周 曉 李永清 張有兵

(浙江工業(yè)大學(xué)信息工程學(xué)院 杭州 310023)

0 引 言

2019年7月22日中電聯(lián)行業(yè)發(fā)展與環(huán)境資源部發(fā)布了2019年1-6月全國(guó)電力工業(yè)統(tǒng)計(jì)數(shù)據(jù)一覽表，表中顯示城鄉(xiāng)居民生活用電量累計(jì)4 993億千瓦時(shí)，累計(jì)增長(zhǎng)9.6%，可見居民用戶是微電網(wǎng)的重要需求端。在積極響應(yīng)節(jié)能政策中電力需求側(cè)管理顯得至關(guān)重要，非侵入式負(fù)荷監(jiān)測(cè)是需求側(cè)管理的關(guān)鍵基礎(chǔ)技術(shù)[1]。通過對(duì)用戶用電數(shù)據(jù)的采集實(shí)現(xiàn)各類電力負(fù)荷的在線監(jiān)測(cè)，不僅有利于用戶及時(shí)了解自身的用電情況，為用戶節(jié)能提供數(shù)據(jù)支持，引導(dǎo)用戶采取節(jié)能措施，還有助于電網(wǎng)在需求側(cè)管理中，通過優(yōu)化電網(wǎng)的供電策略來達(dá)到節(jié)能目的[2]。

目前的負(fù)荷監(jiān)測(cè)技術(shù)主要包括侵入式和非侵入式2類。侵入式方法需要在每個(gè)電力負(fù)荷內(nèi)部安裝傳感器，此方法獲得的數(shù)據(jù)準(zhǔn)確，但會(huì)產(chǎn)生成本較大、維護(hù)不易等問題。非侵入式只需在電力入口端安裝傳感器來實(shí)時(shí)監(jiān)測(cè)和采集用戶負(fù)荷數(shù)據(jù)，通過負(fù)荷識(shí)別方法分析負(fù)荷的不同特征實(shí)現(xiàn)電力負(fù)荷的識(shí)別，從而實(shí)現(xiàn)將用戶的總用電信息細(xì)化到各類負(fù)荷上。非侵入式法成本低、安裝維修簡(jiǎn)單，因此該方法將成為電力負(fù)荷識(shí)別的重要發(fā)展方向[3]。

非侵入式負(fù)荷監(jiān)測(cè)在1992年由Hart[4]提出，其通過監(jiān)測(cè)電力入口端的總負(fù)荷穩(wěn)態(tài)功率來實(shí)現(xiàn)負(fù)荷識(shí)別，從而實(shí)現(xiàn)總用電信息的細(xì)化。近些年隨著人工智能技術(shù)的不斷發(fā)展，越來越多的學(xué)者將智能算法應(yīng)用到負(fù)荷識(shí)別中，并得到了較好的發(fā)展。文獻(xiàn)[5]采用反向傳播(back propagation, BP)神經(jīng)網(wǎng)絡(luò)對(duì)負(fù)荷進(jìn)行識(shí)別，極大地降低了計(jì)算復(fù)雜度。文獻(xiàn)[6]利用待識(shí)別負(fù)荷和模型庫之間的貼近匹配度來進(jìn)行負(fù)荷識(shí)別，在特征選擇中進(jìn)行預(yù)篩選和增加負(fù)荷局部特征來提高識(shí)別率。文獻(xiàn)[7]以電流高次諧波和功率特征構(gòu)建度量函數(shù)，采用粒子群算法對(duì)函數(shù)進(jìn)行尋優(yōu)求解，最終實(shí)現(xiàn)負(fù)荷識(shí)別。

上述研究大多選取穩(wěn)態(tài)功率或高次諧波作為負(fù)荷識(shí)別的特征，不能準(zhǔn)確地表征負(fù)荷特性，并且算法的運(yùn)行速度不理想，不能做到實(shí)時(shí)地負(fù)荷識(shí)別。為此，本文提出一種基于極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)的負(fù)荷識(shí)別方法。在特征選取上，統(tǒng)計(jì)分析了負(fù)荷所表現(xiàn)的特性，選取出能表征負(fù)荷暫態(tài)、穩(wěn)態(tài)特性的特征；在負(fù)荷投切事件檢測(cè)上，利用基于累積和(cumulative sum control chart，CUSUM)的事件檢測(cè)方法檢測(cè)出負(fù)荷投切事件；在負(fù)荷識(shí)別上，采用ELM模型，將特征參數(shù)作為輸入層，并非線性地映射到輸出層，得到合適的分類結(jié)果，從而有效地進(jìn)行負(fù)荷識(shí)別。

