武 昕，于金莹，彭 林，王庆华，闫雨龙

（1. 华北电力大学电气与电子工程学院，北京市102206；2. 华北电力大学环境科学与工程学院，北京市102206；3. 华北电力大学控制与计算机工程学院，北京市102206）

0 引言

工业互联网［1-2］和能源革命［3-4］的发展使中国电力工业微观环境发生了巨大变化，对供给与需求的交互和再平衡提出更高要求。工业负荷是需求侧的主要用户，因此有必要对其进行用电监测，有助于对用户提供高效能源服务，实现绿色与智能用电。

传统的侵入式负荷监测方法获取的数据准确可靠，但对工业用户有较大局限。工业设备运行的稳定性、持续性及可靠性有严格要求［5-7］，处于高压用电区域，若对其进行接触式或直接的监测，大量传感器的安装与维护不仅会影响生产设备的正常运行，还会造成工业生产及人员的安全隐患。因此，应尽可能选择在低压侧进行间接测量。非侵入式负荷监测［8］（non-intrusive load monitoring，NILM）仅在用户电力计量入口处采集总用电数据，经济投入小、安全性与实用性高，更易被用户接受。NILM 需从总负荷信息中获取独立负荷详细的用能信息，因此有效的数据处理方法是关键。

非侵入式负荷分解与辨识［9-12］是需求侧负荷管理的研究热点，目前大多数研究集中在居民用户［13-17］。文献［14］对分离后的负荷利用贝叶斯分类模型实现负荷辨识，自适应地构建独立负荷特征库。文献［15］利用深度学习算法将U-I 轨迹图像特征与功率特征融合，提高负荷辨识能力。文献［16］利用图形信号处理算法对负荷进行辨识。

不断改进的算法验证了非侵入式负荷数据的可分解性与可辨识性，形成了可行的处理流程与理论基础。由于在设备数量、操作类型及运行环境等方面的差异，现有的对居民负荷的研究不适合直接用于工业负荷，应针对工业负荷的运行特点研究适用的分解辨识算法。目前对工业用户的负荷监测研究尚少。文献［18］提出基于滑动双边窗的事件探测方法，该算法针对特定的用户且不能区分发生时间接近的事件。文献［19］利用标准的NILM 算法对工业冷库进行负荷分解，但标准算法对冷凝器、热泵等典型工业负荷分解难度大。文献［20］提出了基于复合窗口分析的非侵入式工业负荷事件检测方法，但需要对所辨识负荷进行先验数据采集，工业生产中存在先验数据获取不便等问题，这会影响其实用性。

不同工业用户的负荷运行特性因行业、流水工艺等不同差别很大［21］，应针对工业用户形成一种通用的处理流程以适应不同行业和不同工艺的负荷特性，因此，本文研究一种通用的实现模式在用户边缘侧进行用电行为的分析和识别。以工业电力负荷为研究对象，利用NILM 终端获取用户总电力数据，根据工业负荷运行和投切特点，研究其事件波形提取方法；结合用户实际操作习惯、各负荷的典型特性及使用习惯等现场参考数据，对事件进行解析辨识，实现对工业电力负荷详细用电信息的感知。

1 工业电力负荷NILM 感知辨识原理

1.1 工业NILM 感知原理与实现结构

考虑工业负荷功率大、持续稳定运行及安全性等因素，采用NILM 模式。用户全部用电信息混合表现在采集到的总信号中，若要获取详细的负荷数据，需要分析负荷操作在采集信号中的作用规律，从而通过事件提取与解析辨识将各类负荷操作独立重建与还原。工业环境与居民场景完全不同，本文考虑了工业环境下的负荷操作及运行特点，研究相应的辨识方法，主要考虑以下3 点实际情况。

1）工业负荷运行状态较稳定，投切行为不频繁，单体负荷功率大，当负荷状态发生变化时通常会引起运行数据的明显变化，因此先从采集数据中提取由负荷状态变化而引起的事件，即从波形数据中分离由负荷操作引起的事件波形。

