錢玉軍 包永強(qiáng) 姜丹琪 張旭旭 雷家浩

（1.南京工程學(xué)院電力工程學(xué)院 南京 211167）（2.南京工程學(xué)院信息與通信工程學(xué)院 南京 211167）

1 引言

2021 年3 月15 日習(xí)近平主席在中央財經(jīng)委員會第九次會議指出：要構(gòu)建清潔低碳安全高效的能源體系，實施可再生能源替代行動，深化電力體制改革，完善智慧能源結(jié)構(gòu)，構(gòu)建以新能源為主體的新型電力系統(tǒng)，力爭2030年前實現(xiàn)碳達(dá)峰，2060年前實現(xiàn)碳中和［1］。負(fù)荷監(jiān)測技術(shù)是構(gòu)建新型電力系統(tǒng)的重要依托，該技術(shù)通過對用戶總負(fù)荷數(shù)據(jù)進(jìn)行采樣與分析，提供對終端設(shè)備的實時監(jiān)控、負(fù)載操作的反饋和評估設(shè)備功耗模式，規(guī)范了新能源管理和監(jiān)測體系。能源管理是智能可持續(xù)城市發(fā)展計劃的重要組成部分，能源管理需要對電力設(shè)施進(jìn)行監(jiān)測和控制，以優(yōu)化能源利用，實現(xiàn)對用戶電器設(shè)備運行狀態(tài)的監(jiān)測，也有助于電網(wǎng)公司為用戶提供詳細(xì)的能源賬單和個性化的節(jié)能建議，同時在檢測設(shè)備故障、改善需求側(cè)響應(yīng)、提高能源預(yù)測的準(zhǔn)確性等方面發(fā)揮重要作用［2］。

根據(jù)設(shè)備監(jiān)測中使用的方法，負(fù)荷監(jiān)測分為侵入式（Intrusive Load Monitoring，ILM）和非侵入式負(fù)荷監(jiān)測（Non-intrusive load monitoring，NILM）。當(dāng)負(fù)荷監(jiān)測涉及在每個相關(guān)用電負(fù)荷處安裝傳感器測量裝置時，則稱為侵入性負(fù)荷監(jiān)測，該方法能較準(zhǔn)確地預(yù)測設(shè)備運行工況，然而為每個設(shè)備安裝傳感器的成本非常高，同時也給運維人員帶來大量安裝維護(hù)工作量，此外當(dāng)監(jiān)測場景涉及多個設(shè)備時，存在限制其實際場景應(yīng)用的缺點。與侵入式（ILM）不同的是，NILM 技術(shù)采集用戶側(cè)進(jìn)線總負(fù)荷數(shù)據(jù)，通過建模分析得到用戶使用負(fù)荷情況，包含負(fù)荷運行狀態(tài)、啟停時刻、負(fù)荷使用類別等信息。減少了電力需求增加時由于設(shè)備限制而導(dǎo)致的供應(yīng)中斷的風(fēng)險，有助于提高電氣系統(tǒng)可觀測性，成為能源管理系統(tǒng)、電網(wǎng)規(guī)劃的可行選擇。

NILM 主要挑戰(zhàn)在于面向不同用電場景下所設(shè)計的實時負(fù)荷監(jiān)測模型能夠準(zhǔn)確分析用戶側(cè)用電行為。盡管目前國內(nèi)外研究人員在提升模型識別準(zhǔn)確性、開拓算法部署嵌入式終端設(shè)備、增強(qiáng)算法可擴(kuò)展性和魯棒性等方面做了許多研究，但非侵入式負(fù)荷監(jiān)測技技術(shù)尚未在電力公司和用戶側(cè)得到普及使用，存在很多問題需要克服。主要包括：用電負(fù)荷數(shù)據(jù)的采集，需要計及采樣頻率大小、電壓電流采集設(shè)備和分析何種負(fù)荷特性的問題；面臨不同用戶的海量用電負(fù)荷和多負(fù)荷同時運行場景時NILM 辨識度；采集的負(fù)荷特征庫中接入新型負(fù)荷時NILM 的泛化性能。如何有效解決這些問題是NILM 技術(shù)在面向新型電力系統(tǒng)得到應(yīng)用與推廣的關(guān)鍵條件。

2 NILM基本理論及研究框架

非侵入式設(shè)備負(fù)荷監(jiān)測技術(shù)（NILM）最早由Hart［3］提出，能夠監(jiān)測包含大量獨立開關(guān)的電路。不同行業(yè)領(lǐng)域的負(fù)荷組成及特性存在較大差異，非侵入式負(fù)荷監(jiān)測按照應(yīng)用場景劃分可劃分為工業(yè)、商用、居民三類。其中居民場景的應(yīng)用模式相對固定、負(fù)荷監(jiān)測需求相對明確。圖1 給出了此系統(tǒng)對應(yīng)的負(fù)荷分解示意圖。NILM 智能硬件裝置安裝在用戶智能電表的入口出，使用NILM 智能量測裝置捕獲用戶側(cè)總用電負(fù)荷，利用采集的總信號提取設(shè)備特定的負(fù)荷特征，據(jù)此確定單個設(shè)備在總負(fù)荷中用電信息。

圖1 非侵入式負(fù)荷監(jiān)測布置示意圖

NILM 的任務(wù)之一是確定負(fù)荷運行時單個設(shè)備狀態(tài)和功耗數(shù)據(jù)，是典型的時間序列分析問題。以負(fù)荷消耗功率為例，某一時刻的用電總功率由該時刻各個設(shè)備的工作狀態(tài)及對應(yīng)的負(fù)荷功率確定，該問題可以表述如下：來自有源裝置的功率信號在電表的入口點處總聚合功率為Pn(t)，在數(shù)學(xué)上可以定義為

