易灵芝，黄其森，刘文翰，赵 健，陈 章，罗显光

（1.湘潭大学自动化与电子信息学院&湖南省多能源协同控制技术工程研究中心，湘潭 411105；2.湖南省风电装备与能源变换2011协同创新中心，湘潭 411101；3.大功率交流传动电力机车系统集成国家重点实验室，株洲 412001）

智能用电是坚强智能电网的关键环节之一，是互动服务体系的核心内容[1]。非侵入式负荷监测[2]NILM（non-intrusive load monitoring）是电力需求侧管理的关键技术之一。该技术可以通过在电力用户的用电入口处统一安装计量仪表和采样装置来实时获得负荷设备的用电情况，从而识别出家庭中每个电器设备的类型和工作状态。对于普通居民来说，在线的NILM可以为基础用户合理规划用电，更改习惯以降低电费，减少不必要的电力消耗。对于电网公司而言，通过NILM可以帮助电网公司对负荷的种类、工作特性及功率等信息进行分析，从而更科学的制定动态电价和电力决策[3]。作为NILM的核心，国内外学者对负荷辨识方法做了很多研究[4-6]。基于监督学习的负荷辨识相关的算法诸多，文献[7]采用卷积神经网络模型进行非侵入式负荷特征提取，能够有效地进行负荷辨识，但对具有相似功率的线性负荷波形，会影响负荷辨识的准确度。文献[8]使用快速傅里叶变换FFT（fast Fouri⁃er transform）提取稳态电流低奇数次谐波的幅值和相位，使用bagging决策树BDT（Bagging decision tree）进行分类，在公开数据集PLAID上进行测试，准确度和H-mean值分别为92.8%和82.48%。基于非监督学习的负荷识别不需要家用电器负载的标签数据，提高了实际应用性，文献[9]提出了一种用于非侵入式监测的非监督训练方法，不需要收集各个用电训练数据和对用电设备贴标签，但仅可以使用少量设备中的数据来构建学习模型，识别准确度的浮动范围较广。……