2）事件波形独立分解后，建立事件波形与负荷操作之间的解析关系，实现负荷辨识。事件与实际操作之间的有效匹配，依赖于单体负荷的特征数据，而工业设备长期持续运行造成很难先验获取单个负荷运行时的波形和特征，但工业用户中主要用电设备及基本参数确定且有标准的数据记录，同时，负荷操作均按照预期规划执行，对生产设备的动作均有明确的日志记录，即负荷类型与操作类型是可枚举且有现场可参考数据。因此，应将提取的事件波形与现场参考数据之间建立解析关系，从而辨识负荷的实际操作。

3）不同工业用户生产门类及流水工艺差别很大，很难形成整体通用的事件匹配关系，而工业用户本身为独立的系统，有完整的操作流程与生产系统，具有独立的负荷设备及操作数据记录，只需在特定用户内部将变化波形与现场参考数据之间建立匹配关系。因此，事件的解析应下沉至用户边缘侧进行，从而有效地匹配用户各自的流水、工艺、规模及操作等。

因此，本文在NILM 模式下，利用高频采集方式获取工业用户总电流、电压数据，研究事件检测与解析辨识算法，从而获取详细的工业负荷数据。

首先，不同工业负荷的投切方式与运行状态存在差异，体现在混合电流中的能量变化形式不同，因此应充分考虑工业负荷的运行特点，研究针对各投切方式下的事件检测算法，实现对工业负荷各类型事件波形的有效提取与分离。然后，对事件波形进行特征提取，转化为结构化特征数据，并对其进行解析从而实现负荷辨识。由于工业设备长期持续运行很难先验获取单个负荷运行时的波形和特征，本文依据用户实际的现场参考数据，在工业用户边缘侧构建解释空间与特征空间，实现事件解析与负荷辨识，获取详细的负荷信息。整体实现结构见图1。

图1 工业NILM 与辨识架构Fig.1 Industrial NILM and identification architecture

1.2 考虑负荷投切特性的事件检测与波形提取

NILM 模式下，若要获取详细的负荷用电数据，首先需要对采集数据进行事件检测，即检测由负荷实际状态的改变引起的变化波形，将其独立提取作为负荷辨识的数据基础。工业负荷多为电动机类型，用户根据生产设备的功率、风机转速、实际成本等因素对其采用不同的投切方式，如硬投切、软投切等。不同的投切方式在混合电流中的变化形式不同，本文针对电流信号的不同变化方式对事件波形进行提取分离。

工业负荷单体容量大，其状态变化时电路中的电流信号变化明显。将第k 个观察间隔内的总电流采集信号Ik(t)表示为当前稳定运行波形Is，k(t)与变化波形Iυ，k(t)的叠加，如式（1）所示。

其中，若无负荷操作则变化波形Iυ，k(t)=0。工业负荷的运行状态较稳定，在长时间尺度内（远大于观察间隔），波形可认为是平稳不变的，即Is，k-1(t)=Is，k(t)。

变化波形可通过当前采集电流信号Ik(t)与上一时间观察间隔的电流信号Ik-1(t)的差获取，即

当存在负荷状态变化时，变化波形的能量会发生较大幅度改变，当其能量值大于阈值时，如式（3）所示，可认为负荷状态发生了变化，即有负荷操作事件发生，从而进行事件波形的分离与提取。

式中：M 为判定事件发生的能量阈值。

1.3 基于波形事件解析的负荷辨识原理

当判定负荷操作事件发生并提取事件波形后，需建立事件波形与实际负荷操作的对应关系，将各类负荷操作的物理信息重建与还原。

工业用户的主要用电设备有限且有明确的电气数据列表，对每种负荷的操作具有相对固定的规律且可有限枚举。因此，看作从有限可能的负荷操作中判断与当前事件波形最匹配的类型，即将其看作类别判定问题。将该工业用户中的负荷操作类型记作集合Ω，构成解释空间，其中共包含c 种类别。