式（1）中，是負(fù)荷監(jiān)測中目標(biāo)設(shè)備的功耗，n是時間段t內(nèi)待測設(shè)備的總數(shù)，wkt是非運行狀態(tài)設(shè)備消耗的功率，∈t是設(shè)備運行過程產(chǎn)生的隨機(jī)噪聲。具體來說：給定觀察到的累計功率讀數(shù)的離散序列x=x1，x2，…，xT，確定每個目標(biāo)設(shè)備的功率需求，；與此同時，該問題可以用來確定設(shè)備狀態(tài)，若已知設(shè)備的運行狀態(tài)和功率需求的映射，求得T 時段每個設(shè)備對應(yīng)的狀態(tài)。

盡管研究NILM 方法涉及面很廣，但大多包括數(shù)據(jù)采集與預(yù)處理、事件檢測、特征提取和負(fù)荷識別等共同步驟。文中將圍繞如圖2 所示的NILM 系統(tǒng)的典型框架進(jìn)行概述。利用用戶側(cè)用電進(jìn)線口采集的總負(fù)荷數(shù)據(jù)提取所需研究的負(fù)荷特征，在負(fù)荷特征和負(fù)荷運行狀態(tài)上構(gòu)建映射模型，模型根據(jù)學(xué)習(xí)到的負(fù)荷內(nèi)在聯(lián)系識別用戶側(cè)的負(fù)荷狀態(tài)，實現(xiàn)負(fù)荷實時監(jiān)測。

圖2 NILM研究框架

3 數(shù)據(jù)采集和預(yù)處理

數(shù)據(jù)采集模塊對進(jìn)線總負(fù)荷信號進(jìn)行采集，其目的在于利用獲得的穩(wěn)態(tài)和暫態(tài)信號識別負(fù)載運行的獨特模式。根據(jù)負(fù)載監(jiān)測方法的不同，數(shù)據(jù)測量裝置可選擇電流/電壓傳感器、智能電表和電能質(zhì)量分析儀等。通常，NILM 系統(tǒng)利用單相/三相電壓、電流傳感器模塊或電能表連接到建筑物輸電線的主入口，用于測量負(fù)載的聚合能量。國內(nèi)目前主流方法仍然是采用智能電表來測量總負(fù)荷數(shù)據(jù)，按照采樣頻率的不同，主要分為低頻和高頻兩類，低頻采樣率的數(shù)字表不具備分析頻率成分能力且不能從被測電信號中捕獲高次諧波；高頻儀表的采樣率范圍涉及10kHz～100MHz，這類儀表用于捕獲瞬態(tài)事件和提取高階諧波，以有效地識別負(fù)載。除此之外，電能質(zhì)量分析儀具有快速調(diào)節(jié)信號的能力，可以用于將時域信號轉(zhuǎn)換為頻域信號，識別電能質(zhì)量相關(guān)特征和瞬態(tài)事件。

需要注意的是數(shù)據(jù)采集過程中容易產(chǎn)生由于不同工作性能的測量裝置的適用范圍變化和傳感器傳輸原始數(shù)據(jù)造成數(shù)據(jù)缺失等問題引起的誤差，這會影響負(fù)荷分解的準(zhǔn)確性，故需要對數(shù)據(jù)進(jìn)行預(yù)處理，主要包括去噪、濾波、標(biāo)幺化等，其中標(biāo)幺化的目的是便于處理電能質(zhì)量波動帶來的干擾［4］。

4 關(guān)鍵技術(shù)

本節(jié)對NILM涉及的關(guān)鍵技術(shù)（事件檢測、特征提取、負(fù)荷識別）做詳細(xì)闡述，對近年來涉及重點研究的技術(shù)做優(yōu)劣勢分析，為之后的研究明確方向。

4.1 事件檢測

事件在負(fù)荷監(jiān)測領(lǐng)域被定義為從穩(wěn)態(tài)過渡到不同于先前狀態(tài)的另一穩(wěn)態(tài)的信號。根據(jù)從功率測量中檢測設(shè)備的運行狀態(tài)和功率水平的變化，判斷有無事件產(chǎn)生，不同類型的設(shè)備，需要檢測的方法也不同。根據(jù)事件檢測策略的不同，事件檢測通常使用三種不同的方法［5］：專家啟發(fā)式、概率模型和匹配濾波器。

在專家啟發(fā)式方法中，基于專家或先驗知識設(shè)置固定的閾值來檢測事件。提出基于包絡(luò)的峰值檢測方法中，利用固定閾值來確定事件的發(fā)生［6］。然而基于固定閾值的事件檢測并不一直有效，功耗水平可能會因設(shè)備的操作狀態(tài)而異，文獻(xiàn)［7］創(chuàng)建了一種基于自適應(yīng)閾值的方法來比較穩(wěn)態(tài)期間的功率樣本，連續(xù)的輸入樣本用于確定事件的自適應(yīng)閾值。當(dāng)基于單個閾值的事件檢測技術(shù)受到功率信號中的電導(dǎo)、噪聲的影響時，檢測正確性會受到影響，進(jìn)而引入了概率方法。概率方法使用統(tǒng)計特征、標(biāo)準(zhǔn)差和方差來估計聚合信號中的變化，通常使用廣義似然比（GLR）、擬合優(yōu)度檢驗（GOF）以及累積和（CUSUM）［8］。文獻(xiàn)［9］提出了基于倒譜和改進(jìn)擬合優(yōu)度的事件檢測方法，并使用代理模型優(yōu)化算法。通過提取信號波形并將其與已知模式相關(guān)聯(lián)來表征匹配濾波器的特性。雖然這種情況不依賴先驗知識或?qū)υO(shè)備預(yù)先訓(xùn)練，但通常需要高頻采樣率，后期處理還涉及包絡(luò)提取、卡爾曼濾波、希爾伯特變換等技術(shù)［10］。針對雙邊滑動累積和（CUSUM）變點檢測方法的漏檢、誤檢問題，文獻(xiàn)［11］提出一種二分遞推奇異值分解方法，通過計算奇異熵確定最佳分解層數(shù)，實現(xiàn)總有功功率中突變點位置的準(zhǔn)確檢測。