1 負(fù)荷特征分析及提取

1.1 負(fù)荷特性分析

負(fù)荷特性是指負(fù)荷在耗電時(shí)所攜帶的電氣特性[8]。為選取能表征負(fù)荷的特征，本文對(duì)瞬時(shí)負(fù)荷特性進(jìn)行分析，瞬時(shí)負(fù)荷特性包括投切瞬時(shí)負(fù)荷特性和穩(wěn)態(tài)瞬時(shí)負(fù)荷特性，投切瞬時(shí)負(fù)荷特性指負(fù)荷在開啟和關(guān)閉瞬間所表現(xiàn)的電氣特性，穩(wěn)態(tài)瞬時(shí)特性指負(fù)荷開啟進(jìn)入穩(wěn)定工作后所表現(xiàn)的電氣特性[9]。本文選取4種常見的實(shí)驗(yàn)室電力負(fù)荷，分別是功率為7 W的LED燈、功率為32 W的電風(fēng)扇、功率為1 800 W的電熱水壺、功率為23 W的液晶顯示器，在Matlab平臺(tái)上對(duì)測(cè)量到的負(fù)荷數(shù)據(jù)進(jìn)行特性分析，每種負(fù)荷瞬時(shí)電流如圖1所示，每種負(fù)荷瞬時(shí)有功功率如圖2所示，每種負(fù)荷瞬時(shí)無功功率如圖3所示。

從圖1可知，4種負(fù)荷的瞬時(shí)電流差別較大，負(fù)荷間電流穩(wěn)態(tài)瞬時(shí)值不同，負(fù)荷從開啟到進(jìn)入穩(wěn)態(tài)的時(shí)間不同，負(fù)荷間電流暫態(tài)瞬時(shí)波形平緩度不同。

圖1 負(fù)荷瞬時(shí)電流

圖2 負(fù)荷瞬時(shí)有功功率

圖3 負(fù)荷瞬時(shí)無功功率

從圖2可知，4種負(fù)荷的瞬時(shí)有功功率和瞬時(shí)電流波形基本一致，但是負(fù)荷間瞬時(shí)有功功率最大值互不相同。從圖3可知，4種負(fù)荷間瞬時(shí)無功功率脈沖值和瞬時(shí)無功功率最大值不同。由于不同負(fù)荷之間的物理性質(zhì)、內(nèi)部器件結(jié)構(gòu)不同，其負(fù)荷在投切時(shí)所表現(xiàn)的負(fù)荷特性一定存在差異，因此可以選取合適的特征來進(jìn)行負(fù)荷識(shí)別。

1.2 負(fù)荷特征提取

由上述4種負(fù)荷的特性分析，提取以下6個(gè)電氣特征為不同負(fù)荷的識(shí)別指標(biāo)。

(1) 電流最大值IMax

IMax=max(i(k)), 0≤k

(1)

式中，k為數(shù)據(jù)采樣點(diǎn)數(shù)，i(k)為瞬時(shí)電流值(本文的瞬時(shí)電流值都指瞬時(shí)電流有效值)。

(2) 有功功率最大值PMax

PMax=max(p(k)), 0≤k

(2)

式中，k為數(shù)據(jù)采樣點(diǎn)數(shù)，p(k)為瞬時(shí)有功功率值。

(3) 無功功率最大值QMax

QMax=max(q(k)), 0≤k

(3)

式中，k為數(shù)據(jù)采樣點(diǎn)數(shù)，q(k)為瞬時(shí)無功功率值。

(4) 無功功率脈沖含量MC

(4)

式中，QMax為無功功率最大值，Qstart為負(fù)荷開啟前的無功功率值，Qsteady為負(fù)荷開啟結(jié)束的無功功率穩(wěn)態(tài)值。

(5) 啟動(dòng)時(shí)間T

T=Tsteady-Tstart

(5)

式中，Tsteady為負(fù)荷開啟結(jié)束后進(jìn)入穩(wěn)態(tài)的第一個(gè)采樣點(diǎn)，Tstart為負(fù)荷開啟前的最后一個(gè)采樣點(diǎn)，利用第2節(jié)的負(fù)荷投切事件檢測(cè)算法檢測(cè)出負(fù)荷暫態(tài)過程，并提取出Tsteady和Tstart。T只是為負(fù)荷開啟前后的采樣點(diǎn)數(shù)差值，具有物理意義的采樣時(shí)間則需乘以采樣周期。