式中：ωm为Ω 的元素，即负荷操作类别；m 为元素序号。

满足式（3）的事件波形Iυ，k(t)为进行类别判定的样本，构成样本空间，记作集合V，可表示为：

即需建立样本空间V 与解释空间Ω 之间的映射关系，从而对事件波形进行解析和辨识。

映射关系的建立依赖于特征数据，而由波形构成的样本空间信息表现不直接、特征不明显，因此先将样本空间V 转化为结构化特征空间。特征空间的构建依赖于工业用户本身记录的现场参考数据，例如主要用电设备及其电气参数、生产流程、操作日志等，将此类数据记作集合D，由所有可供参考的表格化数据构成。集合D 与解释空间Ω 之间形成了先验的对应关系R1，从而较易进行特征提取与选择，形成对解释空间有效的特征集合D1⊂D。然后，进一步选择可从波形中提取到的有效特征作为特征空间，记作集合X ⊂D1，选取规则记作R2。将R1与R2统一记作关系R，则通过R 将事件波形对应的样本空间V 转化为特征空间X，如式（6）所示。二者均体现的是负荷操作所引起的事件，但X 是V 的结构化形式，便于建立进行类别判定需要的映射关系。

式中：xl为X 中的元素；l 为特征空间的维度，即有效特征的个数；L 为特征元素数量。

将事件的解析辨识转化为特征空间X 与解释空间Ω 的映射构建问题，如式（7）所示。

通过建立映射关系f 来反映辨识样本与解释空间各类别间的相似程度，从而可转化为寻找准则函数的最优化问题进行求解，最终实现事件解析辨识。

2 基于用户边缘侧事件解析的工业负荷辨识算法

考虑工业用户的负荷特点，按照第1 章所述的原理与解决思路，本章给出详细的算法实现。由于不同工业用户在具体数据及处理细节中存在差异，本章以钢铁工业用户为例进行阐述。钢铁工业是重要的基础工业，其规模大且为连续性生产企业［22］，不轻易停炉，否则重新恢复时会浪费大量电能和资源［23］。

2.1 事件检测与波形提取方法

工业负荷在正常运行时，要求不能对电网电能质量造成大的影响，电流和电压波形多为正弦波，因此事件发生时主要体现能量上的变化，不同类型的功率变化在波形上可分为突变和缓变2 种形式。

2.1.1 事件检测方法

工业负荷多为电动机类型。小功率电机硬投切时能量阶跃变化，当电路中出现负荷阶跃变化时视为突变事件，即在很短间隔从一个稳态变化到另一个稳态，如图2（a）所示。大功率电机软投切时，需经过一定周期的功率持续小幅度波动才进入稳态，短时间内能量变化较小，经过多周期后能量有明显改变，视为缓变事件，如图2（b）所示。

图2 突变事件与缓变事件电流波形与功率曲线Fig.2 Current waveform and power curve of suddenchange events and slow-change events

根据有功功率的周期增量ΔPn进行变化检测，ΔPn可表示为：

式中：Pn为第n 个周期的有功功率值，n ∈N。

若第n 个周期的有功功率增量大于一定能量阈值，则认为发生了负荷的突变事件，即

式中：ε1为阶跃变化的能量阈值，通常取为各负荷设备中最小的额定功率值。

缓变事件一个周期内的能量变化小，仅通过单周期的功率增量无法获知其完整的变化过程，需进行多周期检测。若连续超过K 个周期的ΔPn均大于一定能量阈值，且远小于突变事件的能量阈值，则认为发生了缓变事件，如式（10）所示。

