王曉換，李如意，周東國，周 洪，胡文山

(1.河南許繼儀表有限公司，河南 許昌 461000；2.武漢大學動力與機械學院，湖北 武漢 430072)

基于決策融合的非侵入式電力負荷辨識方法及應用

王曉換1，李如意1，周東國2，周 洪2，胡文山2

(1.河南許繼儀表有限公司，河南 許昌 461000；2.武漢大學動力與機械學院，湖北 武漢 430072)

在非侵入式負荷分解與辨識中，單獨一種算法的辨識決策方法容易受算法自身的局限性以及電網(wǎng)對用電設備而降低辨識精度，使得不能準確獲得用電設備投切情況。為此，基于多種不同算法得到的分解與辨識結果，提出了一種非侵入式電力負荷分解與辨識決策融合方法。首先，提取每個用電設備平穩(wěn)狀態(tài)下的負荷特征，并采用3種常用的模式識別方法進行分解與辨識。然后將得到的辨識結果，進一步采用一種加權方法對投切結果進行決策。最后采用案例分析，對決策融合方法進行了合理驗證。結果證明，辨識決策方法可以有效地提高設備辨識的準確性。

辨識決策；非侵入式；負荷分解；節(jié)能；負荷監(jiān)測

0 引言

在能源消費比重中，電能是整個社會生產和生活中重要的能源消費形式。為此，倡導節(jié)能減排是當前開展節(jié)能工作的基礎[1]。有研究表明，在引入用電信息反饋的情況下，居民負荷側會有較大的節(jié)能潛力。然而，傳統(tǒng)用戶家庭的負荷檢測通常是基于侵入式的方式開展，這一方面增加了用戶的投入成本，即購買大量的傳感器；另一方面，面對新增電器，進一步限制了監(jiān)測系統(tǒng)的拓展性，使得用戶滿意度較差。相比于侵入式電力負荷分解而言，非侵入式的電力負荷分解與辨識是直接提取用戶電力入口處的電流、電壓信息，采用辨識算法對用電設備的投切情況進行管理，從而可避免過多地安裝在用電設備端的傳感器，同時也有助于電力公司對用戶負荷的了解[2-5]，從而合理安排用電設備的使用時間或甩負荷的方式，調節(jié)峰谷差，降低網(wǎng)損，達到節(jié)能降耗并提升用戶節(jié)電意識，無論是對電力公司、對用戶，還是對全社會，都將具有重要的意義[6-10]。

至今為止，國內外科研工作者針對用戶電力負荷檢測，展開了大量的研究。Hart[11]最早提出了非侵入式負荷分解的思想及框架，通過監(jiān)測在負荷入口處的穩(wěn)態(tài)功率變化來實現(xiàn)負荷分解。Rebecca 等[12]人通過對同一類型的電力設備的暫態(tài)特性及狀態(tài)進行觀測，測試結果表明同一類型負荷的非線性曲線圖非常相似，并用它們的瞬態(tài)啟動特征來辨別它們。Suzuki等[13]人用整數(shù)規(guī)劃的方法來對家庭電力設備進行分解。Farinaccio 和Zmeureanu[14]利用模式識別方法將家庭整體的電力消耗分解到主要的終端用戶設備。Prudenzi[15]提出了一種神經網(wǎng)絡方法用于識別家庭電氣設備的電力簽名。Drenker[16]開發(fā)了一種可以建立各種設備穩(wěn)態(tài)信息的知識庫系統(tǒng)，然后通過跟蹤總電力負荷有功功率和無功功率的變化情況，采用聚類分析算法對各類用電設備進行辨識。為了提高識別精度，Lee[17]通過分析電力負荷的穩(wěn)態(tài)和暫態(tài)信息，同時采用多段分析的方法獲取更為詳細的用電信息。Laughman[18]采用傅立葉變換的方法對電力負荷的穩(wěn)態(tài)信息高階諧波進行了分析，從而實現(xiàn)設備的辨識。Oliver Parson[19]提出了一種基于通用設備類型的非侵入式負荷監(jiān)測方法，該方法通過通用設備模型和總的能量消耗數(shù)據(jù)，利用 EM算法建立單個設備的具體模型，并結合擴展的快速算法，將其應用于能量分解。JG Roos 等[20]人提出的非侵入式電力負荷監(jiān)測方法是將用電設備分為線性與非線性兩大類，然后對每一大類用電設備進行具體的劃分，但是如果存在著大量的非線性用電設備，就無法對用電設備進行有效的識別和劃分，進而提出應用多層神經網(wǎng)絡分析電力負荷的電流、功率和諧波特征，從而對用電設備進行有效的識別。Yang[21]提出了基于暫態(tài)功率特征的非侵入式電力負荷監(jiān)測方法，且對比了BP 神經網(wǎng)絡和學習向量量化神經網(wǎng)絡在負荷監(jiān)測中的效果，推薦使用學習向量量化神經網(wǎng)絡。Marchiori等[22]人用貝葉斯算法來檢測設備的最佳狀態(tài)。對于每個設備而言，都要訓練一個樸素貝葉斯分類器。相應地，一系列被訓練過的分類器用于從總負載測量值中辨識單個設備的狀態(tài)。黎鵬[23]提出一種基于電力負荷穩(wěn)態(tài)電壓、電流信息的非侵入式負荷分解方法。該方法只需每隔一段時間對由穩(wěn)態(tài)數(shù)據(jù)所形成的帶約束的不相容估計方程組進行最優(yōu)計算，便可實現(xiàn)負荷分解。