相較于概率模型，專家啟發(fā)式和匹配濾波器檢測應(yīng)用規(guī)則判斷面廣，即通過相鄰時間段內(nèi)計算負(fù)荷特征的變化程度與預(yù)先設(shè)定的閾值進(jìn)行大小比較分析，原理簡單，運算量也較少。隨著用電設(shè)備的多樣化，主要是多狀態(tài)和連續(xù)變化型設(shè)備的普及，概率模型由于檢測準(zhǔn)確性更高、適用場景廣、抗干擾能力更強(qiáng)的優(yōu)勢被作為優(yōu)先選擇。另一方面，為了捕捉更多關(guān)于設(shè)備切換的暫態(tài)信息，這其中包含了設(shè)備運行過程中產(chǎn)生的噪聲，會導(dǎo)致事件誤檢、漏檢的概率增加，故而需要引入多變量參數(shù)，探索可針對設(shè)備在多變場景中根據(jù)環(huán)境自適應(yīng)調(diào)整參數(shù)的檢測算法是以后需要重點研究的方面。

4.2 特征提取

通過探測到的事件發(fā)生前后的數(shù)據(jù)提取不同設(shè)備特征，以此揭示設(shè)備其耗電模式、性質(zhì)和操作等信息。特征提取是了解設(shè)備特征的關(guān)鍵一步，負(fù)荷特征可以分為三類：穩(wěn)態(tài)特征、瞬態(tài)特征和非傳統(tǒng)特征。

穩(wěn)態(tài)特征是指器具在穩(wěn)態(tài)運行過程中所提取的特征，包括功率變化、時域和頻域特征、電壓噪聲和V-I軌跡等。在設(shè)備穩(wěn)態(tài)運行期間，特征變化相對較小、不涉及高頻采樣，但是某些設(shè)備具有類似的特性，部分特征可能相互重疊。為了克服這一問題，文獻(xiàn)［12］提出了基于V-I 軌跡特征的NILM 方法，以視在總功率作為低壓負(fù)載用電狀態(tài)事件變化的檢測標(biāo)準(zhǔn)，提取對應(yīng)一個周期內(nèi)歸一化的穩(wěn)態(tài)電壓和電流信號，最后采用支持向量機(jī)多分類算法進(jìn)行負(fù)載識別。為了增強(qiáng)負(fù)載識別，文獻(xiàn)［13］諧波是ΔP-ΔQ 平面上的第三個維度，諧波為在ΔP-ΔQ 平面存在模糊重疊的情況下提供了附加特征；諧波信息對于識別具有非正弦電流的電器特別有用，同時也可以識別出有功和無功功率相近的小型電氣設(shè)備。頻域信號在提取特征中也有所應(yīng)用，文獻(xiàn)［14］基于經(jīng)驗?zāi)B(tài)分解（EMD）的穩(wěn)態(tài)特征被用來減少功率信號中電壓傳導(dǎo)的干擾，從而識別設(shè)備。當(dāng)多個設(shè)備處于相近的功率范圍時，穩(wěn)態(tài)特征可能無法有效地檢測事件，利用瞬態(tài)期間提取的特征將揭示關(guān)于設(shè)備的獨特信息，這有助于更準(zhǔn)確地識別事件。負(fù)載的瞬態(tài)行為是指電氣設(shè)備處于關(guān)閉和穩(wěn)定狀態(tài)之間的運行周期，通常由電路條件的突然變化引起的，例如打開或關(guān)閉設(shè)備；與穩(wěn)態(tài)特征相比，瞬態(tài)特征提供的信息較少，且需要高頻采樣條件。在瞬時狀態(tài)下，瞬時功率，啟動電流、瞬態(tài)電壓噪聲和高階諧波常被用于分析。文獻(xiàn)［15］采用了由電氣設(shè)備突然切換而在電壓信號上產(chǎn)生的電噪聲頻譜特征，當(dāng)瞬態(tài)特征在時域重疊時，該特征允許在頻域識別設(shè)備。文獻(xiàn)［16］描述了一種基于時間序列的小波分析方法，根據(jù)時間序列數(shù)據(jù)將NILM 問題構(gòu)造為事件檢測和負(fù)荷分類的問題，利用基于時間子序列（shapelet）的算法區(qū)分設(shè)備活動周期，然后識別出與耗電數(shù)據(jù)中檢測到的事件相對應(yīng)的設(shè)備。時間序列往往具有較高的冗余度，增加了模型的復(fù)雜性，可能導(dǎo)致模型精度較低，因此可以從頻域的角度分析，文獻(xiàn)［17］從非平穩(wěn)能量信號中提取基于集成經(jīng)驗?zāi)B(tài)分解（EEMD）的瞬態(tài)特征，以提高設(shè)備識別性能。除了前面提到的從總負(fù)荷信號中獲得的特征外，最近的NILM 研究中還采用了一些非傳統(tǒng)特征，這些特征用于提供關(guān)于設(shè)備操作的附加信息，諸如設(shè)備運行開始和結(jié)束時間、峰值時間等特征［18］。文獻(xiàn)［19］探索了電力線上的高頻傳導(dǎo)電磁干擾（EMI）作為單點傳感參數(shù)來監(jiān)測家用設(shè)備。文獻(xiàn)［20］從遞歸圖（RPA）分析的角度提出了一種新的負(fù)荷特征分析方法，采用RPA 作為相位空間非線性負(fù)載電流波形的分析工具，這是基于時間和頻率并行的創(chuàng)新信號處理方法。

