摘 "要： 針對在接入新負荷時傳統(tǒng)非侵入式負荷識別算法會產(chǎn)生誤分類的問題，提出一種基于三元組損失（Triplet Loss）和KNN的非侵入式未知負荷識別算法。首先，采用負荷穩(wěn)態(tài)運行時的電流、電壓構(gòu)造多特征融合的彩色V?I軌跡圖像；然后，挖掘在線的Semi?Hard樣本對，使用Triplet Loss訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并得到各樣本的特征向量；最后，對特征向量進行PCA降維，并基于類中心構(gòu)造鄰域，使用KNN算法來進行負荷識別。使用PLAID、COOLL數(shù)據(jù)集對所提算法進行測試。測試結(jié)果表明，所提的負荷識別算法在已知類別負荷的分類和未知負荷的識別方面均有較高的準確率。

關(guān)鍵詞： 三元組損失； KNN； 非侵入式負荷監(jiān)測； V?I軌跡； PCA降維； 特征融合

中圖分類號： TN911?34； TP18； TM714 " " " " " " " "文獻標識碼： A " " " " " " " "文章編號： 1004?373X（2024）18?0008?07

Non?intrusive unknown load identification based on Triplet Loss and KNN

ZHANG Sheng1， 2， CHEN Tie1， 2

（1. College of Electrical Engineering and New Energy， China Three Gorges University， Yichang 443002， China;

2. Hubei Provincial Key Laboratory for Operation and Control of Cascaded Hydropower Station， Yichang 443002， China）

Abstract： In allusion to the problems of misclassification of traditional non?intrusive load identification algorithm when new load is connected， a non?intrusive unknown load identification algorithm based on Triplet Loss and KNN （K?nearest neighbor） is proposed. The multi?feature fusion color V?I trajectory image is constructed by means of the current and voltage of the load during steady state operation. The online Semi?Hard sample pairs are mined， and the Triplet Loss is used to training neural network， so as to obtain feature vectors for each sample. The PCA （principal component analysis） dimensionality reduction for feature vectors is conducted， the neighbourhood is constructed based on the class center， and the KNN algorithm is used for the load identification. The algorithm is tested by means of PLAID and COOLL datasets. The testing results show that the proposed load identification algorithm has high accuracy in both the classification of known loads and the recognition of unknown loads.

Keywords： Triplet Loss; KNN; non?intrusive load monitoring; V?I trajectory; PCA dimensionality reduction; feature fusion

0 "引 "言

隨著全球能源消耗的加劇和環(huán)境問題的日益突出，“碳達峰、碳中和”成為了國際社會共同關(guān)注的問題。建筑用電產(chǎn)生的碳排放量至少占全球的[14]，其向用戶提供實時的家庭用電信息，可以幫助用戶改善用電習(xí)慣，減少5%～20%的能源浪費。負荷監(jiān)測是實現(xiàn)居民電力需求側(cè)管理的主要手段，非侵入式負荷監(jiān)測（Non?Intrusive Load Monitoring， NILM）通過分析總線端的用電信息來獲得每個電器的運行情況和能耗信息。相比于侵入式負荷監(jiān)測，NILM避免了繁雜傳感器的安裝，具有保護隱私、易推廣、易維護等優(yōu)點，有助于電力公司了解用戶用電情況，制定合理的計費策略和規(guī)劃電力系統(tǒng)的調(diào)度[1]，并幫助用戶減少不必要的用電消費，實現(xiàn)節(jié)能[2]。

負荷特征提取和識別一直是NILM的研究熱點。文獻[3]中首次提出非侵入式負荷監(jiān)測的概念，并利用總線端穩(wěn)態(tài)功率的變化來進行負荷辨識。文獻[4]中研究了頻率波動對諧波特征提取效果的影響，并針對該影響因素提出相應(yīng)的方法，提升了基于諧波進行負荷辨識的精度。文獻[5]中提出V?I軌跡的概念，根據(jù)電壓、電流形成V?I軌跡，并用層次聚類的方法對電器分類。相比于傳統(tǒng)的功率特征以及電流波形特征，該方法能更有效地對電器進行分類，但缺點在于需要從V?I軌跡中手動提取特征。文獻[6]中將V?I軌跡映射到二進制單元格中，再利用有監(jiān)督的自組織映射（Supervised Self?Organizing Map， SSOM）進行負荷辨識。文獻[7]中在灰色V?I軌跡圖的基礎(chǔ)上先將電流、電壓、相位信息分別嵌入到RGB通道上實現(xiàn)多維特征的融合，再用AlexNet網(wǎng)絡(luò)進行負荷辨識，取得了不錯的效果。文獻[8]中采用負荷啟停時的暫態(tài)功率波形，以模板匹配的方式辨識負荷。