(6) 電流波形平緩度BD

(6)

式中，n為負(fù)荷開啟到穩(wěn)態(tài)工作的暫態(tài)過程采樣點(diǎn)數(shù)，i(k+1)-i(k)為相鄰采樣點(diǎn)數(shù)的電流瞬時(shí)值的差值，BD越小電流波形越平緩。

經(jīng)過實(shí)驗(yàn)提取，4種電力負(fù)荷對(duì)應(yīng)的6個(gè)特征參數(shù)值如表1所示。

表1 4種負(fù)荷6個(gè)特征參數(shù)值

從表1可看出，LED、電風(fēng)扇、電熱水壺和液晶屏幕4種不同負(fù)荷的特征值差別較大，這6種負(fù)荷特征表征了負(fù)荷的暫態(tài)和穩(wěn)態(tài)特性，為ELM模型進(jìn)行負(fù)荷識(shí)別提高了識(shí)別率。

2 負(fù)荷投切事件檢測(cè)

當(dāng)負(fù)荷投切引起電氣特性變化，快速準(zhǔn)確地檢測(cè)出投切事件是實(shí)現(xiàn)負(fù)荷識(shí)別的基礎(chǔ)。本文采用基于工業(yè)檢測(cè)CUSUM算法，能準(zhǔn)確發(fā)現(xiàn)負(fù)荷投切時(shí)刻，以此分離出負(fù)荷投切暫態(tài)過程。

CUSUM算法是序貫分析原理中的序貫概率比檢驗(yàn)方法，通過累積時(shí)間過程中樣本數(shù)據(jù)信息的小偏移，將小偏移放大達(dá)到臨界值時(shí)判定為發(fā)生變點(diǎn)事件[10，11]。本文中電力負(fù)荷投切類型是未知的，通過圖1可以看出負(fù)荷瞬時(shí)電流存在周期波動(dòng)，這使得獲取負(fù)荷瞬時(shí)電流信號(hào)的概率分布時(shí)變得較困難。為解決此問題，本文采用一種基于非參數(shù)化的雙邊CUSUM投切事件檢測(cè)算法，當(dāng)負(fù)荷投切引起瞬時(shí)電流變化時(shí)，通過統(tǒng)計(jì)瞬時(shí)電流變化值Gn，實(shí)現(xiàn)負(fù)荷投切的暫態(tài)過程檢測(cè)。

定義投切事件檢測(cè)算法：

(7)

本文投切事件檢測(cè)算法如下。

(1) 當(dāng)負(fù)荷監(jiān)測(cè)裝置開始工作，Gn初始化為0，依次記錄負(fù)荷瞬時(shí)電流值，電力負(fù)荷在投切前和投切完畢后都處于穩(wěn)態(tài)，統(tǒng)計(jì)量Gn的值在0附近無規(guī)律波動(dòng)。

3 負(fù)荷識(shí)別方法

3.1 ELM基本原理

ELM是由Huang等人[12，13]提出的一種人工神經(jīng)網(wǎng)絡(luò)模型，該模型是一種基于單隱層前饋神經(jīng)網(wǎng)絡(luò)(single hidden layer feedforward networks，SLFNs)的隨機(jī)化學(xué)習(xí)算法。相比傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，ELM學(xué)習(xí)過程可不需要調(diào)整隱藏層節(jié)點(diǎn)，即ELM隱藏層偏置和網(wǎng)絡(luò)輸出權(quán)重是隨機(jī)生成的，ELM網(wǎng)絡(luò)學(xué)習(xí)開始前僅需要設(shè)置一個(gè)隱藏層神經(jīng)元節(jié)點(diǎn)數(shù)，因此，相比其他需在學(xué)習(xí)中設(shè)置很多網(wǎng)絡(luò)參數(shù)的學(xué)習(xí)算法(如BP神經(jīng)網(wǎng)絡(luò)、 SVM)，ELM訓(xùn)練、分類和回歸速度要快得多且具有較強(qiáng)的泛化能力[14，15]。

假設(shè)由N個(gè)任意的訓(xùn)練樣本(xi,ti),i=1,…,N,其中xi=[xi1,…,xin]T∈Rn，ti=[ti1,…,tin]T∈Rn，n和m為別是網(wǎng)絡(luò)輸入層和輸出層神經(jīng)元節(jié)點(diǎn)數(shù)。對(duì)于一個(gè)由L層隱藏神經(jīng)元組成的單隱層神經(jīng)網(wǎng)絡(luò)模型可用下面的公式表示。