特征選擇和特征提取方法是特征提取中的兩個難點。穩(wěn)態(tài)特征在面臨特征相似及部分特征重疊的場景下表現(xiàn)掙扎，而基于暫態(tài)特征的提取技術(shù)擴(kuò)展性更強(qiáng)，主要是因為暫態(tài)特征發(fā)生與設(shè)備投切、開關(guān)等事件，持續(xù)時間短，重疊現(xiàn)象較少。深入挖掘負(fù)荷穩(wěn)態(tài)、暫態(tài)及額外特征信息，綜合三者之間優(yōu)勢，能進(jìn)一步提高負(fù)荷識別精度，具有更廣的應(yīng)用前景。

4.3 負(fù)荷識別

設(shè)備識別高度依賴于負(fù)荷特征，而負(fù)荷特征又由設(shè)備類別進(jìn)一步描述。在NILM 環(huán)境下，對設(shè)備進(jìn)行分類的一個常見標(biāo)準(zhǔn)是基于設(shè)備運行狀態(tài)。文獻(xiàn)［21］根據(jù)有功功率和無功功率穩(wěn)態(tài)測量值的實際變化對設(shè)備進(jìn)行分類：具有開/關(guān)兩種工作狀態(tài)歸類為第Ⅰ類，例如面包機(jī)、水壺、臺燈等電器都屬于該類；第Ⅱ類設(shè)備是有限狀態(tài)機(jī)（FSM），這類設(shè)備運行模式是周期性重復(fù)的，狀態(tài)轉(zhuǎn)換可以利用功耗的上升/下降沿來檢測，主要示例有爐灶、冰箱、洗衣機(jī)等；連續(xù)可變設(shè)備（CVD）歸為第Ⅲ類，這種裝置具有連續(xù)的功率消耗范圍，既沒有狀態(tài)轉(zhuǎn)換的重復(fù)循環(huán)，也沒有特定的階躍變化特征，例如變速電鉆和其他電力電子控制負(fù)載，在總負(fù)荷中識別這類電氣設(shè)備是一項具有挑戰(zhàn)性的任務(wù)；連續(xù)工作幾天/幾周的永久消耗負(fù)荷電器屬于第Ⅳ類，如電話機(jī)、有線電視接收器和煙霧探測器。當(dāng)負(fù)載在不同的時間間隔同時或單獨運行時，NILM 系統(tǒng)應(yīng)能從設(shè)備瞬態(tài)和穩(wěn)態(tài)運行時的原始功率信號中提取特征來區(qū)分不同類型的設(shè)備，而不同類型的設(shè)備有著不同的功耗模式，需要明確負(fù)荷屬性，選擇對應(yīng)的負(fù)荷分解算法實現(xiàn)對負(fù)荷種類、工作狀態(tài)的辨識以及對應(yīng)功率的估計。目前的非侵入式負(fù)荷識別方法主要分為組合優(yōu)化和模式識別兩類。

基于組合優(yōu)化方法嘗試將觀察到的功率測量值與設(shè)備特征庫中設(shè)備功率信號的組合進(jìn)行匹配，以反復(fù)迭代、檢驗減少匹配誤差作為優(yōu)化策略。文獻(xiàn)［22］提出了一種基于圖信號交替優(yōu)化方法，根據(jù)總負(fù)荷數(shù)據(jù)構(gòu)建圖信號模型，并基于圖信號模型得到關(guān)于功率損耗的約束條件，較好地解決了傳統(tǒng)方法缺乏負(fù)荷數(shù)據(jù)相關(guān)性研究的問題。文獻(xiàn)［23］提出一種基于遺傳優(yōu)化的方法，采用差異分析的方法選擇新的諧波特征值作為優(yōu)化目標(biāo)，通過改進(jìn)尋優(yōu)函數(shù)的多特征遺傳優(yōu)化迭代實現(xiàn)不同電器狀態(tài)變化的精確分解與識別。文獻(xiàn)［24］利用多目標(biāo)粒子群優(yōu)化算法，以加權(quán)電流諧波矢量和為特征，對電流信號進(jìn)行分解。實施優(yōu)化方法的主要挑戰(zhàn)是分解在同時運行的設(shè)備組合，這可能會由于特征重疊而導(dǎo)致復(fù)雜性增加或設(shè)備識別不足，然而當(dāng)聚合信號包含設(shè)備特征數(shù)據(jù)庫中尚不可用的未知負(fù)載時，復(fù)雜性問題可能變得更為嚴(yán)重。