目前，這些算法的辨識精度歸納總結如表1所示。由于負荷辨識只考慮在用戶側電力入口處單點的負荷數(shù)據(jù)。通常，單獨一類的辨識決策方式并不能提供高精度辨識用電設備的情況，而如果將多類算法的辨識決策融合在一起對用電設備進行辨識，則必將在一定程度上提高辨識精度。因此，本文提出在辨識過程中，借助辨識算法之間的特性，對用電設備的辨識實施共同決策，從而最終確定辨識結果的方法，以提升辨識用電設備投切的準確性。

表1 分類算法的辨識精度Table 1 Precision of algorithms for load disaggregation

1 非侵入式電力負荷分解

1.1 非侵入式電力負荷分解的特點

非侵入式電力負荷分解是針對傳統(tǒng)的侵入式電力負荷分解而言[24], 傳統(tǒng)的侵入式負荷監(jiān)測系統(tǒng)對硬件要求比較高，需要在所要監(jiān)測的每一個用電負荷處額外安裝傳感器等硬件設備。而非侵入式的方法則不需要額外安裝傳感器到其所要監(jiān)測的負荷，直接在負荷側總線路上安裝一個檢測設備，這樣既可避免額外的安裝帶來的施工不便和成本增加，同時在不影響或者盡量小地影響被監(jiān)測對象的前提下，提取用戶側相關的信息。相比而言，采取非侵入式電力負荷分解具有如下特點：

第一、額外安裝的硬件少，組裝調試方便，容易維護，省人力物力；

第二、不破壞負荷側原有的架構，且不受新增電器設備的影響，易于拓展；

第三、不影響用戶日常生活，易于被用戶接受。

圖1給出了非侵入式電力負荷分解架構。在該架構中，非侵入式負荷分解裝置安裝在電能表之后和配電箱之前。這樣便對用戶家庭的設備使用不造成任何影響。

圖1 系統(tǒng)整體構架Fig. 1 Architecture of the system

1.2 非侵入式電力負荷分解實現(xiàn)方法

實現(xiàn)非侵入式電力負荷分解的實現(xiàn)方法有很多，現(xiàn)階段主要方法都基于如下特征：

(1) 利用穩(wěn)態(tài)電流諧波特征在線估計

該方法是基于用電負荷正常工作時穩(wěn)態(tài)電流(包含基波和諧波)具有一定統(tǒng)計規(guī)律性這一事實進行分解。研究表明，這種方法可有效地在線確定電力負荷中不同類型用電負荷的功率消耗比例，即將電力負荷按其主要用電設備類進行分解。

(2) 利用有功、無功功率作為特征進行在線負荷分解

該方法適用于功率特征明顯，容易區(qū)分的大功率電器，例如電熱器或者水泵，負荷分解算法可以較為容易地將用電設備投切狀態(tài)識別出來。但是對于具有相似功率特性的電器設備，只采用這種特征仍存在低辨識率等問題。雖然無功功率能將具有電感、電容設備與純電阻設備進行分離，但是因無功特征、有功特征容易受干擾影響。

