(12): 9-16.
[20] 周步祥, 赵雯雯, 臧天磊, 等. 基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法[J]. 电力自动化设备, 2023, 43(8): 167-173, 209. Zhou Buxiang, Zhao Wenwen, Zang Tianlei, et al. Non-intrusive load monitoring method based on low-frequency power difference characteristic and dual long short-term memory network[J]. Electric Power Automation Equipment, 2023, 43(8): 167-173, 209.
[21] 林顺富, 詹银枫, 李毅, 等. 基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法[J]. 电网技术, 2022, 46(5): 1973-1981. Lin Shunfu, Zhan Yinfeng, Li Yi, et al. Non-intrusive residential load monitoring method based on CNN-BiLSTM and DTW[J]. Power System Technology, 2022, 46(5): 1973-1981.
[22] 杨桂兴, 王维庆, 姚红雨, 等. 基于1DCNN-BP的非侵入式负荷识别算法[J]. 高电压技术, 2023, 49(7): 3031-3039. Yang Guixing, Wang Weiqing, Yao Hongyu, et al. Research on non-intrusive load identification method based on 1DCNN-BP[J]. High Voltage Engineering, 2023, 49(7): 3031-3039.
[23] 范睿, 孙润稼, 刘玉田. 考虑空调负荷需求响应的负荷恢复量削减方法[J]. 电工技术学报, 2022, 37(11): 2869-2877. Fan Rui, Sun Runjia, Liu Yutian. A load restoration amount reduction method considering demand response of air conditioning loads[J]. Transactions of China Electrotechnical Society, 2022, 37(11): 2869-2877.
[24] Yaniv A, Beck Y. Advances in non-intrusive load monitoring for the industrial domain: Challenges, insights, and path forward[J]. Renewable and Sustainable Energy Reviews, 2025, 210: 115136.
[25] Auer A, Beck M, Brandstetter J, et al. xLSTM: extended long short-term memory[C]//Advances in Neural Information Processing Systems 37, Vancouver, BC, Canada, 2024: 107547-107603.
[26] Ma Ningning, Zhang Xiangyu, Liu Ming, et al. Activate or not: learning customized activation[C]// 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Nashville, TN, USA, 2021: 8028-8038.
[27] Nie Zhuojie, Yang Yongbiao, Xu Qingshan. An ensemble-policy non-intrusive load monitoring technique based entirely on deep feature-guided attention mechanism[J]. Energy and Buildings, 2022, 273: 112356.
[28] Wang Zhenyu, Zheng Guilin. Residential appliances identification and monitoring by a nonintrusive method[J]. IEEE Transactions on Smart Grid, 2012, 3(1): 80-92.
[29] Chicco D, Jurman G. The advantages of the Matthews correlation coefficient (MCC) over F1 score and accuracy in binary classification evaluation[J]. BMC Genomics, 2020, 21: 6.
[30] Kelly J, Knottenbelt W. The UK-DALE dataset, domestic appliance-level electricity demand and whole-house demand from five UK homes[J]. Scientific Data, 2015, 2: 150007.
[31] Yan Lei, Han Jiayu, Xu Runnan, et al. LIFTED: household appliance-level load dataset and data compression with lossless coding considering precision[C]//2020 IEEE Power & Energy Society General Meeting (PESGM), Montreal, QC, Canada, 2020: 1-5.
[32] Medico R, De Baets L, Gao Jingkun, et al. A voltage and current measurement dataset for plug load appliance identification in households[J]. Scientific Data, 2020, 7: 49.
[33] Kahl M, Haq A U, Kriechbaumer T, et al. Whited-a worldwide household and industry transient energy data set[C]//2016 IEEE International Conference on Smart Grid Communications, Sydney, Australia, 2016: 1-4.
[34] 张帅, 程志友, 田甜, 等. 基于马尔可夫转移场和轻量级网络的非侵入式负荷识别[J]. 电力系统保护与控制, 2024, 52(17): 51-61. Zhang Shuai, Cheng Zhiyou, Tian Tian, et al. Non-intrusive load identification based on the Markov transition field and a lightweight network[J]. Power System Protection and Control, 2024, 52(17): 51-61.
[35] 魏广芬, 李谊林, K. T. Tapiwa, 等. 基于彩色图像特征提取及融合的非侵入式负荷识别[J]. 电网技术, 2025, 49(11): 4854-4864, I0144-I0147. Wei Guangfen, Li Yilin, Tapiwa K T, et al. Non-intrusive load recognition based on color image feature extraction and fusion[J]. Power System Technology, 2025, 49(11): 4854-4864, I0144-I0147.
[36] 沈鑫, 王钢, 赵毅涛, 等. 融合SENet注意力机制和GA-CNN的非侵入式负荷识别方法[J]. 中国电力, 2025, 58(5): 33-42. Shen Xin, Wang Gang, Zhao Yitao, et al. A non-invasive load recognition approach incorporating SENet attention mechanism and GA-CNN[J]. Electric Power, 2025, 58(5): 33-42.
