刘仲民，侯坤福，高敬更，王治国

(1. 兰州理工大学电气工程与信息工程学院，兰州市 730050；2. 国网甘肃省电力公司营销服务中心，兰州市 730300)

0 引 言

非侵入式负荷监测技术(non-intrusive load monitoring，NILM)也称为负荷分解(load disaggregation)，可将用户总负荷信息分解为各用电设备信息[1]。通过分析用电设备能耗情况与用户用电规律等用电信息，可为用户提供用能状况分析、用能方案优化等多种服务，从而实现用户内部用能行为的间接管理，对提高用能效率、节省电能资源具有重要的意义[2]。此外，利用非侵入式负荷分解技术得到的用户用电信息对于精细配电工作[3]、分时电价服务[4]、异常用电行为监测[5]等任务具有一定的数据参考价值。

非侵入式负荷分解由G. W. Hart教授在20世纪80年代提出[6]。主流方法是利用隐马尔可夫模型进行研究[7-9]，该类方法包括模型学习和解码2个阶段，在学习阶段根据训练数据估计模型参数，使得在该模型下观测序列概率最大；解码阶段根据已估计得到的模型及输入的观测序列，求取给定观测序列条件概率最大的状态序列。由于设备数量及各设备状态数目的不断增加，模型所须处理的状态数量及运算量呈指数级增加，因此模型计算复杂度大大增加[10]。近年的研究表明，非侵入式负荷分解问题又可以看做是单通道盲源分离问题，为此英国学者Kelly在2015年首次将神经网络模型用于解决非侵入式负荷分解问题[11]。该模型将输入序列(主表功率序列)通过神经网络强大的非线性映射学习能力映射到输出序列(设备功率序列)，取得了较高的负荷分解精度。……