针对当前非侵入式负荷监测（NILM）模型过度依赖电器自身功率特征，导致复杂环境条件下监测精度受限的问题，提出了一种基于TimesNet与注意力机制的多源特征融合NILM模型——TAMF，通过引入温度、湿度及风速等非电气量环境因素，改善因单一功率特征依赖所造成的误差影响。首先，利用TimesNet模型适配负荷功率序列固有的多周期性特点，通过快速傅里叶变换将一维功率序列转化为二维张量，并借助Inception网络的多分支卷积结构提取总负荷数据的上下文关系与多尺度周期性特征，获得更贴合电器实际运行特点的功率特征；其次，考虑到环境特征相较功率特征存在明显的局部短期波动模式，采用参数量更少、计算复杂度更低的一维卷积神经网络提取温度、湿度、风速等环境序列中的局部时序特征；随后，针对功率序列与环境序列在时序模式及量纲上的异构性，引入多头自注意力机制，通过并行多头计算实现功率特征与环境特征的深度融合，挖掘两类多源异构特征间的潜在关联与交互关系，提升目标电器的负荷识别精度。选用加拿大温哥华的AMPds2数据集为主要试验数据集，英国伦敦的UK-DALE数据集用于跨数据集泛化能力验证，将TAMF模型与组合优化（CO）、因子隐马尔可夫模型（FHMM）2种传统方法及序列到点（Seq2point）、门控循环单元（GRU）、基于Transformer的双向编码器（BERT）、Transformer等4种深度学习模型对比。结果表明：TAMF模型在两个数据集上的平均绝对误差和均方根误差均优于全部6种对比模型，其中在AMPds2数据集上，平均绝对误差与均方根误差较对比模型最优者分别下降了17.27%和4.73%；在UK-DALE数据集上分别下降了14.02%和6.51%，且对电热泵、电冰箱等环境敏感型电器的识别精度提升尤为显著。此外，消融试验进一步证实，特征融合网络与环境特征提取网络的协同作用是提升模型整体性能的关键环节，二者与功率特征提取网络形成互补关系。综上所述，引入环境因素并实现多源特征深度融合，能够有效改善单一电气量特征依赖导致的识别误差，提升整体负荷识别精度，验证了该模型在数据分布与特征维度存在差异的复杂场景下依然具备出色的负荷监测能力与泛化能力，可为提升非侵入式负荷监测性能、支撑城市居民家庭用电行为分析及智能电网用户侧低成本负荷感知提供切实可行的新思路。
