傅军栋，耿 余，赵 颖，刘 珺

（华东交通大学电气与自动化工程学院，江西 南昌 330013）

非侵入式负荷监测（non-intrusive load monitoring，NILM）早在20 世纪80 年代就已经提出。 近年来，如何科学用电、引导用户侧提高用电效率引起了诸多关注[1]。 所谓的非侵入式就是在用户入口处采集用户总负荷的能耗等用电信息，通过一定的方法分解识别出末端的各个设备[2]。 此方式较侵入式监测投入小，实用性强。 成熟的非侵入式负荷监测模型将会对包括智能电表等用户侧设备的革新带来新的方向，同时也可以优化故障检测及定位、节能等研究内容，具有很大的实用价值。

国内外对于NILM 的研究一直持续着，孙毅[3]将总谐波失真系数作为负荷新特征引入目标函数， 采用基于动态粒子群自适应算法的非侵入式负荷分解方法对实测用电数据进行负荷分解，但是两个方法都采用仿真所得数据，过于理想化，实用价值不高。刘兴杰[4]提出一种基于改进鸡群算法的负荷监测方法， 综合考虑稳态谐波电流和功率特征的正态分布度量函数。 对于变功率负荷，两种方法的识别能力较差。Racines[5]采用两个独立的神经网络模型，分别对事件和负载状态进行识别，但是模型之间的联系不够紧密，导致识别率不高。 牟魁翌[6]提出了一种基于分段线性近似及高斯动态弯曲核支持向量机的非侵入式负荷监测方法。Wang[7]提出一种基于V-I 轨迹特征支持向量机的多分类算法进行负荷识别。 两个模型的识别精度都有所提高， 但基于支持向量机模型的算法对于相似负荷的识别无法达到预期效果。……