非侵入式負荷識別方法在閉集場景下有著不錯的效果，然而在現(xiàn)實應(yīng)用場景中含有大量訓(xùn)練集未包含的未知電器，采用以上方法無法識別未知類。為解決這個問題，文獻[9]通過提取負荷穩(wěn)態(tài)電流的1～9次奇次諧波，采用K近鄰算法（K?Nearest Neighbor， KNN）進行未知負荷檢測，然而采用諧波不能全面反映負荷的電氣特性。文獻[10]采用孿生網(wǎng)絡(luò)依次計算樣本V?I軌跡與特征庫中各V?I軌跡的相似性，并通過多次實驗設(shè)定相似度閾值和兩個功率閾值，以此來判斷未知負荷或分類已知負荷。然而閾值的設(shè)定存在一定的主觀性和依賴性，在實際應(yīng)用中表現(xiàn)不佳。文獻[11]基于度量學(xué)習(xí)對電流波形進行特征映射，然后設(shè)定閾值并根據(jù)余弦相似度對未知負荷進行檢測。但該文獻并沒有針對閾值的設(shè)定以及未知負荷辨識進行討論，同樣存在特征表示不足的問題。

非侵入式負荷識別作為分類任務(wù)，將數(shù)值特征與圖像特征相結(jié)合的彩色V?I軌跡相比于其他特征更具有區(qū)分性[7]。現(xiàn)有研究表明，由三元組損失（Triplet Loss）訓(xùn)練的網(wǎng)絡(luò)相比于傳統(tǒng)分類用的softmax提取到的特征類內(nèi)差異小，類間差異大，這為未知負荷留有一定的特征空間，從而為未知負荷識別創(chuàng)造了條件[12]。文獻[13]中使用Triplet Loss訓(xùn)練的網(wǎng)絡(luò)對已知類別特征進行表示，然后對每類聚類中心進行建模，采用極值理論進行開集自動調(diào)制識別。文獻[14]中使用Cosine Loss和Triplet Loss訓(xùn)練嵌入空間，使用概率判別的方法進行患者活動的開集識別。同時，文獻[15]采用深度神經(jīng)網(wǎng)絡(luò)進行特征提取，結(jié)合KNN識別，相比于其他方法能更有效地進行開集故障診斷。

為此，本文提出一種基于Triplet Loss和KNN的非侵入式未知負荷識別方法。首先，提取負荷穩(wěn)態(tài)電流，并引入電流、電壓和相位信息，構(gòu)建彩色V?I軌跡；其次，使用訓(xùn)練集訓(xùn)練三元組損失的神經(jīng)網(wǎng)絡(luò)；然后，將訓(xùn)練集和測試集軌跡圖像映射為固定長度的特征向量，再用PCA降維保留主要特征，去除冗余信息；最后，基于訓(xùn)練集的特征，使用KNN進行已知負荷的分類和未知負荷識別。在PLAID和COOLL數(shù)據(jù)集上的算例分析驗證了所提方法的可用性和準確性。

1 "基于Triplet Loss和KNN的非侵入式未知負荷識別模型

1.1 "非侵入式未知負荷識別模型總體流程

本文所提出的非侵入式未知負荷識別模型流程如圖1所示。

1.2 "彩色V?I軌跡圖像特征的構(gòu)建

V?I軌跡是當(dāng)電器處于穩(wěn)態(tài)運行時，以一個完整周期內(nèi)的電壓和電流數(shù)據(jù)繪制而成的二維圖像。彩色V?I軌跡是由部分電氣特征與原始V?I軌跡融合得到的，相比于單一的軌跡特征，復(fù)合的特征因含有更多的信息，能更有效地區(qū)分不同的電器[16]。本文將V?I軌跡映射到數(shù)值矩陣中，通過構(gòu)造RGB三個顏色通道的數(shù)值矩陣對特征進行融合，其流程如下所示。