為此，本文充分利用電流電壓信號，提取用電設備正常工作狀態(tài)下電流諧波特征以及有功功率特征，并采用多種算法共同辨識，提高辨識的可靠性。

2 非侵入式電力負荷分解與辨識決策

2.1 辨識方法

由于負荷辨識只考慮在用戶側電力入口處單點的負荷數(shù)據(jù)，單獨一類的辨識決策方式并不能提供高精度辨識用電設備的情況，而如果將多類決策融合在一起對用電設備進行辨識，則必將在一定程度上提高辨識精度。為此，在本文中，將引入三種辨識方法，并對結果進行決策融合以識別用電設備投切。

(1) 最優(yōu)化方法

最優(yōu)化方法是根據(jù)電流諧波及功率的疊加特性，通過優(yōu)化方法進行分割，其目標函數(shù)為：

式中：Imk表示入口處的總電流的第k個諧波分量；||.||表示L2范數(shù)。于是，負荷分解其本質上就是求解一組合理的a1,…,aN, 其中ai表示設備的投切(ai=1表示投入，ai=0表示關閉)，Pi為第i個設備工作時的功率，P為測得的當前功率。

(2) Bayes方法

負荷分解與辨識，除了采用最優(yōu)化目標函數(shù)方法外，還與模式識別密切相關。Bayes分類器，它是以貝葉斯理論為基礎的算法，起源于經驗性數(shù)據(jù)的學習。貝葉斯定理可表示為

在實際應用中，給定一個未知的樣本數(shù)據(jù)x(電流諧波特征)，若貝葉斯分類法將其分配給類Ci，則一定滿足

(3) HMM方法

在辨識方法中，隱馬爾科夫模型(HMM)因能對時間序列很好地建模，而在非侵入式電力負荷分解中，其本質上也是根據(jù)電流、電壓等時間序列，尋找并匹配用電設備投切情況。

在HMM模型中，通常是由一個五元組參數(shù)表示λ=(X,O, π,A,B)，這些參數(shù)定義如下：X表示一組狀態(tài)空間的集合，其中X={S1,S2,…,SN},N代表馬爾科夫模型的狀態(tài)數(shù)據(jù)，并用qt表示t時刻馬爾科夫鏈所處的狀態(tài)，qt∈X，T為觀測值序列的時間長度，狀態(tài)內部之間的聯(lián)系就是從一個狀態(tài)轉移到其他狀態(tài)；O代表一組觀測值序列的集合O={V1,V2, …,VM}，M是從每一個狀態(tài)可能輸出的不同的觀測值的數(shù)目，Ot表示在t時刻的觀測值序列，其中Ot∈{V1,V2,…,VM}；狀態(tài)轉移概率分布A={aij},aij=P{qt+1=Sj|qt=Si}，1≤i,j≤N，這里aij是從狀態(tài)i到狀態(tài)j的狀態(tài)轉移概率分布，即隨機序列在qt+1時刻所處的狀態(tài)為Sj的概率，只與它在t時刻的狀態(tài)Si有關，而與t時刻以前它所處狀態(tài)無關。

2.2 決策算法

由表1可知，單一辨識方法都具有一定的局限性，且很容易受某一因素影響而降低識別精度，這樣會造成對用電設備投切狀態(tài)的誤判，從而影響用戶側的用電體驗。

為此，本文提出采用多種算法判別的結果，進一步通過決策分析，從而將低性能的辨識能力的方法轉換為具有高性能的辨識能力的方法。

圖2給出了整個辨識決策的框圖。在該框圖中，用電設備特征包括諧波特征以及有功功率特征，負荷分解算法層采用上述的三種算法；隨后通過加權wi的方式進一步作出辨識決策。

在辨識決策過程中，權重wi將對最終的結果產生重要的影響。通常而言，每個算法所得到的用電設備的投切狀態(tài)有可能存在差異。然而，正是因為這些差異，才形成了不同的辨識精度。雖然表1給出了每類算法的辨識精度范圍，但是，不同的家庭用電設備，其辨識精度范圍仍需要進一步商榷。因此，在設計這些權重過程中，需要進一步考慮用電設備特征。

圖2 辨識決策框圖Fig. 2 Diagram of decision-making

假定用電設備的諧波特征為Fi，i=1, …,N，共N個設備特征。令當前捕獲到的特征為X，處于工作狀態(tài)的用電設備，其特征為Y：

在本文中，引入一個以正態(tài)分布形式的隸屬度函數(shù)，從而賦值給解權重w，度量辨識算法得到的結果與當前用電設備投切狀態(tài)的逼近程度，其表達式為

