非侵入式电力负荷监测技术研究

第３３卷第４期　上海电　力　学　院　学报　Ｖｏ１．３３．Ｎｏ．４　２０１７年８月　Ｊｏｕｒｎａｌ　ｏｆ　Ｓｈａｎｇｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｅｌｅｃｔｒｉｃ　Ｐｏｗｅｒ　Ａｕｇ．　２０１７　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００６—４７２９．２０１７．０４．０１０　非侵入式电力负荷监测技术研究　汪四仙，毕忠勤　（上海电力学院计算机科学与技术学院，上海２０００９０）　摘要：非侵入式负荷监测（ＮＩＬＭ）技术通过分解总电力负荷数据，使电力用户了解不同时段各类设备的电　能消耗，帮助决策者制定合理的节能计划，减少能源开支，并对节能减排具有重要作用．分析了ＮＩＬＭ相对于　传统侵入式负荷监测的优势，具有成本低、部署简单、扩展容易等特点．概述了ＮＩＬＭ的基本框架，从监督和非　监督算法两个方面进行了详细介绍．讨论了现有的数据集和算法评价指标，并指出了目前ＮＩＬＭ面临的挑战．　关键词：非侵入式负荷监测；基本框架；评价指标；数据集　中图分类号：ＴＰ２７３．５；ＴＭ７１４；ＴＭ７６　文献标志码：Ａ　文章编号：１００６—４７２９（２０１７）０４—０３５７－０５　Ｓｔｕｄｙ　ｏｎ　Ｎｏｎ－Ｉｎｔｒｕｓｉｖｅ　Ｌｏａｄ　Ｍｏｎｉｔｏｒｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ　ＷＡＮＧ　Ｓｉｘｉａｎ，ＢＩ　Ｚｈｏｎｇｑｉｎ　（Ｓｃｈｏｏｌ　ｏｆＣｏｍｐｕｔｅｒ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆＥｌｅｃｔｒｉｃ　Ｐｏｗｅｒ，Ｓｈａｎｇｈａｉ　２００９００，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：　Ｎｏｎ－Ｉｎｔｒｕｓｉｖｅ　Ｌｏａｄ　Ｍｏｎｉｔｏｒｉｎｇ（ＮＩＬＭ）ｔｅｃｈｎｏｌｏｇｙ　ｅｎａｂｌｅｓ　ｐｏｗｅｒ　ｕｓｅｒｓ　ｔｏ　ｕｎｄｅｒ－　ｓｔａｎｄ　ｔｈｅ　ｐｏｗｅｒ　ｃｏｎｓｕｍｐｔｉｏｎ　ｏｆ　ｖａｒｉｏｕｓ　ｔｙｐｅｓ　ｏｆ　ｅｑｕｉｐｍｅｎｔ　ａｔ　ｄｉｆｆｅｒｅｎｔ　ｔｉｍｅｓ　ｂｙ　ｄｉｓａｇｇｒｅｇａｔｉｎｇ　ｔｈｅ　ｔｏｔａｌ　ｅｎｅｒｇｙ　ｌｏａｄ　ｄａｔａ　ｔｏ　ｈｅｌｐ　ｄｅｃｉｓｉｏｎ　ｍａｋｅｒｓ　ｄｅｖｅｌｏｐ　ｓｏｕｎｄ　ｅｎｅｒｇｙ　ｅｆｉｆｃｉｅｎｃｙ　ｐｌａｎｓ，ｒｅｄｕｃｅ　ｅｎｅｒｇｙ　ｃｏｓｔｓ，ｗｈｉｃｈ　ｐｌａｙｓ　ａｎ　ｉｍｐｏｒｔａｎｔ　ｒｏｌｅ　ｉｎ　ｅｍｉｓｓｉｏｎ　ｒｅｄｕｃｔｉｏｎ．Ｔｈｅ　ａｄｖａｎｔａｇｅｓ　ｏｆ　ＮＩＬＭ　ａｒｅ　ｎａａｌｙｚｅｄ　ｉｎ　ｃｏｍｐａｒｉｓｏｎ　ｗｉｔｈ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｉｎｔｒｕｓｉｏｎ　ｌｏａｄ　ｍｏｎｉｔｏｒｉｎｇ，ａｎｄ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｌｏｗ　ｃｏｓｔ，ｓｉｍｐｌｅ　ｄｅｐｌｏｙｍｅｎｔ　ａｎｄ　ｅａｓｙ　ｅｘｐａｎｓｉｏｎ．