式中：K1，K2∈N 为周期序号；N1∈N 为连续满足条件的周期数阈值；ε2为单个周期的能量变化阈值，远小于突变事件发生时的能量变化阈值ε1。

2.1.2 事件波形提取方法

当检测到事件Ar发生后需提取事件波形，r ∈N为事件序号。通常稳态波形可表征负荷正常运行时的基本状态，本文提取事件的稳态波形作为事件波形进行解析。因此，需要先判断事件发生前后何时处于稳态。当多个周期有功功率均无明显变化时，则认为电流信号已处于稳定状态，即

式中：0<ε3≪ε2，为稳态电流判定的能量阈值；N2∈N，为ΔPn<ε3连续成立的周期数阈值。

由于稳态电流的基波相角由测量时电压的起始相位决定，保证在同一个起始相角的电压下测量稳态电流，就能满足电流叠加性［14］。因此，当判断电流处于稳态后，检测相应电压的过零点即可进行波形提取。事件Ar发生前的稳态电流Is，r-1对应的电压 为Us，r-1，当Us，r-1的 采 样 点j 所 对 应 的 值Us，r-1，j满足式（12）时，则认为该点为事件Ar发生前的稳态电压波形Us，r-1的电压过零点。

式中：j 为呈上升趋势的电压过零点对应的采样点序号。从过零点所对应的时刻开始，截取一个周期即可提取事件Ar发生前的稳态电流Is，r-1。

同理，利用上述方法检测事件Ar发生后的稳态电压波形Us，r的电压过零点，然后提取稳态周期电流Is，r。根据电流叠加原理，利用式（13）得到Ar的事件电流波形Iυ，r以及相应的电压波形Uυ，r。

2.2 事件解析与负荷辨识方法

事件波形独立提取后，需解析波形对应的实际负荷操作类型。本文将一个独立工业用户中每个负荷的投切作为解释空间Ω；将提取的事件波形作为样本空间，记作集合V；将样本空间V 与解释空间Ω进行匹配，实现负荷辨识。

2.2.1 特征空间构建方法

由于不同的用户生产工艺不同，在每个工业用户边缘形成独立的解释空间Ω。提取的事件波形构成样本空间V，转化为类别判定问题与Ω 进行匹配。波形本身不适合进行分类判别，因此，先将波形样本空间转化为结构化的特征空间。

将用户直接记录的现场数据以及根据事件波形进行简单推理易获取的数据作为先验数据集合D，包括：主要负荷类型，例如烧结机等；设备的铭牌电气参数，例如额定功率、开断电流等；生产流程，例如烧结工艺流程等；生产过程中的投切次数、日志记录等；易由事件波形进行推理获取的参数，例如电压畸变率等。依据集合D 容易直观地形成可描述解释空间的特征数据集合D1，D1中的元素应保证可从事件波形中提取。从集合D 到D1没有进行模型化的量化筛选，仅根据与解释空间的先验对应关系，通过对先验数据集元素的直接选取与条理化，形成对解释空间的直观性特征描述。根据钢铁工业的负荷情况，将电压均值Um、电流均值Im、有功功率均值Pm、无功功率均值Qm、电压畸变率Tu、电流畸变率Ti、功率因数PF、电流波形谐波幅值Hf、日投切次数Day、月投切次数Mon等作为D1的元素D1，q，即

式中：L1为元素D1，q的总数。

在D1的基础上进行模型化的特征选择，以形成对样本空间V 有效的结构化特征描述。一方面有效地体现样本空间信息，另一方面避免特征维数灾难问题，从而构建类别判定赖以进行的特征空间X。X 应保证事件解析时类别判定的有效性，因此所选择的特征应保证对解释空间具有良好的可分性。