(8)

式中wi=[wi1,wi2,…,win]T為隨機(jī)生成的第i個(gè)隱藏層和輸入層間的權(quán)值向量，βi=[βi1,βi2,…,βin]T為隨機(jī)生成的第i個(gè)隱藏層和輸出層間的權(quán)值向量，bi為第i個(gè)隱藏單元的偏置，g(x)為激活函數(shù)，本文選取的是非線性的Sigmoid函數(shù)，它的數(shù)學(xué)形式如下：

(9)

ELM模型學(xué)習(xí)的目的是使得輸出以最小誤差逼近N個(gè)訓(xùn)練樣本，可以表示為

(10)

即存在wi，βi和bi，使得

(11)

式(11)用矩陣簡(jiǎn)化為

Hβ=T

(12)

式中，H為隱藏層節(jié)點(diǎn)的輸出矩陣，β為隱藏層和輸出層間的權(quán)值矩陣，T為期望輸出矩陣。

式(12)的具體形式如式(13)、(14)所示。

H(w1,…,wL,b1,…,bL,x1,…xL)

(13)

(14)

(15)

式(15)中i=1,2,…,L，這等價(jià)于最小化損失函數(shù)

(16)

在ELM算法中，隨機(jī)生成輸入權(quán)重wi和隱藏層偏置bi后隱藏層的輸出矩陣H就被唯一確定。因此ELM的訓(xùn)練可以轉(zhuǎn)化為求解一個(gè)線性系統(tǒng)Hβ=T，且可以求得輸出權(quán)重β為

(17)

3.2 ELM在負(fù)荷識(shí)別中的應(yīng)用

在利用ELM進(jìn)行電力負(fù)荷識(shí)別時(shí)，主要是建立從電力負(fù)荷樣本數(shù)據(jù)到電力負(fù)荷類型的映射關(guān)系，即建立第1節(jié)提取的6個(gè)負(fù)荷特征到4種電力負(fù)荷類型的函數(shù)映射。假設(shè)電力負(fù)荷特征樣本數(shù)的數(shù)據(jù)集為X={x|xi∈R,i=1,2,…,Q}，其對(duì)應(yīng)的電力負(fù)荷類型向量集為T={t|ti∈R,i=1,2,…,Q}，由此可構(gòu)建包含特征數(shù)據(jù)和負(fù)荷類型的數(shù)據(jù)集Ω，且Ω={X,T}={xi,ti}，在零誤差的情況下，根據(jù)ELM模型建立的電力負(fù)荷識(shí)別模型為

F:X→T,T=F(X)

(18)

在電力負(fù)荷識(shí)別的實(shí)際應(yīng)用中，假設(shè)經(jīng)過訓(xùn)練后模型輸出的負(fù)荷類型的狀態(tài)向量為Y，那么在基于數(shù)據(jù)集X的基礎(chǔ)上，應(yīng)用ELM建立的識(shí)別模型的映射關(guān)系為

F′:X→Y,Y=F′(X)

(19)

假設(shè)基于ELM的電力負(fù)荷識(shí)別誤差為ε，那么對(duì)于任意{xi∈X,i=1,2,…,Q}的負(fù)荷類型ti=F(xi)和yi=F′(xi)能滿足：

‖ti-yi‖≤ε

(20)

上式中，狀態(tài)向量T為識(shí)別模型的期望輸出結(jié)果，狀態(tài)向量Y為識(shí)別模型的實(shí)際輸出結(jié)果。如果ε設(shè)置成允許的誤差，那么在實(shí)際的電力負(fù)荷識(shí)別中所得到測(cè)試結(jié)果的誤差滿足要求。

根據(jù)上述對(duì)負(fù)荷特征和負(fù)荷類型間映射關(guān)系的分析，在建立基于ELM的電力負(fù)荷識(shí)別模型中，本文將4種電力負(fù)荷的標(biāo)簽和6個(gè)特征組合成模型的輸入樣本，并將4種電力負(fù)荷的標(biāo)簽作為模型的輸出結(jié)果。

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)所用的電腦配置是：處理器為Intel(R) Core i5-8250U@1.6 GHz，內(nèi)存為12 GB DDR4, Windows 10操作系統(tǒng)，平臺(tái)為Matlab R2017a。實(shí)驗(yàn)所用的數(shù)據(jù)集來自實(shí)驗(yàn)室自主設(shè)計(jì)的非侵入式負(fù)荷監(jiān)測(cè)裝置，裝置的數(shù)據(jù)采樣頻率為900 Hz，該數(shù)據(jù)集包含每種負(fù)荷6個(gè)特征。