Ｓｅｃｏｎｄｌｙ，ｔｈｅ　ｂａｓｉｃ　ｆｒａｍｅｗｏｒｋ　ｏｆ　ＮＩＬＭ　ｉｓ　ｓｕｍｍａ－　ｉｒｚｅｄ，ａｎｄ　ｔｈｅ　ＮＩＬＭ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｉｎｔｒｏｄｕｃｅｄ　ｉｎ　ｄｅｔ￣ｌ　ｆｒｏｍ　ｔｈｅ　ｔｗｏ　ａｓｐｅｃｔｓ　ｏｆ　ｓｕｐｅｒｖｉｓｉｏｎ　ａｎｄ　ｕｎｓｕｐｅｒｖｉｓｅｄ　ａｌｇｏｒｉｔｈｍ．Ｔｈｅｎ　ｔｈｅ　ｅｘｉｓｔｉｎｇ　ｄａｔａ　ｓｅｔ　ａｎｄ　ａｌｇｏｒｉｔｈｍ　ｅｖａｌｕａｔｉｏｎ　ｉｎｄｅｘ　ａｒｅ　ｄｉｓｃｕｓｓｅｄ．　Ｆｉｎａｌｌｙ，ｔｈｅ　ｃｈａｌｌｅｎｇｅｓ　ｆａｃｉｎｇ　ｔｈｅ　ｃｕｒｒｅｎｔ　ＮＩＬＭ　ａｒｅ　ｐｏｉｎｔｅｄ　ｏｕｔ．　Ｋｅｙ　ｗｏｒｄｓ：　ｎｏｎ—ｉｎｔｒｕｓｉｖｅ　ｌｏａｄ　ｍｏｎｉｔｏｒｉｎｇ；ｂａｓｉｃ　ｆｒａｍｅｗｏｒｋ；ｅｖａｌｕａｔｉｏｎ　ｃｒｉｔｅｒｉａ；ｄａｔａｓｅｔ　为了提高国网用电利用率，减少电力系统成　测，并将监测信息反馈给消费者，可以有效解决能　本，加大用户对电网的调节作用，让老百姓享受到　源的浪费，细化智能电表获得的总负荷数据　Ｊ．为　峰谷电价的优惠，需要从各个家用设备的用电时　了实现这样的监测与反馈，研究者们提出了设备　间段和用电量着手，精确掌握其用电状况，并进行　负荷监测方法（Ａｐｐｌｉａｎｃｅ　Ｌｏａｄ　Ｍｏｎｉｔｏｎｎｇ，　细粒度的电力负荷监测，这是电网智能化建设中　ＡＬＭ），主要包括侵入式负荷监测（Ｉｎｔｒｕｓｉｖｅ　Ｌｏａｄ　非常关键的技术环节．通过细粒度的能源消耗监　Ｍｏｎｉｔｏｒｉｎｇ，ＩＬＭ）和非侵入式负荷监测（Ｎｏｎ一　收稿日期：２０１７—０３—０９　通讯作者简介：汪四仙（１９９３一），女，在读硕士，安徽黄山人．主要研究方向为非侵入式电力负荷分解技术　Ｅ—ｍａｉｌ：ｗｓｘｊｙ１９９３＠１６３．ｔｏｍ．　３５８　上海电力学院学报　Ｉｎｔｒｕｓｉｖｅ　Ｌｏａｄ　Ｍｏｎｉｔｏｒｉｎｇ，ＮＩＬＭ）．侵入式负荷监　测是在用户的每个用电设备上安装传感器，用以　采集其使用情况的数据．该方法的优点是监测数　据准确可靠，缺点是经济成本高、实施性难度大、　用户接受程度较低．与ＩＬＭ相比，ＮＩＬＭ的经济成　本低，实用性强　．随着科技的发展，ＮＩＬＭ的研　究热度又一次提升，但对于非侵入式负荷分解的　研究还不够深入，仍有较大的发展空间．　１　非侵入式负荷监测概述　非侵入式负荷监测由ＨＡＲＴ　Ｇ　Ｗ于２０世纪　８０年代提出　Ｊ，其实质就是负荷分解，即对小区　或家庭电力负荷入口的总负荷数据进行分解，包　含电压、电流、功率负荷等数据．要达到这一目标，　需要在小区或家庭总电力人口处安装数据采集设　备，如传感器或智能电表，收集电压、电流、功率数　据．通过分析这些数据，有助于了解住宅的用电负　荷情况，以及每个家用设备的用电情况，详细到不　同时刻的用电量和用电时间，进而获取用户用电　的规律信息，提升从总负荷入口获取的数据的应　用价值，电力公司和电网可利用这些有价值的信　息做出利国利民的决策．这一概念受到全球范围　内电力公司和科研机构的广泛关注　．随着非侵　入式负荷监测系统的进一步研究，有限状态机和　连续可变状态设备有了新的进展，其含义进一步　扩展，演化为现今的ＮＩＬＭ系统．非侵入式负荷监　测系统如图１所示．　图１　ＮＩＬＭ系统不意　各个设备功率的总和就是电力供给入口处的　总功率，即：　Ｐ（ｔ）＝Ｐ１（ｔ）＋Ｐ２（ｔ）＋Ｐ３（ｔ）＋…＋　Ｐ　（　）　（１）　由式（１）可知，单个用电设备的功率变化将　引起系统总功率的变化，反之，系统总功率的改　变必定是由单个用电设备运行状态改变而导致　的．于是可以根据系统总功率的变化情况来推　测是由哪种电器所引起的，这就是ＮＩＬＭ的基本　概念．　