其中，σ為特征分布的標準差。由于本文中不同特征的標準差并不相同，諧波的標準差通常較小，而有功功率的標準差相對會大些，因此，為了避免這個問題，本文將權重設計為：

方便起見，這里令諧波的標準差0.1s=；有功功率標準差10s=；通常，當X與Y相當逼近的時候，取值最大；而遠離的時候，取值會瞬間減小，以此度量算法的有效性不失為一種方法。

3 樣例測試與結果分析

為了測試辨識決策算法的有效性，本文利用搭建好的硬件平臺對常用家電進行數(shù)據(jù)采集和辨識實驗，如圖3所示。

在實驗中，本文選擇了常用的電暖器、冰箱、電視機、空調、電飯煲、燒水壺和消毒柜共7種電器進行實驗，其功率特征如表2所示。

圖3 非侵入式負荷裝置樣機Fig. 3 Model of non-intrusive load monitoring device

表2 用電設備的功率Table 2 Power information of device

狀態(tài)1下的諧波特征如圖4所示。為了具體說明本文方法的有效性，表3和表4給出了單個算法容易辨識錯誤的兩個測試結果，實測功率分別是696.4 W和1 278.6 W。在表3中，當前工作的設備是空調和冰箱(狀態(tài)1)，由于最優(yōu)化方法搜尋的是同時滿足功率和諧波的最優(yōu)解，一般而言，因總入口電壓的波動，極易引起負荷分解不能同時滿足式(1)和式(2)情況，出現(xiàn)辨識錯誤。HMM因采用的是時間序列，但由于冰箱和消毒柜具有兩個狀態(tài)，因此在HMM辨識過程中，對多狀態(tài)的用電設備會有一定的辨識錯誤，得到的結果如表3所示。然而，Bayes方法因通過后驗概率最小來進行決策，相對而言，會在一定程度上保證辨識的準確性。最終，通過三種算法的決策融合，準確辨識了當前用電設備的工作情況。

圖4 用電設備諧波特征Fig. 4 Features of devices

表3 不同方法下測得的設備工作狀態(tài)Table 3 Working state of appliances under different algorithms

表4 不同方法下測得的設備工作狀態(tài)Table 4 Working state of appliances under different algorithms

為了進一步說明辨識決策，本文方法算法分析過程如下：

首先計算各個算法的權重。在第一次測試結果中，根據(jù)式(7)得到最優(yōu)化方法的權重w1=0.151 2；Bayes方法的權重w2=0.398 2；HMM方法的權重w3=0.151 2；相應地，第二次測試結果的權重各算法分別為w1=0.385 2，w3=0.528 6，w3=0.606 5。

然后，將權重歸一化。由于都辨識到冰箱在工作，因此其結果必然認為冰箱在工作。而針對空調，其決策結果f=w1×0+w2×1+w3×0=0.568 4>0.5，認為在工作；消毒柜的決策結果f=w1×1+w2×0+w3×1= 0.431 6<0.5，即認為不工作；電飯煲的決策結果f=w1×1+w2×0+w3×1=0.431 6<0.5，也認為不工作，得到本文方法的結果。

同理，可以計算得到第二次測試情況下，電暖器的測試結果f=1；消毒柜的測試結果f=0.601 1；電視機的測試結果f=0.253 4；冰箱的測試結果f=0.652 3，最終結果如表4所示，得到了真實一致的辨識結果，從而有效地避免了單一一種算法的局限性。同時可以避免偶然因素的影響，并提高了用電設備狀態(tài)識別精度。

4 結束語

本文提出了一種多決策融合的非侵入式電力負荷分解方法，將多個算法結合在一起，進行辨識決策。在辨識決策過程中，權重wi引入了以特征距離度量方式，并規(guī)定特征距離越近，其權重越大，從而可避免單類算法辨識的誤判以及電網(wǎng)電壓波動的一些干擾。實驗結果表明，本文方法能夠有效地提高辨識精度。然而，由于用電設備通常會存在多種狀態(tài)，準確辨識某種狀態(tài)仍然是一個值得研究的課題，例如表4所得的結果。在下一步中，我們將會深入展開多狀態(tài)設備的狀態(tài)辨識方法，更進一步提高用戶提供用電體驗。

[1] 劉文學, 梁軍, 贠志皓, 等. 考慮節(jié)能減排的多目標模糊機會約束動態(tài)經濟調度[J]. 電工技術學報, 2016, 31(1): 62-70. LIU Wenxue, LIANG Jun, YUN Zhihao, et al. Multiobjective fuzzy chance constrained dynamic economic dispatch considering energy saving and emission reduction[J]. Transactions of China Electrotechnical Society, 2016, 31(1): 62-70.