解释空间的元素ωm代表不同的类别，即各种负荷的操作类型，ωm由特征空间的L 维特征来描述，为L 维向量，0

ωm之间可分性的优劣可通过类间散布矩阵来量化判断，所选择的特征使类间离散度越大越好。解释空间所有类别的类间散布矩阵可表示为：

式中：p(ωm)为ωm发生的概率；dωm为ωm的样本均值向量；dω0为所有ωm（共有c 类）的总体均值向量，可表示为

类间离散度越大则可分性越好，因此推导出散布矩阵准则可采用如下形式。

式中：散布矩阵Sb的值与L 的取值和所选取的特征分量D1，q有关；λj为矩阵Sb的第j 个特征值。

对L 及D1中的特征分量进行寻优选取，使J 最大的子集作为选择的特征，从而形成特征空间X。本文中分析的钢铁工业用户的特征空间如式（19）所示，其中L 为6。

在实际中，由于不同特征的量纲不同且数值范围相差大，因此对特征进行均值-标准差归一化处理，如式（20）所示。

式中：μ 和δ 分别为特征的均值及标准差；x 和x*分别为特征归一化前、后的取值。

2.2.2 基于映射关系的事件解析方法

在形成解释空间Ω 与特征空间X 后，建立映射规则实现类别的判定，即事件解析。当X 形成后，可依据集合D 中的先验数据形成Ω 中各类别在X 表征下的标准化特征集合Ω0，即

式 中：ω0，m为ωm在X 描 述 下 对 应 的 标 准 化 特 征 向量，在本文的特征空间下，如式（22）所示。

其中，ω0，m中各元素 值均为根据集合D 得到的该类负荷的标准参考特征数据。

工业用户的事件样本较少，当提取到事件Ar的波形后，需要将该波形转化为相应的特征数据Xr，然后通过与各类别ω0，m的相似程度实现类别判定，如式（23）所示。

特征数据Xr与ω0，m中距离最近的类别即判定为该事件的类别ωκ，从而实现事件解析与辨识。

在实际中，应逐步动态优化特征空间与标准化数据，获取事件的群体特性。对于工业用户，在较长时间周期内积累一定数据样本后应进行整体的事件分析，进一步进行分类判定。由于缺少先验样本，采用数据驱动的无监督聚类分析，按照不同对象之间的差异，根据距离函数的规律进行类别判定。

设一段时间内提取了W 个事件，可记作Ar=[ A1，A2，…，AW]，每 个 事 件 均 由 特 征 空 间 相 应 的L 维 特 征 描 述，Xr=[ xr，1，xr，2，…，xr，L]T，其 中r=1，2，…，W，所有事件的特征向量可形成L×W 样本矩阵XA=[ X1，X2，…，XW]，从X1到XW中随机选取 kc个样本作为簇中心，记作矩阵 e=[e1，e2，…，ekc]，从而计算样本Xr到各簇中心的距离。样本Xr到第i 个簇中心的距离和聚类过程如附录A式（A1）所示。根据聚类结果，聚在同一类的事件波形代表一种负荷在这段时间内的状态变化，求该类别的均值利用式（A1）获取对应的操作类型。将整体的分类与单个事件的处理结果进行比较，若出现不一致的情况，则需要进行特征空间的调整。

基于用户边缘侧事件解析的工业电力负荷NILM 感知辨识的算法流程如附录A 图A1 所示。

3 实验验证与分析

本文对一个钢铁厂（采用35 kV 降压变电站，以10 kV 电缆为各车间供电）进行实验分析。根据附录B 图B1 所示的采集装置在钢铁厂烧结车间10 kV低压侧电表处进行20 d 的数据采集，其中高压侧与低压侧电表的变比为35 kV∶100 V/800 A∶5 A，低压侧电表与数据采集装置的变比为100 V∶6 V/5 A∶0.005 A，采样频率为5 kHz。由于三相电压、电流一致，所以仅针对其中一相进行负荷分离与辨识。