模式識別根據(jù)建模、更新訓(xùn)練模型參數(shù)，挖掘設(shè)備與總線特征數(shù)據(jù)的內(nèi)在關(guān)聯(lián)，以達(dá)到最佳收斂狀態(tài)。根據(jù)模型訓(xùn)練過程是否需要負(fù)荷標(biāo)記信息，進(jìn)一步劃分有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)兩類算法。監(jiān)督學(xué)習(xí)在訓(xùn)練階段需要以人工協(xié)作或單獨為每個子設(shè)備安裝傳感器監(jiān)測的方式標(biāo)記每個電器的狀態(tài)信息。早期研究在面臨需要處理高精度識別大量電氣設(shè)備的情況下顯得捉襟見拙，機(jī)器學(xué)習(xí)的出現(xiàn)為研究人員提供了思路。機(jī)器學(xué)習(xí)的性能取決于特征集、負(fù)載類型和用于訓(xùn)練的設(shè)備數(shù)量，能夠使用不同的特征（包括狀態(tài)轉(zhuǎn)換和時間信息）執(zhí)行訓(xùn)練過程。粒子群聚類［25］、支持向量機(jī)（SVM［26］、隨機(jī)森林［27］、K-近鄰（KNN［28］是常用的機(jī)器學(xué)習(xí)算法。此外，文獻(xiàn)［29］提出一種基于分?jǐn)?shù)階Hilbert變換的倒譜特征，利用分?jǐn)?shù)階Hilbert變換中階數(shù)P選擇的靈活性和提取信號細(xì)部特征的能力提取信號倒譜特征，利用SVM 識別用電設(shè)備的類別。文獻(xiàn)［30］采用差量特征提取方法獲取特征值變化量并引入信息熵的方法，通過計算簇間熵來確定最佳聚類數(shù)和負(fù)荷相似度，再通過模糊聚類實現(xiàn)電器負(fù)荷數(shù)量及種類的聚類識別。盡管監(jiān)督學(xué)習(xí)技術(shù)已經(jīng)證明了其在設(shè)備識別和能量分解方面的能力，但在實時實現(xiàn)設(shè)備分解時存在一定的局限性。有監(jiān)督學(xué)習(xí)算法不能適應(yīng)環(huán)境的變化，需要根據(jù)設(shè)備老化、設(shè)備性能退化、電力線干擾等各種因素來更新設(shè)備特征。無監(jiān)督負(fù)荷分解方法不依賴于標(biāo)記數(shù)據(jù)，不需要事先了解設(shè)備或訓(xùn)練數(shù)據(jù)，降低了初始設(shè)置成本和人機(jī)交互最小化，具有適應(yīng)環(huán)境變化的能力，有利于NILM系統(tǒng)的實時實現(xiàn)，文獻(xiàn)［31］從時間特性的角度出發(fā)，通過使用概率對家電使用的時間特征進(jìn)行公式化，通過無監(jiān)督的概率密度演化方法對特定用戶習(xí)慣進(jìn)行自適應(yīng)建模，結(jié)合概率時間權(quán)重實現(xiàn)分解。文獻(xiàn)［32］動態(tài)時間規(guī)整（DTW）方法也被用于NILM 問題，DTW 將檢測到的事件映射到歷史數(shù)據(jù)庫中進(jìn)行設(shè)備特征匹配，然后通過測量檢測到的設(shè)備樣本到設(shè)備特征匹配簇的距離對負(fù)載進(jìn)行分類。稀疏編碼使用字典學(xué)習(xí)方法以無監(jiān)督的方式學(xué)習(xí)設(shè)備簽名，稀疏編碼將輸入特征向量表示為線性組合基向量，文獻(xiàn)［33］提出了一種新的能量分解稀疏編碼方法，為了學(xué)習(xí)特征矩陣，采用了基于概率的雙聚類技術(shù)，該方法在智能電網(wǎng)應(yīng)用中的NILM系統(tǒng)實時實現(xiàn)中效果顯著。

在眾多負(fù)荷分解模型與方法中，隱馬爾可夫模型（HMM）及其變體由于具備對時序數(shù)據(jù)進(jìn)行建模并表征不可觀測狀態(tài)的能力，引起了研究人員的注意。隨著智能電表和物聯(lián)網(wǎng)的快速發(fā)展，以及其在住宅和工業(yè)環(huán)境中的使用增加，研究人員將人工智能技術(shù)應(yīng)用到NILM 領(lǐng)域，其中最具代表的是基于遷移學(xué)習(xí)和深度學(xué)習(xí)的方法，并獲得了優(yōu)于傳統(tǒng)方法的性能。下面分別對這三類方法進(jìn)行重點介紹。

4.3.1 基于隱馬爾科夫模型的方法

在NILM研究中，HMM的研究思路包含兩條時間序列，分別是隱含狀態(tài)序列和觀測序列。隱含狀態(tài)序列對應(yīng)設(shè)備序列中各用電設(shè)備的運行狀態(tài)，觀測序列對應(yīng)可測量的負(fù)荷電氣特性。NILM 問題就轉(zhuǎn)化為給定HMM 模型參數(shù)與測量序列，求該測量序列對應(yīng)的可能性最大的隱含狀態(tài)序列。針對多種用電設(shè)備的HMM 建模，可采用因子隱馬爾科夫模型（FHMM），F(xiàn)HMM 包含了多條隱含狀態(tài)鏈，分別對應(yīng)每一個要研究的電器。文獻(xiàn)［34］提出了IC-FHMM 隱馬爾科夫擴(kuò)展模型，根據(jù)每個電器的功耗自動確定其工作狀態(tài)，在三個公共數(shù)據(jù)集上進(jìn)行的實驗表明了該模型的有效性。文獻(xiàn)［35］提出利用HMM 對家電產(chǎn)品進(jìn)行建模，利用分段二次整數(shù)約束規(guī)劃（SIQCP）對負(fù)荷進(jìn)行分解的方法，獲得了較高的準(zhǔn)確度。