1） 通過事件檢測，對事件發(fā)生前后的穩(wěn)態(tài)電流作差，得到單個電器的穩(wěn)態(tài)電流波形數(shù)據(jù)。

2） 將與電流波形同時間段內(nèi)電壓首次達到峰值的時間點作為一個穩(wěn)態(tài)周期的初始采樣點。

3） 為了平滑信號并減少噪聲的影響，對所提取的一個周期內(nèi)的電壓和電流信號進行移動平均處理，處理后的電流和電壓值分別為：

[im=1wk=mm+wikvm=1wk=mm+wvk， " m=0，1，2，…，M-w] （1）

式中：vm、im分別為移動平均處理后得到的電壓和電流采樣點的值；vk、ik分別為處理前電壓和電流采樣點中第k個采樣點的值；M為一個穩(wěn)態(tài)周期的采樣點數(shù)；w為移動窗口的寬度。

4） 假設(shè)采用的V?I軌跡矩陣大小為N×N，通過對移動平均處理后的電壓和電流進行最大最小值歸一化，并乘以矩陣寬度N，得到穩(wěn)態(tài)周期內(nèi)電壓和電流采樣點在V?I軌跡矩陣中映射的坐標。

[xm=ceilvm-vminvmax-vminN] （2）

[ym=ceilim-iminimax-iminN] （3）

式中：xm、ym分別為電壓和電流映射在矩陣中的橫坐標和縱坐標；vm、im分別為移動平均處理后的電壓和電流中第m個采樣點；vmin、imin分別為移動平均處理后一個穩(wěn)態(tài)周期內(nèi)電壓和電流最小值；vmax、imax分別為移動平均處理后一個穩(wěn)態(tài)周期內(nèi)電壓和電流最大值；ceil（·）表示向上取整函數(shù)。

5） 為了使得V?I軌跡連續(xù)，對軌跡進行插值處理。

6） 鑒于當(dāng)3個RGB通道元素值均為1時，圖像顯示為白色，故構(gòu)造3個N×N大小的RGB矩陣，初始值均置為1。

7） 采用文獻[7]的方法分別計算RGB矩陣中電流、電壓信息以及相位特征的元素值，并嵌入各矩陣中，得到彩色V?I軌跡。與文獻[7]不同的是，為了將3個通道的像素值限制在0～1內(nèi)，對于G通道，采用以下的式子進行縮放并正確映射到0～1中。

[G（rj，cj）=G（rj，cj）+vj（2V）+12）A（rj，cj）] （4）

式中：G為RGB圖像的G通道；rj、cj分別為對應(yīng)圖像矩陣的橫坐標與縱坐標；vj為第j個點的電壓值；V為負荷電壓差最大值；A為次數(shù)矩陣，每個元素值為采樣點映射到軌跡中對應(yīng)坐標重復(fù)次數(shù)。

1.3 "Triplet Loss神經(jīng)網(wǎng)絡(luò)的構(gòu)建

三元組損失的神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)孿生網(wǎng)絡(luò)的構(gòu)造不同，訓(xùn)練時，其輸入由一個錨點、正樣本（與錨點屬于同一類）和一個負樣本（與錨點不同類）構(gòu)成，目的是學(xué)習(xí)一種特征映射，使得同類間特征向量差距縮小，異類間特征向量差距放大，相比于孿生網(wǎng)絡(luò)降低了在遇到相似類別時誤判的概率[11，17?18]。其通過將一組樣本對輸入到三元組損失網(wǎng)絡(luò)的共享層，對提取到的特征向量進行損失函數(shù)運算，并進行網(wǎng)絡(luò)參數(shù)的更新。損失函數(shù)L公式如下：

[L=max0，m+Dfxa，fxp-Dfxa，fxn] （5）

式中：xa、xp、xn分別代表錨點樣本、正樣本、負樣本；f（·）代表三元組網(wǎng)絡(luò)共享層的映射；D（·，·）代表兩個點歐氏距離的運算；m表示正負樣本距離的閾值。

本文采用卷積層、池化層、批量歸一化層以及全連接層作為神經(jīng)網(wǎng)絡(luò)的共享層部分，并增加Dropout防止過擬合，來提取V?I軌跡圖像的特征。以共享層最后一層取128維的全連接層為例，其網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。