3.1 事件检测与波形提取效果验证

利用本文算法对钢铁厂投切事件进行检测。经过对大量采集数据进行分析，判定稳态电流发生阶跃变化的能量阈值取为各负荷中最小的额定功率值，即ε1=15 kW，发生缓变的能量阈值ε2=1 kW。缓变事件大多持续时间为10～30 s。根据采样频率和每周期采样点数，计算周期数阈值N1=500。附录B 图B2 为采集数据经过采集装置到高压侧2 次变比后的总电流波形中的突变事件和缓变事件，2 次突变事件间隔约为3 s，缓变事件持续时间约为15 s。图3 为提取的事件波形，根据负荷投切特性，图3（a）中判定为工作电流为100 A、电压为800 V、功率为80 kW 的负荷投入运行，图3（b）中判定工作电流为540 A、电压为800 V、功率为432 kW 的缓变型负荷投入运行。

图3 事件检测与稳态波形提取Fig.3 Event detection and extraction of steady-state waveform

为验证本文事件检测算法的性能，与已有的针对工业用户的事件检测方法进行对比。已有算法考虑工业负荷启动缓慢、暂态过程较长等特性，采用滑动窗累积（CUCUM）进行事件检测。利用上述方法对 本 文 烧 结 车 间2019 年12 月8 日00：56 至2019 年12 月18 日23：33 共10 d 内采集的总电流进行事件检测。为了评估算法的有效性，采用综合评价指标FI-measure 衡量事件检测准确度，计算公式见附录B 式（B1）。

从附录B 表B1 可以看出，本文事件检测算法精度、召回率与FI-measure 值均高于对比算法。基于CUCUM 的事件检测算法对于特定类型的工业用户的准确率较高，但是没有考虑工业负荷的投切特性，事件检测会出现错误。另外，钢铁工业负荷单体容量大且大多为冲击性负荷，在设备正常运行时，功率会出现小幅波动的情况，例如轧钢机等波动强烈的负荷和水泵、传送带等频繁波动的负荷。因此，基于CUCUM 的事件检测算法的准确率会明显下降。

3.2 事件解析与负荷辨识效果验证

3.2.1 特征空间构建效果验证

工艺流程可参考现场数据，以烧结工艺［24］为例。烧结工艺主要的负荷有：主抽风机、一次混合机、二次混合机、脱硫机，为10 kV 供电；烧结机、助燃风机、单辊、环冷风机，为下级供电，由高压配电室380 V 供电。以上作为现场先验参考数据集合D 中的元素。

将烧结车间内每个负荷的投切作为解释空间Ω的元素，根据直接记录的现场先验数据集合D 形成可描述Ω 的先验特征数据集合D1，其中包括的主要用电设备有高压风机(S1)、主抽风机(S2)、机尾除尘风机(S3)、一次混合机(S4)、二次混合机(S5)、1 号高压水泵(S6)、2 号高压水泵(S7)、脱硫机(S8)、烧结机(S9)、1 号 助 燃 风 机(S10)、2 号 助 燃 风 机(S11)、单 辊(S12)、1 号环冷风机(S13)、2 号环冷风机(S14)、皮带机(S15)。D1特征集合选取为易从波形中提取的Um，Im，Pm，Qm，Tu，Ti，PF，Hf，Day，Mon等 特 征，见 附 录B表B2。

不同特征对负荷的类别判定效果不同，因此对特征进行选择。根据式（18）计算D1内特征子集的离散程度，如附录B 图B3 所示，图中y 轴为从D1内10 种特征中分别选取1～9 种特征作为特征子集，通过J 值对特征子集进行寻优计算。当特征子集内的特征为Im，Pm，Qm，PF，Ti，Hf时，J 值最大为35.270 6，此时可分性最好，则特征空间记作 X ={ Im，Pm，Qm，PF，Ti，Hf}。

3.2.2 事件解析效果验证

为了验证事件解析与负荷辨识的整体效果，利用本文算法对钢铁厂烧结车间2019 年12 月8 日00：56 至2019 年12 月10 日23：26 这3 d 内采集的总电流进行事件检测。附录B 图B4 为利用事件检测和波形提取算法得到的低压电表处的稳态电流和电压波形，由于生产中不会有负荷的频繁投切，3 d 内的投切事件共12 次。