盡管如此，隱馬爾可夫模型的主要局限性還沒有被克服：模型被限制在相對較小的離散狀態(tài)空間中，算法復(fù)雜性依然很高，狀態(tài)空間很容易呈指數(shù)級增長，需要額外的信息（如電器的工作狀態(tài)）。文獻(xiàn)［36］提出基于DFHSMM 的模型，兼并用電設(shè)備穩(wěn)態(tài)和設(shè)備運行時長雙特征，根據(jù)有功功率對設(shè)備狀態(tài)進(jìn)行聚類分析，并評估每個集群中的用電設(shè)備的狀態(tài)，該模型對功率混疊的用電設(shè)備識別率較高。文獻(xiàn)［37］提出了基于超狀態(tài)HMM和改進(jìn)稀疏Viterbi 算法的負(fù)荷分解方法，通過概率密度函數(shù)（PMF）來量化負(fù)荷狀態(tài)，保留負(fù)載之間的依賴關(guān)系，利用稀疏維特比（Viterbi）算法計算超狀態(tài)的稀疏矩陣，在較短的時間內(nèi)評估了負(fù)載狀態(tài)以及估計負(fù)載消耗狀況。文獻(xiàn)［38］提出了一種基于BH-FHMM 的模型，引入家庭用電習(xí)慣來優(yōu)化傳統(tǒng)的因子隱馬爾可夫模型（FHMM），應(yīng)用高斯混合模型（GMM）來表示用電器的時間序列信息的概率分布，實現(xiàn)負(fù)荷分解。

4.3.2 基于深度學(xué)習(xí)的方法

隨著深度學(xué)習(xí)技術(shù)的流行，不同結(jié)構(gòu)的深度學(xué)習(xí)網(wǎng)絡(luò)得到日益關(guān)注，自動編碼器（AE）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、深度神經(jīng)網(wǎng)絡(luò)（DNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）在NILM 問題中得到廣泛應(yīng)用，利用從聚合的信號中自動提取固有特征，進(jìn)行設(shè)備分類和能量分解。文獻(xiàn)［39］kelly 討論了三種基于深度學(xué)習(xí)的分解方法，一種長短期記憶（LSTM）的循環(huán)神經(jīng)網(wǎng)絡(luò)形式、去噪自動編碼器和一種對每個負(fù)載激活的開始時間、結(jié)束時間和平均功率需求進(jìn)行回歸的神經(jīng)網(wǎng)絡(luò)，三種神經(jīng)網(wǎng)絡(luò)都取得了更好的F1 分?jǐn)?shù)，有效地提高了負(fù)荷分解精度。kelly 提出的三種體系結(jié)構(gòu)學(xué)習(xí)了具有相同時間戳的主電源讀數(shù)序列和設(shè)備讀數(shù)序列之間的非線性回歸，被稱為序列到序列（seq2seq）的方法。鑒于深度神經(jīng)網(wǎng)絡(luò)存在梯度消失和爆炸以及網(wǎng)絡(luò)退化等問題，文獻(xiàn)［40］建議訓(xùn)練神經(jīng)網(wǎng)絡(luò)只預(yù)測窗口的中點元素，而不是訓(xùn)練網(wǎng)絡(luò)來預(yù)測整個設(shè)備窗口的讀數(shù)。文獻(xiàn)［41］建立了一種樹型結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)（TreeCNN）從高維稀疏能量數(shù)據(jù)中學(xué)習(xí)時間序列模式，學(xué)習(xí)每個設(shè)備的特有模式，同時保留設(shè)備之間的相關(guān)性，有效地將未知設(shè)備與已知設(shè)備區(qū)分開來。文獻(xiàn)［42］提出一種基于序列到序列和注意力機(jī)制（Attention）的NILM 模型。通過引入Attention 機(jī)制的解碼器，強(qiáng)化特征提取范圍，增強(qiáng)了負(fù)荷識別能力。

基于深度神經(jīng)網(wǎng)絡(luò)的算法在擴(kuò)展性、隱私性和泛化性能方面明顯優(yōu)于傳統(tǒng)手動提取特征的機(jī)器學(xué)習(xí)算法，然而該類算法大都是監(jiān)督類算法，需要龐大的數(shù)據(jù)集來訓(xùn)練網(wǎng)絡(luò)，且對于不同類型的設(shè)備分解效果也有所差異。

4.3.3 基于遷移學(xué)習(xí)的方法

遷移學(xué)習(xí)能夠在不訓(xùn)練目標(biāo)領(lǐng)域模型的情況下，從一個領(lǐng)域?qū)W習(xí)模型并應(yīng)用于其他相關(guān)領(lǐng)域而受到了各學(xué)科研究者的關(guān)注。文獻(xiàn)［43］提出了一種基于V-I 軌跡的遷移學(xué)習(xí)方法。將V-I 軌跡轉(zhuǎn)移到HSV 顏色空間的視覺表示中，預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行微調(diào)，對V-I 軌跡彩色圖像進(jìn)行分類，根據(jù)軌跡的形狀和顏色信息區(qū)分不同的電負(fù)荷。文獻(xiàn)［44］提出基于序列到點學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)在NILM 分解算法中進(jìn)行了應(yīng)用遷移學(xué)習(xí)和跨域遷移學(xué)習(xí)的實驗，結(jié)果表明使用洗衣機(jī)的深度神經(jīng)網(wǎng)絡(luò)（DNN）訓(xùn)練模型可以用于檢測其他電器，有助于減少設(shè)備數(shù)據(jù)收集過程；跨域遷移學(xué)習(xí)的實驗結(jié)果表明，通過重用預(yù)先訓(xùn)練的模型來識別不同數(shù)據(jù)庫中的設(shè)備，從而減少訓(xùn)練時間。文獻(xiàn)［45］提出面向住宅用戶的遷移學(xué)習(xí)方法，將多層感知器（MLP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長短期記憶（LSTM）三種神經(jīng)網(wǎng)絡(luò)進(jìn)行拼接，進(jìn)行多特征融合再學(xué)習(xí)，將前兩層卷積層學(xué)習(xí)的負(fù)荷特征模塊凍結(jié)，運用遷移學(xué)習(xí)重新訓(xùn)練最后的全連接層，在三種真實場景下試驗，得到較好的分解性能。