卷積層和池化層填充方式均為“same”，卷積層激活函數(shù)均為ReLU，步長大小均為1。

并不是所有的樣本對都能通過式（5）使得梯度下降。Easy樣本對自然滿足式（5），其損失函數(shù)為0；Hard樣本對中，負樣本與錨點之間的距離太遠，訓(xùn)練時模型難以收斂，導(dǎo)致訓(xùn)練不穩(wěn)定[11]；Semi?Hard樣本對可以幫助模型更好地學(xué)習(xí)到數(shù)據(jù)之間的差異。本文通過在線挖掘Semi?Hard樣本對進行訓(xùn)練。

1.4 "基于PCA降維和KNN的識別方法

1.4.1 "基于PCA的特征降維

對于通過1.3節(jié)神經(jīng)網(wǎng)絡(luò)提取到的高維特征向量，向量之間存在著內(nèi)在的相關(guān)性，如果不進行降維，后續(xù)的分類器在運算時會有較高運算量且特征之間會產(chǎn)生冗余。本文采用主成分分析（Principal Component Analysis， PCA）進行降維，計算步驟如下。

1） 構(gòu)建含有m條、特征數(shù)為n維的數(shù)據(jù)集矩陣[X=x1，x2，…，xi，…，xm]。

2） 對所有樣本進行中心化：

[xi←xi-1mi=1mxi] （6）

3） 計算協(xié)方差矩陣：

[C=1mXXT] （7）

4） 計算協(xié)方差矩陣特征值和特征向量，將特征值從大到小進行排序，根據(jù)該順序下的特征值可以進行方差貢獻率的累計。本文選擇貢獻率達到99%時求取K個特征向量并組成系數(shù)矩陣W。

5） 降維后的數(shù)據(jù)為：

[X'=WTX] （8）

1.4.2 "KNN算法

KNN作為一種常見的機器學(xué)習(xí)算法，無需訓(xùn)練，常被用于分類任務(wù)中。KNN在進行分類時計算測試樣本到特征庫中所有樣本的歐氏距離，并選取最近的K個樣本，選擇所屬類別最多的類作為分類結(jié)果。

1.4.3 "基于PCA降維和KNN識別模型的構(gòu)建

本文提出的KNN負荷識別流程如圖2所示。在1.3節(jié)對特征進行映射后，對其進行PCA降維和歸一化處理，以確保特征之間的尺度一致。本文KNN算法中K值選取為1，根據(jù)歐氏距離選擇距新樣本最鄰近的樣本，再計算該樣本所屬類的中心，選擇一個距離判據(jù)進行判斷，若新樣本到最鄰近樣本的距離dnear大于該值，則認為是未知樣本，否則認為屬于該類。

與文獻[10]選擇固定的距離閾值以及與每個樣本兩兩計算相似度的做法不同，本文對每個類分別進行距離閾值的設(shè)定。鑒于閾值選擇為所有該類樣本到該類中心距離的最大值時，會因為部分異常點的存在而導(dǎo)致距離閾值變大，會將其他類別的樣本識別為該類，以及選擇最小值時易將該類別的樣本點識別為未知類別，故本文選擇將鄰近樣本所屬類別的樣本到該類中心所有距離的平均值作為每個類別的動態(tài)閾值，進行已知類別的分類和未知類別的識別。

2 "算例分析

2.1 "實驗環(huán)境與數(shù)據(jù)集選取

本文實驗中CPU為Intel i5?8400，主頻為2.80 GHz，GPU為NVIDIA GeForce GTX 1050 Ti，RAM為24.0 GB，軟件平臺為Python 3.6、TensorFlow 2.3框架。

采用公共數(shù)據(jù)集PLAID2014[19]和COOLL[20]驗證本文方法。其中PLAID2014包含以30 kHz采樣的55戶家庭的11類共235臺電器的電壓電流數(shù)據(jù)，總共為1 074條?？紤]到PLAID2014中不同類別電器樣本量差距較大，采用合成少數(shù)類過采樣技術(shù)（SMOTE）對少數(shù)類進行擴充。擴充后每類樣本為175個，共1 925個樣本。COOLL數(shù)據(jù)集包含以100 kHz采集的12類42臺電器的電壓電流數(shù)據(jù)，每臺電器20條數(shù)據(jù)，總共為840條。PLAID2014和COOLL數(shù)據(jù)集中各類電器均包含不同品牌設(shè)備，每個品牌設(shè)備之間的電氣信息也有所差異。為了驗證本文算法在不同情景下的識別能力，對于PLAID2014數(shù)據(jù)集，選取其全部的數(shù)據(jù)來研究本文算法在不同品牌間的泛化能力；而對于COOLL數(shù)據(jù)集，從中選取部分電器，并采用隨機采樣的方法擴充每個電器的樣本，由20個擴充到60個，共900個樣本，如表2所示，用來研究本文算法在單個電器上的識別能力。對于以上數(shù)據(jù)集，每類隨機選取20個樣本作為測試集，剩余樣本作為訓(xùn)練集。