特征空间X 形成后，依据集合D 中的先验数据形成解释空间Ω 中各类别在X 表征下的标准化特征集合Ω0，如表1 所示。对事件波形进行特征选取，如表2 所示，其中各特征值为经过变比后的高压侧负荷实际参数值。

根据式（23）对每个事件波形与Ω0内各负荷进行距离计算，距离最近的负荷判定为各事件波形的类别，即为引发此事件的实际负荷操作。整体计算结果如附录B 表B3 所示，其中标蓝单元格代表与此事件波形最相似的负荷类型，即为其辨识结果，其平均辨识误差为0.475%。本文利用平均绝对百分比误差（MAPE）对3 d 内12 个事件的辨识结果进行评价，计算公式见式（B2）。由表B3 可知，12 个事件解析辨识的MAPE 值均小于0.6，MAPE 值越小说明事件波形特征值与辨识的负荷标准化特征值之间的误差越小，辨识效果越好。图4 为12 个事件波形的电流、功率值与辨识的负荷标准化特征的对比，说明本文所提方法的辨识结果具有较好的准确性。

表1 标准化特征集合Ω0Table 1 Standardized feature set Ω0

表2 事件波形特征集合Table 2 Feature set of event waveform

图4 辨识效果验证Fig.4 Verification of identification effect

对提取的12 个事件波形基于X 内特征归一化后进行群体聚类，按各事件发生的先后次序分为类别1 至类别8。聚类结果如图5 所示，判别在同一类别中的事件为同一类负荷在3 d 内的状态改变次数。将聚类结果与Ω0进行相似程度判断，结合先验数据集合D，判断结果如附录C 所示。群体聚类的负荷种类判定结果与单个事件波形辨识结果一致，进一步验证了特征空间的可分性和本文所提方法的有效性。

图5 聚类结果Fig.5 Clustering results

考虑到工业负荷的运行特点及操作习惯，现有的对居民负荷的研究不适合直接用于工业负荷。文献［18］基于事件U-I 轨迹特征对居民负荷进行辨识，文献［25］对提取的事件电流波形进行频域滤波，对频率分量进行量化判决实现居民负荷辨识。本文将3.2.2 节中12 个事件的电流、电压波形提取得到其U-I 轨迹和频谱特征，如附录C 图C1 和图C2所示。利用文献［18，25］方法对工业负荷进行辨识，辨识结果分别如附录C 表C1 和表C2 所示，其中标红单元格为错误辨识。工业负荷在正常运行时，电流和电压波形多为正弦波，U-I 轨迹、电流频谱呈现相似性，所含有的负荷特征信息不足以区分不同负荷之间的差异，对于一部分事件的辨识结果错误，准确率较低。因此基于U-I 轨迹或电流频谱特征的辨识方法不适合直接应用于工业用户。本文在工业用户边缘侧构建解释空间与特征空间，通过相似程度判断实现事件解析，在负荷辨识错误时，调整特征空间内的元素以达到对解释空间的可分性最好。

4 结语

针对工业负荷的用电感知问题，本文研究了一种基于事件波形解析的NILM 感知辨识方法。通过钢铁厂用户的实测结果表明，该方法有效地将负荷操作引起的事件波形从总信号中提取和分离并实现其解析辨识。通过群体事件的聚类结果进一步验证了特征空间的可分性与本文所提方法的有效性。与现有的算法相比，本文所提方法的事件检测准确度与负荷辨识精度较高，适用于工业负荷用电监测。本文考虑了不同行业和不同工艺的负荷特性差别较大，将事件解析下沉至独立用户边缘，可作为一种通用的处理流程。

工业生产中为保证产品质量和任务量需求，实际操作中会进行负荷状态的调整，如电动机速度的改变。进一步的工作是细化、完善事件检测算法，以实现工业生产各流水信息的全面感知。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。