廖荣文，刘 刚，肖 刚

（1. 上海电力大学自动化工程学院，上海市 200090；2. 上海交通大学航空航天学院，上海市 200240）

0 引言

智能用电是智能电网的关键组成部分，能实现电网和用户的灵活互动［1］。负荷分解作为其重要的组成部分，可以为电力用户侧和供给侧政策的制定提供依据。通过了解每个家用电器的用电量，用户侧可以节省电费开支，供给侧则能提供更多的相关服务［2］。如何在较低的成本下准确分辨负荷种类并计算电能消耗，一直是负荷分解领域关注的主要问题。

近年来，基于深度学习的负荷分解方法受到越来越多的关注。文献［3-4］证明了设备中点元素的状态与中点前后的聚合电能信息相关；文献［5-7］通过同一时间点的聚合值估计特定时间点上设备的消耗，有时会对设备运行状态产生误判；文献［8］提出一种一维卷积堆叠长短时记忆循环神经网络（recurrent neural network，RNN）技术；文献［9］采用的电力特征由于依赖高频采样，所以采集设备成本较高；文献［10］基于电器的持续时间、使用时间和有功功率等非电力特征进行建模；文献［11-12］提出非传统特征与负荷分解目标值之间存在一定的相关性，但依赖于大量特征以及较多的数据。

针对以上问题，本文提出一种基于时间模糊化长短时记忆（time-fuzzified long short-term memory，TFLSTM）的非侵入式负荷分解方法，主要贡献有以下3 点：①算法的输入为有功功率，通过学习固定长度序列的映射关系来代替传统样本点的映射关系，并将数据集分割后进行单独训练，以此来提高算法准确率；……