遷移學(xué)習(xí)實現(xiàn)原理是卷積神經(jīng)網(wǎng)絡(luò)在淺層學(xué)習(xí)的特征具有通用性。在樣本不足的情況下，使用遷移學(xué)習(xí)，將這些通用特征學(xué)習(xí)從其他已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中遷移過來，從而節(jié)省訓(xùn)練時間，并且得到較好的識別結(jié)果。遷移學(xué)習(xí)應(yīng)用到負(fù)荷分解問題的目標(biāo)在于將已經(jīng)訓(xùn)練過數(shù)據(jù)集的設(shè)備應(yīng)用到未參與訓(xùn)練的設(shè)備中，從而在實際應(yīng)用中，不需要對事先采集數(shù)據(jù)進(jìn)行大規(guī)模訓(xùn)練，大大減少成本。

綜上分析，基于隱馬爾可夫模型、基于深度學(xué)習(xí)以及遷移學(xué)習(xí)的三類非侵入式負(fù)荷監(jiān)測方法各有優(yōu)缺點，可總結(jié)為表1。

表1 3種NILM方法優(yōu)缺點對比

5 NILM系統(tǒng)性能評估

NILM 涉及多個步驟且在不同程度上影響系統(tǒng)綜合性能。現(xiàn)有文獻(xiàn)設(shè)計的算法模型負(fù)荷識別率能夠達(dá)到80%～100%之間，但實驗的結(jié)果可比性弱，不同實驗之間考慮的設(shè)備數(shù)量、類型、數(shù)據(jù)采樣率、和數(shù)據(jù)庫大小方面存在差異，致使算法的評估標(biāo)準(zhǔn)引起爭議，主要因為目前的研究還未開拓完整統(tǒng)一的NILM 算法評估體系，部分已公開算法模型的評估方法不夠標(biāo)準(zhǔn)，致使評估結(jié)果有所偏差；現(xiàn)有NILM 算法研究的負(fù)荷種類相對較少，只能涉及常用電器的研究，當(dāng)面向海量負(fù)荷尤其是多狀態(tài)和連續(xù)多變狀態(tài)型的負(fù)荷時，研究精度得不到保證。NILM 領(lǐng)域的迅速發(fā)展使得提供一種標(biāo)準(zhǔn)的方法來評估相應(yīng)模型性能成為一項重要的任務(wù)。按已有研究來看，NILM性能評估主要圍繞三個方面展開：1）依據(jù)評估指標(biāo)數(shù)值，分析所設(shè)計模型表現(xiàn)；2）橫向分析所設(shè)計模型與已研究模型性能表現(xiàn)，指出所設(shè)計模型優(yōu)勢點以及彌補(bǔ)已研究模型的劣勢；3）模型泛化評估。

在算法評價指標(biāo)方面，可將NILM 問題可細(xì)分為回歸和分類兩個過程，按過程選擇合理正確的指標(biāo)。文獻(xiàn)［46］根據(jù)具體的監(jiān)測場景需求的不同，提出23 個在事件檢測算法過程中評估指標(biāo)；模型對比橫向分析方面，在對比分析之前，需要復(fù)現(xiàn)所對比模型，這項過程十分繁雜，受限于編程水平、硬件平臺等差異，導(dǎo)致復(fù)現(xiàn)模型的性能表現(xiàn)參差不齊，最終無法衡量模型間的性能優(yōu)劣。Kelly 等提出了一個非侵入式負(fù)載監(jiān)測開源工具包（NILMTK）［47］，NILMTK 提供了幾個現(xiàn)有數(shù)據(jù)集的解析器、一組預(yù)處理方法和統(tǒng)計數(shù)據(jù)來描述這些數(shù)據(jù)集，還包括兩個參考基準(zhǔn)分解算法（組合優(yōu)化和隱馬爾可夫模型），直接用來比較能量分解算法；模型泛化分析方面，包含跨域數(shù)據(jù)集以及應(yīng)用場景兩個方面。已有研究的實驗數(shù)據(jù)主要來自三個方面：公開數(shù)據(jù)集、搭建數(shù)據(jù)采集環(huán)境測量的電力數(shù)據(jù)庫、人工合成數(shù)據(jù)，由于搭建的數(shù)據(jù)庫來自生活實際場景，能夠準(zhǔn)確反映用電規(guī)律，故而模型表現(xiàn)最佳，在人工合成和開源數(shù)據(jù)集上表現(xiàn)顯得捉襟見肘，不同數(shù)據(jù)域的模型表現(xiàn)亟待強(qiáng)化研究；除此之外，目前已有NILM 研究主要集中在住宅用戶層面，研究者通常選擇典型家用電器（洗衣機(jī)、冰箱、電視、微波爐、電腦等設(shè)備）作為研究對象，少有涉及工業(yè)用戶和商業(yè)用戶的電器研究，模型的可擴(kuò)展性缺乏驗證。

在綜合考慮模型的可行性方面，文獻(xiàn)［48］中提出衡量非侵入式負(fù)荷監(jiān)測算法是否能夠部署在智能電表和移動手機(jī)等實際應(yīng)用場景中，需要滿足以下要求：

