朱炜昕，王亚刚

（上海理工大学 光电信息与计算机工程学院，上海 200093）

引 言

随着全球变暖，世界各国越来越重视能源大量消耗对环境带来的负面影响。在2008年全球气候峰会上，多国政府承诺逐步降低碳排放量，并推动能源效率提升。在用电方面，实时采集电器能耗信息有助于用户和电厂合理安排用电时间，从而提高用电效率[1]。采集电器能耗信息的方法通常分为侵入式负载监测和非侵入式负载监测两大类方法，其中：侵入式负载监测方法是对每个电器安装独立分电表来获取其能耗信息，而非侵入式负载监测方法是从总电表数据提取电路中每个电器能耗信息[2]。虽然侵入式负载监测在测量单个电器信息的准确度上有优势，但由于经济成本和可行性等因素，非侵入式负载监测成为更受欢迎的方法[3-4]。非侵入式负载监测的分解问题最先由Hart提出，主要围绕聚类算法进行分解[5]，随后出现了组合优化[6]、稀疏编码[7-8]，隐马尔可夫模型[9-10]、动态时间规整[11]，特征库匹配[12]、深度神经网络[13-17]等方法。

非侵入式负载监测（NILM）一般用于电器分类、状态辨别、能耗分解等任务，其步骤一般分为数据采集、特征提取、信号分离等步骤。数据采集有高低频之分，一般高频可以达到100 MHz，低频则低于1 kHz。特征提取包括电器自身运行时的瞬时特征和稳态特征，比如电流、有功功率、无功功率等[4]。为了能够有效量化和比较各个算法的效果，分析算法的有效性和通用性，REDD[18]、UK-DALE[19]等公开的数据集提供了不同天数的多种家用电器的用电数据。……