滕红丽，贾树恒，王灏，王雅倩，周东国，胡文山，袁超

(1.河南农业大学理学院，河南 郑州 450002；2.武汉大学电气与自动化学院，湖北 武汉 430072)

负荷监测作为高级测量体系(Advanced Metering Infrastructure，AMI)最重要的组成部分[1]，是实现智能电网的关键技术之一。其中，非侵入式负荷监测(Non-intrusive load monitoring，NILM)[2]以软算法代替硬测量，具有经济适用、易推广等优点，逐步取代了侵入式测量，成为新的研究热点。NILM仅利用电力入口处的单一测量装置即可有效获取负荷电气信息，结合软件算法有针对性地分析、管理用户用电行为，从而实现需求侧精细化管理和智能用电双向信息流交互[3-4]。

目前，负荷识别及分类方法以模式识别[5]为主，主要通过学习负荷印记(Load Signatures，LS)实现负荷分类，例如支持向量机、K最邻近算法、神经网络等，国内外相关研究众多。FIGUEIREDO等[6]提取负荷电流和电压的峰值、均方根以及功率因子等特征作为负荷印记标记电气设备。LIN等[7]结合Fuzzy、C-Means和模糊分类方法，能够较好地处理负荷特征相似问题，其性能优于BP(Back Propagation)神经网络；WANG等[8]提取V-I轨迹曲线，通过支持向量机多分类算法实现负荷辨识；DU等[9-10]深入研究了负荷V-I轨迹特征，并通过多种设备证明V-I轨迹图像作为负荷分类特征的优势以及卷积神经网络(Convolutional Neural Networks，CNN)对图像的分类效果；HONG等[11]利用傅里叶变换(Fast Fourier Transform，FFT)获得电流、电压、有功功率、无功功率等4种负荷印记，构成7种组合特征，研究发现4种负荷印记组合时能获得最高精度。HE等[12]采用双层特征提取框架融合不同负荷特征的优势，具备较强的可扩展性。KELLY[13]采用3种深度学习神经网络架构，在负荷分解方面取得良好的分类效果。……