自非侵入式负荷监测系统概念提出以来，各　国学者陆续提出了许多用于监测和识别用电负荷　的不同理念，并基于这些理念搭建了实际的负荷　监测系统．现有的负荷监测系统的基本框架如　图２所示．　图２　ＮＩＬＭ系统的基本框架　图２中，数据采集模块的作用是获取原始数　据，即总负荷的稳态和暂态信号．数据预处理模块　按预设前提对数据作一定的处理，如归一化、频谱　计算等．事件检测模块对负荷投切操作进行检测，　可通过设定某一负荷特征的判定阈值来得知设备　运行状态的变化情况．　特征提取模块是非侵入式负荷监测系统的关　键模块，它可以从稳态和暂态两个方面提取负荷　特征．提取稳态特征时，对监测系统的硬件水平要　求较低，系统采样频率和计算能力较低，但稳态负　荷特征很难区分特征重叠事件．负荷暂态值比稳　态值更加难以测量，对硬件水平、采样频率的要求　较高，但获取波形、持续时间、谐波等暂态特征值，　可以更好地定义设备状态的转变．　负荷识别模块将特征提取模块获取的负荷　特征与负荷特征数据库进行对比，达到相似标　准即可识别出相应设备．建立负荷特征数据库　的常用方法主要有两种：一是人工记录总结负　荷特征；二是通过机器学习中的算法进行自动　分类．第１种方法要浪费大量的人力物力，第２　种方法是机器学习的分支，可选择的算法有很　多，故应用更为广泛．　汪四仙，等：非侵人式电力负荷监测技术研究　３５９　负荷管理模块利用负荷识别模块生成的信息　得到用电设备详细的耗能情况，引导用户合理消　费，进而优化国家电力资源配置．　度．ＫＡＴＯ　Ｔ等人¨。。提出用支持向量机来分类设　备，效果良好．　王志超¨　利用决策树算法分治的思想，结合　３种特征参数（功率变化参数、谐波含有率、电艮　２非侵入式电力负荷分解算法　非侵入式负荷分解算法分为监督学习方法和　非监督学习方法两种．本文总结了ＮＩＬＭ中运用　的监督和非监督方法，并进一步分析其局限性．　电流轨迹）进行识别和分类，让不同的特征参数发　挥各自的优势，算法简单、高效，有效减少了与数　据库比对的计算量．　２．２非监督学习算法　最近，研究人员开始探索在没有先验信息的　条件下实现负荷分解．ＫＩＭ　Ｆ　Ｈ等人　提出结合　ＦＨＳＭＭ（ｆａｃｔｏｒｉｌ　ｈｉｄｄｅｎ　ｓｅｍｉ—Ｍａｒｋｏｎ　Ｍｏｄｅ１）和　负荷识别在很大程度上取决于负荷特征，根　据文献［７］，用户设备可按照运行状态分类如下．　（１）１型双态设备，只有两个运行状态，即　开和关，如台灯、烤面包机等．　（２）２型有限多状态设备，有多个运行状　态且是有限个，这类设备也被称为有限状态机，如　洗衣机、炉灶等．这些设备的开关模式是可重复　的，便于负荷分解算法的识别．　（３）３型（４）４型连续变状态设备，功率可变但不　恒定设备，一天２４　ｈ几乎保持稳　是周期性变化，如调光灯和电动工具．　ＣＦＨＭ（Ｃｏｎｄｉｔｉｏｎａｌ　Ｆａｃｔｏｒｉａｌ　Ｈｉｄｄｅｎ　Ｍａｒｋｏｖ　Ｍｏｄ－　ｅ１）两种模型，产生新的模型ＣＦＨＳＭ（Ｃｏｎｄｉｔｉｏｎａｌ　Ｆａｃｔｏｒｉａｌ　Ｈｉｄｄｅｎ　Ｓｅｍｉ—Ｍａｒｋｏｎ）．实验结果表明，　ＣＦＨＳＭ优于其他非监督学习算法，可以准确地将　电力负荷数据分解为每个设备的电力使用信息．　ＫＯＬＴＥＲ　Ｊ　Ｚ等人　提出了一种相关算法——　加性因子近似最大后验推理算法，已经被应用于　负荷分解，该算法有较高的精度和召回率，且不受　局部优化的影响．　ＭＡＲＴＩＮＳ　Ｊ　Ｆ等人¨　基于Ｓ变换提出了一　定的有功和无功功率，如烟雾探测器、电话、有线　电视接收机等．　