1）可擴(kuò)展性。在用戶側(cè)接入新型負(fù)荷時，已設(shè)計算法模型識別準(zhǔn)確率保持原有水平，同時借助人工方式獲取新型負(fù)荷的電力信息，對模型再訓(xùn)練，實現(xiàn)新型負(fù)荷新型識別。

2）準(zhǔn)確度。預(yù)測的準(zhǔn)確性是衡量模型性能的關(guān)鍵。根據(jù)用戶側(cè)的可接受度，要求設(shè)計算法準(zhǔn)確度達(dá)到80%～100%。

3）保密性。模型和設(shè)備中分析和存儲的數(shù)據(jù)必須加密，以保護(hù)用戶的隱私。

4）實時性。模型支持在線推理工作，實時反饋用戶當(dāng)前能源使用情況。

6 結(jié)語

加快構(gòu)建適應(yīng)高比例可再生能源發(fā)展的新型電力系統(tǒng)，需要依托非侵入式負(fù)荷監(jiān)測為基礎(chǔ)的技術(shù)保障。通過上述的分析看出，目前非侵入式負(fù)荷監(jiān)測方法同時兼顧實時性、可擴(kuò)展性和穩(wěn)定性還有所欠缺。開發(fā)一個能夠高效識別所有類型的用電設(shè)備的解決方案，而不管它們的類別、品牌和制造商如何，仍然是一個挑戰(zhàn)。未來工作可以從以下方面開展深入研究：

1）用戶多元化和特征數(shù)據(jù)庫的拓展。目前的研究主要集中于家庭用戶側(cè)，對于工業(yè)和商業(yè)用戶的負(fù)荷消耗類型鮮有調(diào)研，往后在負(fù)荷對象研究全面性以及實際應(yīng)用場景上作開拓。此外大多數(shù)NILM 方案都需要對算法進(jìn)行離線訓(xùn)練，它涉及建立設(shè)備特征的數(shù)據(jù)庫，而該數(shù)據(jù)庫又僅限于用作示例的設(shè)備，在數(shù)據(jù)庫中包括所有具有不同特性（制造商、型號、額定功耗等）的設(shè)備是不切實際的，因此算法將無法識別不在負(fù)荷特征數(shù)據(jù)庫中的任何此類設(shè)備，如何識別特征數(shù)據(jù)庫中未出現(xiàn)的新設(shè)備仍然是個難題；一種可采取的方案是利用交互式技術(shù)，例如基于網(wǎng)絡(luò)通信和移動電話的信通服務(wù)與用戶進(jìn)行交互，在存在未知負(fù)載的情況下，系統(tǒng)會基于先驗知識做出合理的推測，或?qū)⒆罱咏钠ヅ漤棾尸F(xiàn)給用戶以進(jìn)行驗證，用戶端可以據(jù)此標(biāo)記設(shè)備運行模式，進(jìn)而更新負(fù)荷特征庫，這是一個值得拓展的方向。

2）負(fù)荷分解算法改進(jìn)和數(shù)據(jù)集開發(fā)。盡管已經(jīng)研究了許多用電設(shè)備特性，并且在現(xiàn)有研究中提出了許多負(fù)荷分解算法，但是沒有一種算法被確定適用于所有類型的負(fù)載，開發(fā)全面性方法來高精度地檢測所有的負(fù)載類型仍然是當(dāng)務(wù)之急?？紤]到有監(jiān)督分解算法中獲取訓(xùn)練數(shù)據(jù)所需的測量過程既昂貴又復(fù)雜，未來的工作應(yīng)集中在不需要人工標(biāo)記數(shù)據(jù)的無監(jiān)督學(xué)習(xí)算法上，充分將遷移學(xué)習(xí)和深度學(xué)習(xí)的優(yōu)勢相結(jié)合，部署在低成本嵌入式的設(shè)備上以實時反饋監(jiān)測結(jié)果。此外國內(nèi)現(xiàn)有環(huán)境缺少標(biāo)準(zhǔn)參考數(shù)據(jù)集，無法對不同的設(shè)備進(jìn)行統(tǒng)一的比較和測試。雖然部分國外公共數(shù)據(jù)集可用，但這些數(shù)據(jù)集只涵蓋發(fā)達(dá)國家用電負(fù)載數(shù)據(jù)，無法適應(yīng)我國的電力發(fā)展水平下的負(fù)載特征研究，加快國內(nèi)公共可訪問的數(shù)據(jù)集建設(shè)和開放源碼工具的開發(fā)顯得格外重要。

3）負(fù)荷監(jiān)測數(shù)據(jù)挖掘與保護(hù)。探索適用于云服務(wù)負(fù)荷分解環(huán)境，負(fù)荷監(jiān)測過程中不可避免會產(chǎn)生用戶數(shù)據(jù)的傳輸，如何盡可能地降低隱私信息泄露風(fēng)險也是非侵入式監(jiān)測系統(tǒng)部署應(yīng)用需要重點考慮的方面。負(fù)荷監(jiān)測數(shù)據(jù)特別是負(fù)荷運行狀態(tài)數(shù)據(jù)中蘊(yùn)涵大量有價值的用戶行為等信息，探索采用關(guān)聯(lián)分析、數(shù)據(jù)挖掘等大數(shù)據(jù)處理技術(shù)，深入挖掘用戶行為信息，將其組織成可操作的反饋，為電網(wǎng)的負(fù)荷調(diào)控策略和態(tài)勢感知提供充足的判斷依據(jù)，為之后開展工作提供新思路。