[2] 馬哲, 舒勤. 基于ESPRIT分解算法的短期電力負荷預測[J]. 電力系統(tǒng)保護與控制, 2015, 43(7): 90-96. MA Zhe, SHU Qin. Short term load forecasting based on ESPRIT integrated algorithm[J]. Power System Protection and Control, 2015, 43(7): 90-96.

[3] 李龍, 魏靖, 黎燦兵, 等. 基于人工神經網(wǎng)絡的負荷模型預測[J]. 電工技術學報, 2015, 30(8): 225-230. LI Long, WEI Jing, LI Canbing, et al. Prediction of load model based on artificial neural network[J]. Transactions of China Electrotechnical Society, 2015, 30(8): 225-230.

[4] 谷云東, 張素杰, 馮君淑. 大用戶電力負荷的多模型模糊綜合預測[J]. 電工技術學報, 2015, 30(23): 110-115. GU Yundong, ZHANG Sujie, FENG Junshu. Multi-model fuzzy synthetic forecasting of electric power loads for larger consumers[J]. Transactions of China Electrotechnical Society, 2015, 30(23): 110-115.

[5] 傅守強, 汪瑩, 劉素伊, 等. 基于市場的中長期電力消費需求預測[J]. 電網(wǎng)與清潔能源, 2015, 31(7): 74-80. FU Shouqiang, WANG Ying, LIU Suyi, et al. Forecasting medium and long term electricity requirement based on market[J]. Power System and Clean Energy, 2015, 31(7): 74-80.

[6] 楊定立, 昌健, 王莉芳, 等. 基于峰時負荷交易的有序用電機制研究[J]. 電網(wǎng)與清潔能源, 2015, 31(7): 33-36, 43. YANG Dingli, CHANG Jian, WANG Lifang, et al. Research on orderly-powering mechanism based on transaction of peak load[J]. Power System Protection and Control, 2015, 31(7): 33-36, 43.

[7] 潘愛強, 時珊珊, 董瑞安, 等. 微網(wǎng)電能質量特征及其監(jiān)測分析[J]. 高壓電器, 2015, 51(6): 133-138. PAN Aiqiang, SHI Shanshan, DONG Ruian, et al. Power quality characteristics and detection concerning in microgrid[J]. High Voltage Apparatus, 2015, 51(6): 133-138.

[8] 郭寧, 滕歡, 李基康. 考慮不同群體效益的微電網(wǎng)經濟調度模型研究[J]. 高壓電器, 2015, 51(10): 40-46. GUO Ning, TENG Huan, LI Jikang. Economic dispatching model research of microgrid concerning about different beneficiaries[J]. High Voltage Apparatus, 2015, 51(10): 40-46.

[9] 鄭小霞, 劉慶強, 林順富, 等. 面向非干預式負荷監(jiān)測的居民負荷微觀特性研究[J]. 電力系統(tǒng)保護與控制, 2014, 42(10): 62-70. ZHENG Xiaoxia, LIU Qingqiang, LIN Shunfu, et al. Research of the microscopic signatures of residential loads for NILM[J]. Power System Protection and Control, 2014, 42(10): 62-70.

[10] 馬斌, 張麗艷. 一種基于徑向基神經網(wǎng)絡的短期風電功率直接預測方法[J]. 電力系統(tǒng)保護與控制, 2015, 43(19): 78-82. MA Bin, ZHANG Liyan. Short-term wind power direct forecasting based on RBF neural network[J]. Power System Protection and Control, 2015, 43(19): 78-82.

[11] HART G W. Noninstrusive appliance load monitoring[J]. Proceedings of The IEEE, 1992, 80(12): 1870-1891.

[12] SAWYER R L, ANDERSON J M, FOULKS E L, et al. Creating low-cost energy-management systems for homes using non-Intrusive energy monitoring devices[C] // Proceedings on 2009 IEEE Energy Conversion Congress and Exposition in United States, Piscataway, September 20-24, 2009: 3239-3246.

[13] SUZUKI K, INAGAKI S, SUZUKI T, et al. Nonintrusive appliance load monitoring based on integer programming[J]. IEEJ Transactions on Power and Energy, 2008, 128(11): 1386-1392, 12.