Abstract Non-intrusive load identification (NILI) is a core function of non-intrusive load monitoring (NILM) systems, aiming to recognize individual appliance operating states from aggregated electrical measurements collected at a single monitoring point. In practical residential and industrial environments, NILI performance is often constrained by complex operating conditions, including simultaneous appliance operation, similarity in steady-state power levels, strong temporal variability, measurement noise, and limited labeled training data. Conventional time-series models, such as long short-term memory (LSTM) and gated recurrent unit (GRU) networks, rely on single-form memory update mechanisms. Consequently, their ability to jointly represent short-duration transient behaviors and long-term operational patterns is limited, particularly under non-stationary and noisy load conditions. These challenges motivate the development of more expressive and flexible sequence modeling frameworks for robust load identification.
This paper presents an end-to-end load identification framework integrating multi-scale convolutional feature extraction, attention-based feature modulation, and extended long short-term memory (xLSTM) temporal modeling. The framework is designed to enhance feature discriminability and temporal dependency modeling while maintaining moderate computational complexity suitable for practical NILM applications. By jointly modeling local transient responses, global contextual information, and long-range temporal dependencies within a unified architecture, the proposed method improves robustness and generalization in diverse load scenarios.
In the feature extraction stage, a dual-branch multi-scale convolutional structure analyzes power signals at different temporal resolutions. One branch employs convolution kernels with larger receptive fields combined with down-sampling operations to capture coarse-grained global trends and long-term power variations. The other branch stacks multiple small-kernel convolutional layers to extract fine-grained local details associated with transient events and short-duration fluctuations. To enhance nonlinear representation capability, a self-gated activation function with learnable parameters adaptively modulates channel-wise feature responses. In addition, a coordinate attention mechanism encodes channel dependencies together with temporal positional information, enabling selective emphasis on discriminative load segments while suppressing irrelevant fluctuations. The outputs of the two branches are spatially aligned and fused through element-wise operations, forming a compact representation that preserves complementary multi-scale characteristics.
For temporal modeling, xLSTM units composed of scalar long short-term memory (sLSTM) and matrix long short-term memory (mLSTM) modules are employed. Unlike conventional recurrent networks that update memory states using a single scalar representation, xLSTM provides more flexible and structured state representations through coordinated scalar and matrix memory updates. This design enables simultaneous modeling of short-term transient patterns and long-term operational cycles, improving robustness under noisy, overlapping, and non-stationary load conditions. By stacking xLSTM layers after the convolution–attention encoder, hierarchical spatio-temporal feature representations and long-range dependencies are effectively integrated, facilitating accurate load identification across varying operating durations.
The proposed method is evaluated on four representative public datasets: UK-DALE (UK Domestic Appliance-Level Electricity), LIFTED (Labelled High Frequency Dataset for Electricity Disaggregation), PLAID (Plug-Load Appliance Identification Dataset), and WHITED (Worldwide Household and Industry Transient Energy Data Set). These datasets cover diverse acquisition conditions, including long-term residential monitoring, controlled laboratory environments, transient-rich signals with strong noise, and high-fidelity waveform measurements. A unified preprocessing, training, and evaluation strategy is applied across all datasets to ensure fair comparison. Performance is evaluated based on five metrics: weighted precision, weighted recall, weighted F1-score, overall accuracy, and Matthews correlation coefficient (MCC). This comprehensive set of metrics is chosen to holistically reflect classification effectiveness under challenging conditions, including class imbalance and diverse misclassification patterns.
Experimental results demonstrate that the proposed framework achieves competitive and stable performance across different datasets and evaluation metrics. Compared with conventional recurrent models, convolutional neural networks, and representative hybrid deep learning approaches, the proposed method exhibits improved robustness and more balanced metric performance, particularly in scenarios involving long-duration appliance operation, similar power levels, and strong noise interference. Ablation studies further confirm that joint modeling of transient and steady-state features, the selection of discriminative segments, and the representation of long-term dependencies are enhanced, improved, and strengthened by multi-scale convolution, attention mechanisms, and xLSTM, respectively. The synergistic integration of these components results in the observed improvements in generalization capability and performance stability.
In summary, the proposed multi-scale convolution-attention-xLSTM framework offers a robust and generalizable solution for non-intrusive load identification under complex operating conditions. By jointly addressing feature extraction, temporal modeling, and noise robustness within a unified architecture, the method significantly improves load identification accuracy across diverse datasets and application scenarios, thereby advancing the development of practical NILM systems and energy monitoring applications.
keywords：Non-intrusive load identification, multi-scale convolution, extended long short-term memory (xLSTM), time series modeling, scalar long short-term memory (sLSTM), matrix long short-term memory (mLSTM)
DOI: 10.19595/j.cnki.1000-6753.tces.251692
中图分类号：TM714
国家自然科学基金项目（52467008, 12362003）和甘肃省自然科学基金重点项目（25JRRA150）资助。
收稿日期 2025-09-30
改稿日期 2026-01-22
李 军 男，1969年生，博士，教授，研究方向为人工智能方法与机器学习、非线性系统过程辨识与控制、可再生能源预测等。E-mail：lijun691201@mail.lzjtu.cn（通信作者）
戴 慧 女，1999年生，硕士研究生，研究方向为非侵入式负荷监测。E-mail：3144727317@qq.com