4.1 投切事件檢測(cè)及負(fù)荷識(shí)別結(jié)果

為驗(yàn)證本文事件檢測(cè)算法的有效性，實(shí)驗(yàn)中依次打開LED燈和電風(fēng)扇。由于本文的事件檢測(cè)算法是利用負(fù)荷瞬時(shí)電流進(jìn)行判別的，所以本文提取負(fù)荷監(jiān)測(cè)裝置的瞬時(shí)電流數(shù)據(jù)進(jìn)行分析。實(shí)驗(yàn)負(fù)荷投切事件檢測(cè)結(jié)果如圖4所示。

圖4 負(fù)荷投切事件檢測(cè)

在圖4中，上圖為L(zhǎng)ED燈和電風(fēng)扇疊加運(yùn)行的瞬時(shí)電流波形，下圖為上圖的同一疊加波形經(jīng)過事件檢測(cè)算法提取出的2個(gè)負(fù)荷暫態(tài)過程。從圖中可以看出，本文的負(fù)荷投切事件檢測(cè)算法不僅適合單負(fù)荷投切檢測(cè)，還適合多負(fù)荷投切檢測(cè)。通過事件檢測(cè)算法檢測(cè)出負(fù)荷投切時(shí)刻，提取出負(fù)荷暫態(tài)過程，為負(fù)荷識(shí)別提供數(shù)據(jù)支持。

為驗(yàn)證本文負(fù)荷識(shí)別算法的有效性，本文對(duì)LED燈、電風(fēng)扇、電熱水壺和液晶顯示器這4種電力負(fù)荷進(jìn)行識(shí)別。在對(duì)ELM模型的訓(xùn)練樣本數(shù)據(jù)選擇中，本文用負(fù)荷監(jiān)測(cè)裝置采集得到800組樣本數(shù)據(jù)(每種負(fù)荷樣本各200組數(shù)據(jù))，其中，每組樣本數(shù)據(jù)均由本文1.2節(jié)分析提取的6個(gè)特征參數(shù)組成，將這800組樣本數(shù)據(jù)隨機(jī)分成2組，其中760組樣本數(shù)據(jù)作為訓(xùn)練樣本集，40組樣本數(shù)據(jù)作為測(cè)試集樣本，并設(shè)置ELM模型的隱藏層節(jié)點(diǎn)數(shù)為40。40組單負(fù)荷識(shí)別結(jié)果如圖5所示。

由圖5可以看出，將ELM模型應(yīng)用于電力負(fù)荷識(shí)別效果非常好，在隱藏層為40的情況下，40組測(cè)試集樣本的真實(shí)值與模型的輸出值完全擬合，單個(gè)負(fù)荷識(shí)別率達(dá)到100%。

為分析不同隱藏層節(jié)點(diǎn)數(shù)時(shí)訓(xùn)練集和測(cè)試集識(shí)別率，文本用不同的節(jié)點(diǎn)數(shù)進(jìn)行實(shí)驗(yàn)，測(cè)試單負(fù)荷投切識(shí)別率，從而選取最優(yōu)的隱藏層節(jié)點(diǎn)數(shù)，實(shí)驗(yàn)結(jié)果如表2所示。

圖5 40隱藏層節(jié)點(diǎn)數(shù)的單負(fù)荷識(shí)別結(jié)果

表2 不同隱藏層節(jié)點(diǎn)數(shù)的單負(fù)荷識(shí)別率對(duì)比

從表2可以看出，在隱藏層節(jié)點(diǎn)數(shù)達(dá)到40前，訓(xùn)練集識(shí)別率和測(cè)試集識(shí)別率隨著隱藏層節(jié)點(diǎn)數(shù)的增加而提高；當(dāng)隱藏層節(jié)點(diǎn)數(shù)為40時(shí)訓(xùn)練集和測(cè)試集的識(shí)別率達(dá)到100%；當(dāng)隱藏層節(jié)點(diǎn)數(shù)為40～150時(shí)，訓(xùn)練集識(shí)別率一直維持在100%，而測(cè)試集識(shí)別率則在100%下波動(dòng)。即隱藏層節(jié)點(diǎn)數(shù)為40后，增加隱藏層節(jié)點(diǎn)數(shù)對(duì)單負(fù)荷識(shí)別率影響不大，反而會(huì)產(chǎn)生節(jié)點(diǎn)數(shù)的增多使ELM模型復(fù)雜化的問題，增加運(yùn)算量，ELM模型學(xué)習(xí)時(shí)間變長(zhǎng)。所以最優(yōu)隱藏層節(jié)點(diǎn)數(shù)選為40。