2.2 "評價指標

為了評估本文算法的識別能力，采用分類任務(wù)中常用的評價指標，如混淆矩陣和準確率來對識別結(jié)果進行評價。混淆矩陣的縱軸代表電器的實際類別，橫坐標代表預(yù)測的類別，從混淆矩陣可以直觀地知道電器的識別情況。準確率指的是識別正確的樣本個數(shù)與測試總樣本個數(shù)之比，其公式為：

[Aaccuracy=NtrueNtotal] （9）

式中：Ntrue指正確識別的樣本個數(shù)；Ntotal指測試樣本總數(shù)。

2.3 "PLAID數(shù)據(jù)集實驗結(jié)果

利用1.2節(jié)的方法構(gòu)造負荷樣本，考慮到軌跡分辨率過低時不足以將特征充分表達，以及過高時會存在噪聲干擾，本文參考文獻[21]，將軌跡矩陣的大小設(shè)置為64×64。同時為了適應(yīng)網(wǎng)絡(luò)的輸入，將圖像大小針對輸入層調(diào)整為224×224×3，每類留下20個樣本作為測試集，剩余的作為訓(xùn)練集。

首先，驗證本文方法對于已知類的分類能力。訓(xùn)練時batch size設(shè)置為32，epoch為300輪，由于模型最后使用L2正則化，將每個樣本的L2范數(shù)歸一化為1，鑒于訓(xùn)練難易度，默認設(shè)置損失函數(shù)中的m為1。最后采用初始學(xué)習(xí)率為0.001的Adam優(yōu)化器對網(wǎng)絡(luò)參數(shù)進行優(yōu)化。訓(xùn)練完后用測試集對模型進行測試，混淆矩陣結(jié)果如圖3所示。其中按照0～10進行編號的類別分別為空調(diào)、熒光燈、風(fēng)扇、冰箱、吹風(fēng)機、加熱器、白熾燈、計算機、微波爐、吸塵器、洗衣機，被識別為未知負荷時標記為-1。

由圖3可以看出：冰箱分別有一個和兩個樣本與風(fēng)扇、白熾燈產(chǎn)生了混淆；風(fēng)扇、冰箱、吸塵器、洗衣機均有個別樣本被識別為未知負荷，其原因是電器不同品牌或運行狀態(tài)特征差異較大；其他負荷均未發(fā)生誤分類，且該方法能夠有效識別電氣特征類似的負荷，如加熱設(shè)備、吹風(fēng)機和加熱器等。絕大部分負荷識別準確率為100%，平均識別準確率為96.3%。

為說明本文算法在負荷識別方面的有效性，將其與其他文獻方法進行對比，均采用PLAID數(shù)據(jù)集進行實驗，結(jié)果如表3所示。

其中，文獻[22]使用兩個特征提取網(wǎng)絡(luò)對V?I軌跡和功率特征進行提取并融合，再訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)進行分類。文獻[23]采用卷積和BP神經(jīng)網(wǎng)絡(luò)分別對軌跡的圖像特征以及諧波和功率等數(shù)值特征進行雙通道融合，并在融合特征后構(gòu)建全連接層，對分類器進行訓(xùn)練。文獻[24]將設(shè)備功率特征進行維度變換，與軌跡組成新的混合特征圖，并用LeNet進行分類?？梢钥闯?，除了吸塵器，本文方法在其他設(shè)備及平均識別準確率上均高于文獻所提的方法。盡管以上文獻均采用特征融合的方法，但相比之下本文模型使用三元組損失能更好地捕捉復(fù)雜特征，且該方法使得特征空間中的不同類樣本更具區(qū)分性，同類樣本更具緊密性，而KNN對于特征空間中具有明顯分布結(jié)構(gòu)的數(shù)據(jù)更合適，因此得到的結(jié)果均優(yōu)于以上方法。

