陈春玲 夏 旻 王 珂 曹 辉

1(南京信息工程大学江苏省大数据分析技术重点实验室 江苏 南京 210000)

2(中国电力科学研究院 江苏 南京 210000)

0 引 言

负荷分解是实现智能电网[1]的一项关键技术。传统负荷监控一般采用侵入式方法，获得的数据准确可靠、噪声小，但实施难度大，用户接受度低[2-3]。而非侵入式方法能为电网及用户提供即时的用电信息，对电力供给方实现更精细需求侧响应及电力用户了解自身电能消费，降低用电成本有重要意义。

非侵入式负荷监测(Non-Intrusive Load Monitoring，NILM)概念最早由Hart提出，即将总用电功率分解为各电器消耗功率。Hart的方法主要是通过提取稳态特征进行功率分解，但提取负荷特征[4]量少，分解误差大。因此后期的研究主要利用增加负荷特征数量进行NILM实验。

基于组合优化算法[5]的NILM通过寻找聚类[6]得到的各个状态功率消耗组合与总功率间的最小误差确定各电器功耗值，Kim等[7]用多因子隐马尔可夫算法[8]将功率分解问题转化为编码解码问题。以上两种算法对电器开关状态判断有一定作用，但不能准确将总功率数据分解为电器连续值。Kolter等[9]使用了稀疏编码算法学习各电器功率消耗，并用该算法预测各种电器的功率消耗。相比于多因子隐马尔可夫算法，Batra等[10]通过K近邻回归算法实现了更精确的NILM，但当各电器间功率消耗差异较大时，该算法无法做到准确分解。

近年来深度学习在NILM应用受到很多研究者关注。与数学优化不同，它能自动提取特征，进行端到端的训练，分解效率更高。……