２．１监督学习算法　ＳＲＩＮＩＶＡＳＡＮ　Ｄ等人　提出了一种基于神　经网络的非侵人性谐波源识别算法，该方法从输　种新的非侵入式电力负荷监测模式，并给出了　相应的监测步骤．黎鹏¨　对稳态特征进行分析，　提出了一种基于最优求解方法和表格法的非侵　入式负荷分解算法．最优求解方法可以在线确　定不同类型设备的功耗比例，表格法在离线情　入电流波形中提取负荷特征，使用不同的谐波特　征惟一性来惟一地识别各种类型的设备．　ＫＡＭＡＴ　Ｓ　Ｐ　提出了一种利用模糊识别进行负　荷分解的方法．ＳＵＺＵＫＩ　Ｋ等人　提出了基于整　数规划的非侵入式负荷分解算法．ＭＡＲＣＨＩＯＲＩ　况下形成估量电流和功率比例的对照表，在线　情况下只要找到与实际测量的负荷电流最接近　的估计电流，即可实现负荷分解．牛卢璐等人¨６Ｊ　提出了一种根据暂态事件自主监测算法的　Ａ等人　用贝叶斯算法，对每一个设备都训练一　个朴素贝叶斯分类器，进而用分类器来识别单个　设备的运行状态．此外，为了提高系统的识别精度　和实时检测状态变化，使用贝叶斯网络分析用户　行为，利用贝叶斯滤波器在线推理，提升分类器精　ＮＩＬＭ，该算法基于ＣＵＳＵＭ滑动窗，精度较高，　鲁棒性强．　对负荷分解常用的学习算法进行比较，结果　如表１所示．　表１　５种负荷分解算法的比较　上海电力学院学报　３算法评价指标　为了便于评估负荷分解算法，ＫＯＬＴＥＲ　Ｊ　Ｚ　等人¨　构建了ＲＥＤＤ（ｔｈｅ　Ｒｅｆｅｒｅｎｃｅ　Ｅｎｅｒｇｙ　Ｄｉｓａｇｇｒｅｇａｔｉｏｎ　Ｄａｔａ　Ｓｅｔ）数据集，该数据集记录了　６个家庭短周期内的高频和低频数据．　ＡＮＤＥＲＳＯＮ　Ｋ等人　副构建了ＢＬＵＥＤ数据集，记　录了１个家庭的用电总负荷数据，而不包含子表　记录数据．ＢＡＲＫＥＲ　Ｓ等人¨　构建了Ｓｍａｒｔ数据　集，包含３个家庭的总负荷数据和单个家庭的子　表数据．ＨＯＬＣＯＭＢ　Ｃ＿２　构建的Ｐｅｃａｎ　Ｓｔｒｅｅｔ数　据集包含１０个家庭的总负荷数据和子表负荷数　据．ＺＩＭＭＥＲＭＡＮＮ　Ｊ　Ｐ等人ｌ２。。构建了ＨＥＳ数据　集，其来自２５１个家庭，但总负荷数据只采集了　１４个家庭．　然而，以上每个数据集的目标不同，导致了它　们使用完全不同的格式，这就给数据集的工程应　用造成了一定的障碍．为了解决这一问题，　ＢＡＴＲＡ　Ｌ　Ｎ等人　提出了ＮＩＬＭＴＫ－ＤＦ，这是启　发于ＲＥＤＤ数据格式的一种公共数据集格式，可　以转换现有的数据集．ＮＩＬＭＴＫ包含６大数据集　的接口，即ＲＥＤＤ，Ｓｍａｒｔ，Ｐｅｃａｎ　Ｓｔｒｅｅｔ，ｉＡＷＥ，　ＡＭＰｄｓ，ＵＫ—ＤＡＬＥ．ＢＬＵＥＤ数据集因没有子表　数据，ＨＥＳ数据集因时间约束，均不包括在　ＮＩＬＭＴＫ－ＤＦ内．ＮＩＬＭＴＫ是一个非侵入式负荷　监控的工具包，于２０１４年发布，为支持能量分解　研究提供了软件基础设施，旨在帮助研究人员评　估ＮＩＬＭ算法的精度．　与此同时，研究人员提出了各种评价分解方　法的性能评价指标．准确度是识别算法准确性最　广泛使用的性能评价指标．但对于多类分类问题，　总体准确度并不是一个契合的指标，这是因为它　受损于不平衡数据问题．ＬＩＡＮＧ　Ｊ等人　对该问　题做了进一步的研究，提出了监测准确度、分类准　确度、总体准确度３种度量方式，实现了全面、细　致的性能评价．ＫＯＬＴＥＲ　Ｊ　ｚ等人　提出了新的　’＇”　评测方法Ｆ度量，其运算公式为　，其中精度Ｐ　ｐ’’　是负荷分解后相关设备的功率值与其总功率的比　值，召回率ｒ是负荷分解后相关设备的功率值与　实际设备的功率值的比值．　