為了說明在接入新負荷時本文方法對于未知負荷的辨識能力，分別將洗衣機、吸塵器、微波爐、計算機作為新類別接入，其余類別電器作為已知類進行實驗，結(jié)果如表4所示。第一列表示未知類的電器類型，其余列為各電器的識別準確率，包括未知類和已知類的電器?？梢钥吹皆诟髑榫跋卤疚姆椒ň休^好的識別準確率，平均準確率均在91%以上，能夠在保證準確分類已知類的前提下辨別出新接入的未知類別。這是由于三元組損失網(wǎng)絡(luò)的映射使得特征空間中各已知類相分離，為新接入的類保留了大部分的特征空間，而KNN依賴于數(shù)據(jù)之間的距離，對于密集分布的數(shù)據(jù)集表現(xiàn)良好。因此，本文方法能有效降低已知負荷被識別為未知的概率，并有效地將未知負荷識別出來。然而當(dāng)計算機作為未知類時，準確率僅為65%，這是由于計算機的V?I軌跡與已知類中的熒光燈相似，在識別過程中將部分計算機樣本識別為熒光燈而導(dǎo)致識別準確率較低。

2.4 "COOLL數(shù)據(jù)集實驗結(jié)果

對于COOLL數(shù)據(jù)集，將表2中編號為11～14的類別作為未知類別，每個類60個樣本，共240個樣本，編號標為-1。對于已知類，取每個類樣本20個作為測試集，剩余樣本作為訓(xùn)練集進行訓(xùn)練。訓(xùn)練完畢對測試集進行識別，其混淆矩陣如圖4所示。

由圖4可見，已知負荷的識別率達到了95.9%，未知類別識別準確率為100%，平均準確率為98%；絕大部分電器識別準確率為100%，僅有少數(shù)電器樣本，如鉆頭2和研磨機2等被識別為未知類。對于部分電氣特征相似的設(shè)備，如研磨機1和修剪機，在兩個設(shè)備之間也沒產(chǎn)生混淆?？梢姳疚姆椒▽τ趩蝹€型號設(shè)備識別上具有較高的準確率，能夠避免未知電器接入時在各已知類之間產(chǎn)生混淆，并能準確地識別出未知類，但是不足的是會將少數(shù)已知類識別為未知類。

3 "結(jié) "論

針對在接入新負荷時傳統(tǒng)非侵入式負荷識別算法會產(chǎn)生誤分類的問題，本文提出了一種以Triplet Loss訓(xùn)練神經(jīng)網(wǎng)絡(luò)映射結(jié)合KNN的負荷識別方法。該方法將帶有電流、電壓、相位信息的彩色V?I軌跡作為負荷印記，通過三元組損失訓(xùn)練的神經(jīng)網(wǎng)絡(luò)映射得到具有區(qū)分度的特征向量；使用PCA等預(yù)處理技術(shù)，在各類中心構(gòu)造類鄰域，設(shè)定動態(tài)閾值，并使用KNN進行識別。

采用PLAID和COOLL數(shù)據(jù)集對本文方法進行了測試。對于PLAID數(shù)據(jù)集，相比于其他文獻的方法，本文方法在已知負荷分類準確率上達到了96.3%，有著更高的識別準確率，并在未知負荷的檢測上效果顯著。對于COOLL數(shù)據(jù)集，已知負荷分類準確率達到了95.9%，在未知類別的檢測上達到了100%。表明本文所提方法能夠在準確識別已知類的前提下檢測未知類負荷，這為非侵入式負荷識別的實際應(yīng)用提供了方案。

注：本文通訊作者為張勝。

參考文獻

[1] 雷怡琴，孫兆龍，葉志浩，等.電力系統(tǒng)負荷非侵入式監(jiān)測方法研究[J].電工技術(shù)學(xué)報，2021，36（11）：2288?2297.

[2] 張春健.非侵入式家居電器負荷識別方法研究及應(yīng)用[D].濟南：山東大學(xué)，2021.

[3] HART G W. Nonintrusive appliance load monitoring [J]. Proceedings of the IEEE， 1992， 80（12）： 1870?1891.

[4] 呂志寧，趙少東，饒竹一，等.非侵入負荷辨識的諧波特征量提取改進方法研究[J].電子測量技術(shù)，2019，42（7）：29?34.

