简介：智能电表低频采样非侵入式负荷分解任务中存在负荷启停事件稀疏、样本类别分布失衡的问题,少数类及边界样本匮乏易导致模型在负荷开启与过渡阶段出现漏检、误判,而现有过采样方法在合成样本数量精确控制、近邻筛选及边界界定上存在不足,随机插值策略还容易引入重复或跨类混叠样本.为解决上述问题,本文提出了结合K-means聚类与Borderline-SMOTE的改进算法(KB-SMOTE):先提取少数类边界样本并聚类分簇,再以簇心引导簇内插值生成新样本,减少冗余并增强边界可分性.模型层面,针对传统时序网络对关键瞬态与局部特征捕捉不足的问题,设计了基于卷积块注意力模块改进混合注意力机制的Bi-LSTM负荷分解模型,通过通道与空间注意力协同实现特征自适应重加权,强化负荷运行相关关键信息.UK-DALE数据集仿真实验表明:相较于DAE、Seq2point及基础Bi-LSTM等基线模型,本文方法在多项评价指标上性能更优,验证了其在不平衡负荷数据场景的有效性.展开