ＺＥＩＦＭＡＮ等人　使用ＲＯＣ曲线来比较不　同模型的性能，该方法简单、直观，还可准确反映　不同算法之间的区别．此外，部分研究还用到混淆　矩阵、特征曲线等评价指标．　４　非侵入式负荷监测技术面临的挑战　虽然ＮＩＬＭ受到了广大研究者的关注，但实　现切实可行的ＮＩＬＭ系统还面临着不少的挑战．　（１）由于每种设备的负荷特征存在高组间可　变性，难以形成通用的负荷模型，而且大多数的功　耗模型取决于特定的用户设置．　（２）低功耗家电有相似的功耗特性，增加了　负荷识别任务的难度．　（３）非侵入式负荷监测在１型和２型设备的　识别上表现良好，识别精度较高，但对３型和４型　设备的识别难度比较大．　（４）大多数的ＮＩＬＭ方法要求离线训练数　据，而且负荷特征数据库也不可能包含各类设备　的负荷特征，因此分解算法无法识别出不在特征　数据库中的新设备．　５　结　语　由于侵入式负荷监测系统的高成本、低可靠　性、实施难度高等缺陷，ＡＬＭ领域的研究多集中　于非侵入式负荷监测．ＮＩＬＭ在保持低成本和高　可靠性的前提下，在设备负荷监测上获得了令人　满意的结果．本文阐述了ＮＩＬＭ系统的概念，总结　了负荷识别和算法评估的研究现状，并进一步比　较了两种常用方法的优缺点．　参考文献：　［１］ＤＡＲＢＹ　Ｓ．Ｔｈｅ　ｅｆｆｅｃｔｉｖｅｎｅｓｓ　ｏｆ　ｆｅｅｄｂａｃｋ　ｏｎ　ｅｎｅｒｇｙ　ｃｏｎ—　ｓｕｍｐｔｉｏｎ『Ｍ］．Ａ　Ｒｅｖｉｅｗ　ｆｏｒ　Ｄｅｆｒａ　ｏｆ　ｔｈｅ　Ｌｉｔｅｒａｔｕｒｅ　ｏｎ　Ｍｅｔｅ—　ｒｉｎｇ　Ｏｘｆｏ￣：Ｏｘｆｏ￣Ｕｎｉｖｅｒｓｉｔｙ　Ｐｒｅｓｓ，２００６：４８６．　［２］ＨＡＲＴ　Ｇ　Ｗ．Ｒｅｓｉｄｅｎｔｉａｌ　ｅｎｅｒｇｙ　ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　ｃｏｍｐｕｔｅｒｉｚｅｄ　ｓｕｒｖｅｉｌｌａｎｃｅ　ｖｉａ　ｕｔｉｌｉｔｙ　ｐｏｗｅｒ　ｆｌｏｗｓ［Ｊ］．ＩＥＥＥ　Ｔｅｃｈｎｏｌｏｇｙ＆　Ｓｏｃｉｅｔｙ　Ｍａｇａｚｉｎｅ，１９８９，８（２）：１２—１６．　［３］ＦＲＯＥＨＬＩＣＨ　Ｊ，ＬＡＲＳＯＮ　Ｅ，ＧＵＰＴＡ　Ｓ，ｅｌ　ａ１．Ｄｉｓａｇｇｒｅｇａｔｅｄ　ｅｎｄ－ｕｓｅ　ｅｎｅｒｇｙ　ｓｅｎｓｉｎｇ　ｆｏｒ　ｈｔｅ　ｓｍａｒｔ　ｇｒｉｄ［Ｊ］．ＩＥＥＥ　Ｐｅｒｖａｓｉｖｅ　Ｃｏｍｐｕｔｉｎｇ，２０１０，１０（１）：２８－３９．　［４］ＳＲ／Ｎ／ＶＡＳＡＮ　Ｄ，ＮＧ　Ｗ　Ｓ，ＬＩＥＷ　Ａ　Ｃ．Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ・　ｂａｓｅｄ　ｓｉｇｎａｔｕｒｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｏｒ　ｈａｒｍｏｎｉｃ　ｓｏｕｒｃｅ　ｉｄｅｎｔｉｉｆｃａｔｉｏｎ　［Ｊ］．Ｐｏｗｅｒ　Ｄｅｌｉｖｅｒｙ，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ，２００６，２１（１）：　３９８－４０５．　［５］　ＫＡＭＡＴ　Ｓ　Ｐ．Ｆｕｚｚｙ　ｌｏｇｉｃ　ｂａｓｅｄ　ｐａｔｔｅｒｎ　ｒｅｃｏｇｎｉｉｔｏｎ　ｔｅｃｈｎｉｑｕｅ　ｆｏｒ　ｎｏｎ　ｉｎｔｒｕｓｉｖｅ　ｌｏａｄ　ｍｏｎｉｔｏｒｉｎｇ『Ｃ１／／ＴＥＮＣＯＮ　２ｂ０４．２００４　ＩＥＥＥ　Ｒｅｇｉｏｎ　１０　Ｃｏｎｆｅｒｅｎｃｅ，２００４：５２８－５３０．　［６］ＨＡＲＴ　Ｇ　Ｗ．Ｎｏｎｉｎｔｒｕｓｉｖｅ　ａｐｐｌｉｎａｃｅ　ｌｏａｄ　ｍｏｎｉｔｏｒｉｎｇ［Ｊ］．　