4.2 算法對(duì)比

為進(jìn)一步驗(yàn)證本文識(shí)別算法的性能，選取文獻(xiàn)[6]中貼進(jìn)度匹配算法與文獻(xiàn)[5]中的BP神經(jīng)網(wǎng)絡(luò)算法和本文的算法進(jìn)行對(duì)比。在同一實(shí)驗(yàn)環(huán)境中，使用上述3種方法對(duì)單負(fù)荷識(shí)別、2種負(fù)荷疊加、3種負(fù)荷疊加及4種負(fù)荷疊加的情況進(jìn)行識(shí)別，疊加工作是指一個(gè)負(fù)荷在開啟的基礎(chǔ)上再開啟另一個(gè)負(fù)荷。為了對(duì)比不同算法的負(fù)荷識(shí)別性能，利用負(fù)荷識(shí)別率和負(fù)荷識(shí)別速度作為算法性能指標(biāo)，其中，由于疊加負(fù)荷識(shí)別實(shí)質(zhì)是將疊加負(fù)荷分解為多個(gè)單負(fù)荷識(shí)別，所以在各算法識(shí)別速度對(duì)比上只分析單負(fù)荷識(shí)別速度。3種算法的識(shí)別結(jié)果如表3所示。

表3 不同算法識(shí)別結(jié)果對(duì)比

由表3可知，貼進(jìn)度匹配算法的負(fù)荷識(shí)別率相比于BP算法和本文方法要高一些，然而貼進(jìn)度匹配算法的負(fù)荷識(shí)別速度要遠(yuǎn)低于后兩者算法，這是由于貼進(jìn)度匹配方法需要將待檢測(cè)負(fù)荷的瞬時(shí)電流數(shù)據(jù)與模型庫里面的數(shù)據(jù)逐一進(jìn)行貼近度比對(duì)；BP算法和本文算法的識(shí)別率相差不大，但本文算法的負(fù)荷識(shí)別速度比BP算法快1倍多；與貼進(jìn)度匹配算法相比，本文算法的識(shí)別率略微低一點(diǎn)，但本文算法的識(shí)別速度遠(yuǎn)勝于貼進(jìn)度匹配算法。針對(duì)本文負(fù)荷監(jiān)測(cè)裝置獲取的數(shù)據(jù)，綜合對(duì)比分析，本文方法兼顧了識(shí)別率和識(shí)別速度，在單負(fù)荷和多負(fù)荷情況下均能更好地實(shí)現(xiàn)實(shí)時(shí)負(fù)荷識(shí)別。

5 結(jié) 論

本文在分析電力負(fù)荷瞬時(shí)電流、瞬時(shí)有功功率和瞬時(shí)無功功率的基礎(chǔ)上，提取出能表征負(fù)荷暫態(tài)和穩(wěn)態(tài)特性的6個(gè)電氣特征；并利用負(fù)荷瞬時(shí)電流，采用基于CUSUM的事件檢測(cè)算法對(duì)負(fù)荷投切事件進(jìn)行檢測(cè)；最后構(gòu)建ELM模型對(duì)負(fù)荷進(jìn)行識(shí)別。經(jīng)實(shí)驗(yàn)測(cè)試與結(jié)果分析，可得出如下結(jié)論。

(1) 本文提出的事件檢測(cè)方法能準(zhǔn)確檢測(cè)負(fù)荷投切事件，根據(jù)檢測(cè)出的投切時(shí)刻能有效地分離出負(fù)荷暫態(tài)和穩(wěn)態(tài)過程。

(2) 對(duì)常見電力負(fù)荷具有較高的識(shí)別率和識(shí)別速度，且適合于多負(fù)荷疊加工作的情況，具有良好的工程應(yīng)用價(jià)值。

(3) 本文方法對(duì)于多負(fù)荷同時(shí)投切的情況不能較好地識(shí)別，多負(fù)荷同時(shí)投切引起負(fù)荷波形完全重疊，無法精確地提取負(fù)荷特征，導(dǎo)致負(fù)荷識(shí)別率低，今后將對(duì)此問題進(jìn)一步研究。