[5] LAM H Y， FUNG G S K， LEE W K. A novel method to construct taxonomy electrical appliances based on load signatures [J]. IEEE transactions on consumer electronics， 2007， 53（2）： 653?660.

[6] DU L， HE D W， HARLEY R G， et al. Electric load classification by binary voltage?current trajectory mapping [J]. IEEE transactions on smart grid， 2016， 7（1）： 358?365.

[7] 郇嘉嘉，汪超群，洪海峰，等.基于圖像編碼與深度學(xué)習(xí)的非侵入式負荷識別方法[J].科學(xué)技術(shù)與工程，2021，21（21）：8901?8908.

[8] 華亮亮，黃偉，楊子力，等.基于DTW算法的非侵入式家居負荷行為識別方法[J].電測與儀表，2019，56（14）：17?22.

[9] 王蕭陽.基于動態(tài)環(huán)境的非侵入式負荷識別算法研究[D].重慶：重慶郵電大學(xué)，2022.

[10] YU M， WANG B N， LU L X， et al. Non?intrusive adaptive load identification based on Siamese network [J]. IEEE access， 2022， 10： 11564?11573.

[11] 王丙楠，陸玲霞，包哲靜，等.一種基于度量學(xué)習(xí)的自適應(yīng)非侵入式負荷識別方法[J/OL].電測與儀表：1?9[2024?03?22].http：//kns.cnki.net/kcms/detail/23.1202.TH.20220523.1708.00

4.html.

[12] 程時遠.復(fù)雜條件下的通信輻射源個體識別研究[D].成都：電子科技大學(xué)，2022.

[13] CHEN Y H， XU X D， QIN X W. An open?set modulation recognition scheme with deep representation learning [J]. IEEE communications letters， 2023， 27（3）： 851?855.

[14] BHAVANASI G， WERTHEN?BRABANTS L， DHAENE T， et al. Open?set patient activity recognition with radar sensors and deep learning [J]. IEEE geoscience and remote sensing letters， 2023， 20： 1?5.

[15] 陳澤理，盧簫揚，林培杰，等.基于偽標簽?1D DenseNet?KNN的光伏陣列開集復(fù)合故障診斷方法[J].福州大學(xué)學(xué)報（自然科學(xué)版），2023，51（4）：490?497.

[16] 鮑海波，楊舒惠，陳子民，等.事件檢測類非侵入式負荷監(jiān)測算法綜述[J].電力系統(tǒng)自動化，2023，47（13）：94?109.

[17] 許柏祥，劉麗，邱桃榮.面向近重復(fù)文本圖像檢索的三分支孿生網(wǎng)絡(luò)[J].智能系統(tǒng)學(xué)報，2022，17（3）：515?522.

[18] 高昂，鄭建勇，梅飛，等.基于三元組孿生網(wǎng)絡(luò)的竊電檢測算法[J].中國電機工程學(xué)報，2022，42（11）：3975?3986.

[19] GAO J K， GIRI S， KARA E C， et al. PLAID： a public dataset of high?resoultion electrical appliance measurements for load identification research： demo abstract [C]// Proceedings of the 1st ACM Conference on Embedded Systems for Energy?Efficient Buildings. Memphis， United States： ACM， 2014： 198?199.

[20] PICON T， MEZIANE M N， RAVOER P， et al. COOLL： controlled on/off loads library， a public dataset of high?sampled electrical signals for appliance identification [EB/OL]. [2024?04?13]. https：//arxiv.org/pdf/1611.05803.pdf.

[21] 崔昊楊，蔡杰，陳磊，等.基于顏色編碼的非侵入式負荷細粒度識別方法[J].電網(wǎng)技術(shù)，2022，46（4）：1557?1567.

[22] 王守相，郭陸陽，陳海文，等.基于特征融合與深度學(xué)習(xí)的非侵入式負荷辨識算法[J].電力系統(tǒng)自動化，2020，44（9）：103?110.

[23] 郇嘉嘉，汪超群，洪海峰，等.基于雙通道多特征融合的電力負荷智能感知方法[J].科學(xué)技術(shù)與工程，2021，21（13）：5360?5368.

[24] 梁浚杰，楊舒惠，鮑海波，等.基于混合特征圖的非侵入式負荷監(jiān)測算法[J].廣西大學(xué)學(xué)報（自然科學(xué)版），2023，48（1）：132?139.