汪四仙，等：非侵入式电力负荷监测技术研究　ＩＥＥＥ　Ｐｒｏｃ．，１９９２（８０）：１　８７０—１　８９１．　３６１　［１７］ＫＯＬＴＥＲ　Ｊ　Ｚ，ＪＯＨＮＳＯＮ　Ｍ　Ｊ．ＲＥＤＤ：ａ　ｐｕｂｌｉｃ　ｄａｔａ　ｓｅｔ　ｆｏｒ　ｅｎｅｒｇｙ　ｄｉｓａｇｇｒｅｇａｔｉｏｎ　ｒｅｓｅａｒｃｈ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　１ｓｔ　ＫＤＤ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｄａｔａ　Ｍｉｎｉｎｇ　Ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　Ｓｕｓｔａｉｎａｂｉｌｉｔｙ，Ｓａｎ　Ｄｉｅｇｏ，ＣＡ，ＵＳＡ，２０１１．　［７］　ＣＯＬＬＩＮＳ　Ｋ，ＭＡＬＬＩＣＫ　Ｍ，ＶＯＬＰＥ　Ｇ，ｅｔ　ａ１．Ｓｍａｒｔ　ｅｎｅｒｇｙ　ｍｏｎｉｔｏｒｉｎｇ　ａｎｄ　ｍａｎａｇｅｍｅｎｔ　ｓｙｓｔｅｍ　ｆｏｒ　ｉｎｄｕｓｔｒｉａｌ　ａｐｐｌｉｃａｔｉｏｎｓ　［Ｃ］／／Ｅｌｅｃｔｒｉｃａｌ　Ｐｏｗｅｒ　ａｎｄ　Ｅｎｅｒｇｙ　Ｃｏｎｆｅｒｅｎｃｅ，２０１２　ＩＥＥＥ．　Ｌｏｎｄｏｎ：ＩＥＥＥ，２０１２：９２－９７．　［１８］ＡＮＤＥＲＳＯＮ　Ｋ，ＯＣＮＥＡＮＵ　Ａ，ＢＥＮＩＴＥＺ　Ｄ，ｅｔ　ａ１．ＢＬＵＥＤ：　ａ　ｆｕｌｌｙ　ｌａｂｅｌｅｄ　ｐｕｂｌｉｃ　ｄａｔａｓｅｔ　ｆｏｒ　ｅｖｅｎｔ－ｂａｓｅｄ　ｎｏｎ・－ｉｎｔｒｕｓｉｖｅ　［８］　ＳＵＺＵＫＩ　Ｋ，ＩＮＡＧＡⅪＳ，ＳＵＺＵＫＩ　Ｔ，ｅｔ　ａ１．Ｎｏｎ—ｉｎｔｒｕｓｉｖｅ　ａｐｐｌｉｎｃｅ　ｌａｏａｄ　ｍｏｎｉｔｏｒｉｎｇ　ｂａｓｅｄ　ｏｎ　ｉｎｔｅｇｅｒ　ｐｒｏｇｒａｍｍｉｎｇ　ｌｏａｄ　ｍｏｎｉｔｏｒｉｎｇ　ｒｅｓｅｒａｃｈ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｅｎｄ　ＫＤＤ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｄａｔａ　Ｍｉｎｉｎｇ　Ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　Ｓｕｓｔａｉｎａｂｉｌｉｔｙ，Ｂｅｉ—　ｆ　Ｃ］／／Ｉｎｔ．Ｃｏｎｆｅｆｅｎｃｅ　ｏｎ　Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ，Ｃｏｎｔｒｏｌ　ａｎｄ　Ｉｎｆｏｒ－　ｍａｒｉｏｎ　Ｔｅｃｈｎｏｌｏｇｙ，Ｔｏｋｙｏ，Ｊａｐａｎ，２００８：２　７４２－２　７４７．　ｊｉｎｇ，Ｃｈｉｎａ，２０１２：１２—１６．　［９］　ＭＡＲＣＨＩＯＲＩ　Ａ，ＨＡＫＫＡＲＩＮＥＮ　Ｄ，ＨＡＮ　Ｑ，ｅｔ　ａＬ　Ｃｉｒｃｕｉｔ—　［１９］ＢＡＲＫＥＲ　Ｓ，ＭＩＳＨＲＡ　Ａ，ＩＲＷＩＮ　Ｄ，ｅｔ　ａ１．Ｓｍａｒｔ｝：ｎ　ａｏｐｅｎ　ｌｅｖｅｌ　ｌｏａｄ　ｍｏｎｉｔｏｒｉｎｇ　ｏｆｒ　ｈｏｕｓｅｈｏｌｄ　ｅｎｅｒｇｙ　ｍａｎａｇｅｍｅｎｔ［Ｊ］．　ｄａｔａ　ｓｅｔ　ａｎｄ　ｔｏｏｌｓ　ｆｏｒ　ｅｎａｂｌｉｎｇ　ｒｅｓｅａｒｃｈ　ｉｎ　ｓｕｓｔａｉｎａｂｌｅ　ｈｏｍｅｓ　ＩＥＥＥ　Ｐｅｒｖａｓ　Ｃｏｍｐｕｔｅｒ，２０１１（１Ｏ）：４０４８．　