基于監督學習的非侵入式負荷監測算法比較

涂 京，周 明，宋旭帆，周光東，李庚銀

(華北電力大學 新能源電力系統國家重點實驗室，北京 102206)

0 引言

智能電網發展帶來的優勢之一是電力用戶與電網的友好互動[1]，即用戶在價格或激勵機制下主動調整自身用電行為，實現削峰填谷、節能降耗，同時降低用戶用電開支。用戶負荷監測是了解用戶用電特性的主要方法，為分析用戶用電行為、調整用電方式提供依據和指導，是用戶參與電網雙向互動的支撐技術。因此，研究有效的負荷監測方法對了解用戶用電特性、開展智能用電、制定價格或激勵政策具有重要的指導意義。

Hart教授于1982年提出了非侵入式負荷監測NILM(Non-Intrusive Load Monitoring)方法[2]，通過監測用戶端口處的電氣信息，采用數學算法根據用戶總體用電功率分解得到各個用電設備的工作狀態，進而分析各個設備的用電情況。相比于侵入式監測，NILM的成本低、安裝維護簡單，同時具有較高的準確度，實用性強，適用于家庭負荷監測等低成本監測場景[3]，具有廣泛的應用前景。

家庭智能電表的普及使得NILM成為國內外智能用電研究的熱點之一。總體而言，NILM算法可以歸納為監督學習算法和無監督學習算法。監督學習算法的識別準確度較高，應用較廣，但用于模型訓練的數據集需要人工預先標記。無監督學習算法可以使用無標記數據，但識別準確度較低，目前在事件檢測和特征提取階段有較多應用。在監督學習算法的研究方面，文獻[4]應用了動態模糊C均值聚類和k-近鄰k-NN(k-Nearest Neighbor)識別算法對家庭負荷進行識別，能夠對低功率設備實現90%的識別準確率，效果較好；……