[14] FARINACCIO L, ZMEUREANU R. Using a patternrecognition approach to disaggregate the total electricity consumption in a house into the major end-uses[J]. Energy and Buildings, 1999, 30(3): 245-259.

[15] PRUDENZI A. A neuron nets based procedure for identifying domestic appliances pattern-of-use from energy recordings at meter panel[C] // Proceedings of the IEEE Power Engineering Society Transmission and Distribution Conference in United states, New York, January 27-31, 2002: 941-946.

[16] DRENKER S, KADER A. Nonintrusive monitoring of electric loads[J]. IEEE Computer Applications in Power, 1999, 12(4): 47-51.

[17] LEEB S B, SHAW S R, KIRTLEY J L. Transient event detection in spectral envelope estimates for nonintrusive load monitoring[J]. IEEE Transactions on Power Delivery, 1995, 10(3): 1200-1210.

[18] LAUGHMAN C, LEE K, COX R, et al. Power signature analysis[J]. IEEE Power and Energy Magazine, 2003, 1(2): 56-63.

[19] PARSON O, GHOSH S, WEAL M, et al. Non-Intrusive load monitoring using prior models of general appliance types[C] // Proceedings of the National Conference on Artificial Intelligence in Canada, Toronto, 2012: 356-362.

[20] ROOS J G, LAN I E, BOTHA E C, et a1. Using neural networks for non-intrusive monitoring of industrial electrical loads[C] // Proceedings on Instrumentation and Measurement Technology Conference in Jpn, Hamamatsu, 1994: 1115-1118.

[21] YANG H T, CHANG H H, LIN C. Design a neural network for features selection in non-intrusive monitoring of industrial electrical loads[C] // Proceedings of the 2007 11thInternational Conference on Computer Supported Cooperative Work in Design in Australia, Melbourne, April 24-28, 2007: 1022-1027.

[22] MARCHIORI A, HAKKARINEN D, HAN Q, et al. Circuit-level load monitoring for household energy management[J]. IEEE Pervasive Computing, 2011, 10(1): 40-48.

[23] 黎鵬. 非侵入式電力負荷分解與監(jiān)測[D]. 天津: 天津大學, 2009. LI Peng. Non-intrusive method for power load disaggregation and monoitoring[D]. Tianjin: Tianjin University, 2009.

[24] 鮑偉, 高翔, 沈冰, 等. 智能變電站非侵入式測量技術研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(20): 125-129. BAO Wei, GAO Xiang, SHEN Bing, et al. Research method of "non-intruding test" for smart substation[J]. Power System Protection and Control, 2015, 43(20): 125-129.

(編輯 周金梅)

Non-intrusive power load disaggregation method based on decision fusion and its applications

WANG Xiaohuan1, LI Ruyi1, ZHOU Dongguo2, ZHOU Hong2, HU Wenshan2
(1. Henan Xuji Instrument Co., Ltd., Xuchang 461000, China; 2. School of Power and Mechanical Engineering, Wuhan University, Wuhan 430072, China)

In the non-intrusive load disaggregating, the result of one type of algorithms is often affected by the serious issues like voltage fluctuation and the limitations of recognition algorithms, which make it difficult to obtain high precision of load disaggregation. A decision fusion method is presented for non-intrusive load disaggregation, which is based on the results by using several types of algorithms. Firstly, in this method, the robust feature is extracted according to the information of current and power in the bus line. Then, three common recognition algorithms are used to recognize the state of device whether it works or not. The decision is then made according the results of those algorithms, thus obtaining the promising results. In the final part of the paper, a real case study is adopted to verify the decision fusion method. The results show that the proposed method provides better performance for identifying the open or close state of home loads than that of one type of the algorithm.

decision fusion; non-intrusive; load disaggregating; energy saving; load monitoring

10.7667/PSPC151970

2015-11-10；

2016-02-26

王曉換(1985-)，女，碩士，工程師，研究方向為電能儀表行業(yè)項目管理；E-mail: yongwu_ma@163.com

李如意(1965-)，男，碩士，高工，研究方向為機電控制及自動化；

周東國(1985-)，男，通信作者，博士，講師，研究方向為智能電網(wǎng)、模式識別。E-mail: dgzhou1985@whu.edu.cn

國家科技支撐計劃項目(2013BAA01B01)