［Ｃ］／／ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｅｎｄ　ＫＤＤ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｄａｔａ　Ｍｉｎｉｎｇ　［１Ｏ］　ＫＡＴＯ　Ｔ，ＣＨＯ　Ｈ　Ｓ，ＬＥＥ　Ｄ．Ａｐｐｌｉａｎｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｆｒｏｍ　ｅ－　Ａｐｐｌｉｃａｔｉｏｎｓ　ｉｎ　Ｓｕｓｔａｉｎａｂｉｌｉｔｙ，Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２０１２．　ｌｅｃｔｒｉｃ　ｃｕｒｒｅｎｔ　ｓｉｇｎａｌｓ　ｆｏｒ　ｉｎｆｏｒｍａｔｉｏｎ－・ｅｎｅｒｇｙ　ｉｎｔｅｇｒａｔｅｄ　ｎｅｔ・－　［２Ｏ］ＺＩＭＭＥＲＭＡＮＮ　Ｊ　Ｐ，ＥＶＡＮＳ　Ｍ，ＧＲＩＧＧＳ　Ｊ，ｅｔ　ａ１．Ｈｏｕｓｅ—　ｗｏｒｋ　ｉｎ　ｈｏｍｅ　ｅｎｖｉｒｏｎｍｅｎｔｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　７ｔｈ　Ｉｎ—　ｈｏｌｄ　ｅｌｅｃｔｒｉｃｉｔｙ　ｓｕｒｖｅｙ：ａ　ｓｔｕｄｙ　ｏｆ　ｄｏｍｅｓｔｉｃ　ｅｌｅｃｔｒｉｃａｌ　ｐｒｏｄｕｃｔ　ｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｓｍａｒｔ　Ｈｏｍｅｓ　ａｎｄ　Ｈｅａｌｈｔ　Ｔｅｌｅｍａｔ—　ｕｓａｇｅ［Ｒ］．Ｔｅｃｈｎｉｃａｌ　Ｒｅｐｏ￣８６６１４１，ＤＥＦＲＡ，Ｍａｙ　２０１２．　ｉｃｓ，Ｔｏｕｒｓ，Ｆｒｎａｃｅ，２００９：１５０—１５７．　［２１］ＢＡＴＲＡＬ　Ｎ，ＫＥＬＬＹＺ　Ｊ，ＰＡＲＳＯＮ　Ｏ，ｅｔ　ａ１．ＮＩＬＭＴＫ：ａｎ　［１１］　王志超．住宅用电负荷的非侵入式监测方法研究［Ｄ］．重　ｏｐｅｎ　ｓｏｕｒｃｅ　ｔｏｏｌｋｉｔ　ｆｏｒ　ｎｏｎ—ｉｎｔｒｕｓｉｖｅ　ｌｏａｄ　ｎｏｎｉｔｏｒｉｎｇ［Ｊ］．Ｆｕ—　庆：重庆大学，２０１５　ｔｕｒｅ　Ｅｎｅｒｇｙ　Ｓｙｓ￣ｍｓ，２０１４（４）：２６５－２７６．　［１２］　ＫＩＭ　Ｆｒｅｑｕｅｎｃｙ　Ｈ，ＭＡＲＷＡＨ　Ｍ，ＡＲＬＩＴＴ　Ｍ，ｅｔ　ａ１．Ｕｎｓｕ—　［２２］ＨＯＬＣＯＭＢ　Ｃ．Ｐｅｃａｎ　Ｓｔｒｅｅｔ　Ｉｎｃ：ａ　ｔｅｓｔ－ｂｅｄ　ｆｏｒ　ＮＩＬＭ［Ｃ］／／　ｐｅｒｖｉｓｅｄ　ｄｉｓａｇｇｒｅｇａｔｉｏｎ　ｏｆ　ｌｏｗ　ｐｏｗｅｒ　ｍｅａｓｕｒｅｍｅｎｔｓ［Ｃ］／／Ｏｎ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｎｏｎ—Ｉｎｔｒｕｓｉｖｅ　Ｌｏａｄ　Ｍｏｎｉｔｏｒｉｎｇ，　ｄａｔａ　ｍｉｎｉｎｇ　Ｍｅｓａ，ＡＺ，ＵＳＡ，Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１１ｔｈ　ＳＩＡＭ　Ｐｉｔｔｓｂｕｒｇｈ，ＰＡ，ＵＳＡ，２０１２．　Ｉｎｔｅｍａｃｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ。２０１１：２８－３０．　［２３］ＺＥ１ＦＭＡＮ　Ｍ．Ｄｉｓａｇｇｒｅｇａｔｉｏｎ　ｏｆｈｏｍｅ　ｅｎｅｒｇｙ　ｄｉｓｐｌａｙ　ｄａｔａ　ｕ—　【１３］　ＫＯＬＴＥＲ　Ｊ　Ｚ．ＪＡＡＫＫＯＬＡ　Ｔ．Ａｐｐｒｏｘｉｍａｔｅ　ｉｎｆｅｒｅｎｃｅ　ｉｎ　ａｄ—　ｓｉｎｇ　ｐｒｏｂａｂｉｌｉｓｔｉｃ　ａｐｐｒｏａｃｈ【Ｃ］／／ＩＥＥＥ　Ｔｒａｐｓ．Ｃｏｎｓｕｍ．Ｅｌｅｃ－　ｄｉｉｔｖｅ　ｆａｃｔｏｒｉｌａ　ＨＭＭｓ　ｗｉｔｈ　ａｐｐｌｉｃａｔｉｏｎ　ｔｏ　ｅｎｅｒｇｙ　ｄｉｓａｇｇｒｅｇａ－　ｒｔｏｎ，２０１２：２３－３１．　ｔｉｏｎ［Ｊ］．Ｍａｃｈ　Ｌｅｒａｎ．Ｒｅｓ，２０１２（２２）：１　４７２—１　４８２．　［２４］ＬＩＡＮＧ　Ｊ，ＮＧ　Ｓ，ＫＥＮＤＡＬＬ　Ｇ，ｅｔ　ａ１．Ｌｏａｄ　ｓｉｇｎａｔｕｒｅ　ｓｔｕｄｙ　［１４］　ＭＡＲＴＩＮＳ　Ｊ　Ｆ，ＬＯＰＥＳ　Ｒ，ＬＩＭＡ　Ｃ，ｅｔ　ａ１．Ａ　ｎｏｖｅｌ　ｎｏｎｉｎｔｒｕ—　Ｐａｒｔ　Ｉ：Ｂａｓｉｃ　ｃｏｎｃｅｐｔ，ｓｔｒｕｃｔｕｒｅ　ｍｅｔｈｏｄｏｌｏｇｙ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．　ｓｉｖｅ　ｌｏａｄ　ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｓ－ｔｒａｎｓｆｏｒｍ［Ｃ］／／　Ｐｏｗｅｒ　Ｄｅｌ，２０１０，２５（２）：５５１－５６０．　Ｏｐｔｉｍｉｚａｔｉｏｎ　ｏｆ　Ｅｌｅｃｔｒｉｃａｌ　ａｎｄ　Ｅｌｅｃｔｒｏｎｉｃ　Ｅｑｕｉｐｍｅｎｔ（ＯＰ—　［２５］ＫＯＬＴＥＲ　Ｊ　Ｚ，ＢＡＴＲＡ　Ｓ，ＮＧ　Ａ　Ｙ．Ｅｎｅｒｇｙ　ｄｉｓａｇｇｒｅｇａｔｉｏｎ　ＴＩＭ），２０１２／１３ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ．ＩＥＥＥ，２０１２：　ｖｉａ　ｄｉｓｃｒｉｉｍｎａｔｉｖｅ　ｓｐａｒｓｅ　ｃｏｄｉｎｇ［Ｃ］／／Ｉｎｔｅｍａｔｉｏｎ　Ｃｏｎｆｅｒｅｎｃｅ　９７３－９７８．　ｏｎ　Ｎｅｕｒａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｐｒｏｃｅｓｓｉｎｇ　Ｓｙｓｔｅｍｓ，２０１０：１　１５３—　［１５］　黎鹏．非侵入式电力负荷分解与监测［Ｄ］．天津：天津大　１　１６１。　学，２００９．　（编辑白林雪）　［１６］　牛卢璐，贾宏杰．一种适用于非侵人式负荷监测的暂态事　件检测算法［Ｊ］．电力系统自动化，２０１１，３５（９）：３０－３５．　…】　…　，…】…】…】…】…，…】…】　ｏｌ】　０ｔ　（上接第３４５页）　ｓｉｄｅ　ｓｈｏｒｔ　ｔｅｒｍ　ｌｏａｄ　ｆｏｒｅｃａｓｒｉｎｇ［Ｊ］．Ｅｎｅｒｇｉｅｓ，２０１６，１０（１）：３．　［１８］ＭＡＲＩＮＯ　Ｄ　Ｌ，ＡＭＡＲＡＳＩＮＧＨＥ　Ｋ，ＭＡＮＩＣ　Ｍ．Ｂｕｉｌｄｉｎｇ　［２０］　ＣＯＥＬＨＯ　Ｖ　Ｎ，ＣＯＥＬＨＯ　Ｉ　Ｍ，ＲＩＯＳ　Ｅ，ｅｔ　ａ１．Ａ　ｈｙｂｒｉｄ　ｄｅｅｐ　ｅｎｅｒｇｙ　ｌｏａｄ　ｆｏｒｅｃｓａｔｉｎｇ　ｕｓｉｎｇ　ｄｅｅｐ　ｎｅｕｒｌａ　ｎｅｔｗｏｒｋｓ［Ｃ］／／Ｉｎ—　ｌｅａｒｎｉｎｇ　ｆｏｒｅｃａｓｔｉｎｇ　ｍｏｄｅｌ　ｕｓｉｎｇ　ｇｐｕ　ｄｉｓａｇｇｒｅｇａｔｅｄ　ｆｕｎｃｔｉｏｎ　ｄｕｓｔｒｉａｌ　Ｅｌｅｃｔｒｏｎｉｃｓ　Ｓｏｃｉｅｔｙ．ＩＥＣＯＮ　２０１６￣２ｎｄ　Ａｎｎｕａｌ　Ｃｏｎ－　ｅｖａｌｕａｔｉｏｎｓ　ａｐｐｌｉｄｅ　ｆｏｒ　ｈｏｕｓｅｈｏｌｄ　ｅｌｅｃｔｒｉｃｉｔｙ　ｄｅｍａｎｄ　ｆｏｒｅｃａｓ—　ｆｅｒｅｎｃｅ　ｏｆ　ｔｈｅ　ＩＥＥＥ．ＩＥＥＥ，２０１６：７　０４６－７　０５１．　ｔｉｎｇ［Ｊ］．Ｅｎｅｒｇｙ　Ｐｒｏｃｅｄｉａ，２０１６，１０３：２８０－２８５．　［１９］ＲＹＵ　Ｓ，ＮＯＨ　Ｊ，ＫＩＭ　Ｈ．Ｄｅｅｐ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｂａｓｅｄ　ｄｅｍａｎｄ　（编辑桂金星）