王守相 ，孫智卿 ，孔繁鋼 ，秦俊寧 ，常建平

（1.天津大學(xué) 智能電網(wǎng)教育部重點(diǎn)實(shí)驗(yàn)室，天津 300072；2.國網(wǎng)浙江省電力公司，浙江 杭州 310007；3.國網(wǎng)節(jié)能服務(wù)有限公司，北京 100052）

0 引言

需求響應(yīng)技術(shù)可以通過引導(dǎo)用戶改變用電模式實(shí)現(xiàn)負(fù)荷的削減或轉(zhuǎn)移，從而提高能源使用效率?，F(xiàn)階段施行的需求響應(yīng)方案主要面向大型工業(yè)用戶，而將建筑負(fù)荷納入需求響應(yīng)方案也同樣重要。目前，建筑能耗約占我國社會(huì)總能耗的28%，是僅次于工業(yè)能耗的第二大耗能主體，而辦公樓、商場、酒店、醫(yī)院、學(xué)校等公共建筑單位面積年能耗（標(biāo)準(zhǔn)煤）為21.9 kg ／（m2·a），遠(yuǎn)高于住宅建筑，因而更具需求響應(yīng)潛力［1］。需求響應(yīng)實(shí)施的先決條件是對負(fù)荷數(shù)據(jù)的采集和分析，傳統(tǒng)的建筑能耗監(jiān)控依靠大量傳感器實(shí)現(xiàn)侵入式負(fù)荷監(jiān)測，其系統(tǒng)成本受限于建筑面積［2］。因此，實(shí)現(xiàn)低成本的用能監(jiān)測是建筑用戶參與需求響應(yīng)的必要前提，同時(shí)也可以促進(jìn)建筑能效的提升。

侵入式負(fù)荷監(jiān)測存在硬件成本高、布線復(fù)雜、維護(hù)困難等缺陷。1985年，Hart提出非侵入式負(fù)荷監(jiān)測 NILM（Non-Intrusive Load Monitoring）的概念［3］，通過在電力接口處采集功率等負(fù)荷特征對電器設(shè)備進(jìn)行辨識，設(shè)備簡單，易于部署。近年來，NILM的研究對象主要為家庭用戶，研究者分別從負(fù)荷特征提取、優(yōu)化方法、機(jī)器學(xué)習(xí)等方面提高負(fù)荷識別率［4-5］。然而公共建筑負(fù)荷規(guī)模往往比家庭負(fù)荷大3～4個(gè)數(shù)量級，同時(shí)配電系統(tǒng)結(jié)構(gòu)復(fù)雜，設(shè)備類型多樣、數(shù)量龐大、動(dòng)作重疊概率大，因而識別難度大幅增加。1995 年，Norford 等［6］首次將 NILM 用于公共建筑，但由于上述原因并未取得可推廣的成果。文獻(xiàn)［7］嘗試用數(shù)據(jù)挖掘方法對住宅建筑和公共建筑進(jìn)行非監(jiān)督能量分解，但該方法無法處理多種小功率設(shè)備同時(shí)運(yùn)行情況下的動(dòng)作重疊問題。文獻(xiàn)［8］比較了NILM在公共建筑和住宅建筑的性能差異，認(rèn)為單一的NILM方法難以有效解決公共建筑負(fù)荷監(jiān)測問題?，F(xiàn)有公共建筑能耗分解則主要采用了末端能耗拆分算法和最優(yōu)能耗估算算法［9］，可以實(shí)現(xiàn)建筑的小時(shí)能耗拆分，用于對建筑能效進(jìn)行整體性評估，卻無法用于需要實(shí)時(shí)負(fù)荷分解數(shù)據(jù)的需求響應(yīng)。

針對建筑負(fù)荷監(jiān)測的特點(diǎn)，本文不以負(fù)荷設(shè)備使用的識別率和識別種類為主要目標(biāo)，而是依據(jù)建筑能耗分項(xiàng)計(jì)量現(xiàn)狀，進(jìn)行建筑負(fù)荷能效特征分析，提出了一種基于三重可信度匹配的建筑用能在線分解方法，實(shí)現(xiàn)參與需求響應(yīng)負(fù)荷的專項(xiàng)拆分，分解結(jié)果可用于建筑級電力用戶的需求響應(yīng)，也能為建筑能效管理提供更全面的分析數(shù)據(jù)。

1 面向需求響應(yīng)的建筑能耗監(jiān)測技術(shù)

1.1 建筑能耗監(jiān)測特點(diǎn)

對于不同類別的電力用戶，其負(fù)荷特性存在巨大差異，因而現(xiàn)有的建筑能耗監(jiān)測方案對于公共建筑和住宅建筑有著本質(zhì)的不同，典型的公共建筑和住宅建筑日負(fù)荷曲線如圖1所示。其中住宅建筑的設(shè)備事件十分明顯，在現(xiàn)有智能電表?xiàng)l件下就可以實(shí)現(xiàn)家庭用戶的NILM，相關(guān)研究側(cè)重于提高各類小功率且能效特征相近的家電設(shè)備識別率。而公共建筑的負(fù)荷特性表現(xiàn)得極為復(fù)雜。由于建筑內(nèi)設(shè)備數(shù)量眾多，設(shè)備啟停只有在高頻采樣中才能觀測到。同時(shí)，設(shè)備的運(yùn)行時(shí)間往往發(fā)生重疊，使得整體負(fù)荷曲線趨于極端，峰谷更加明顯。因此，公共建筑主要通過增加直接的分項(xiàng)計(jì)量裝置實(shí)現(xiàn)建筑能耗監(jiān)測，其典型的分項(xiàng)能耗結(jié)構(gòu)如圖2所示。

圖1 建筑典型日負(fù)荷曲線Fig.1 Typical daily load curves of building

圖2 公共建筑分項(xiàng)計(jì)量結(jié)構(gòu)Fig.2 Structure of itemized metering for commercial building

由圖2可發(fā)現(xiàn)，除去上文提到的系統(tǒng)部署和維護(hù)等問題外，直接的分項(xiàng)計(jì)量還存在空調(diào)末端難以計(jì)量、照明與插座設(shè)備混合、特殊與普通功能混合等問題［9］，如何在建筑級需求響應(yīng)中避免這些問題是建筑用能分解方法的重點(diǎn)。

1.2 建筑級需求響應(yīng)的體系架構(gòu)

針對建筑用戶參與需求響應(yīng)的應(yīng)用場景，大多數(shù)研究者都主張以大功率并具有使用柔性的溫控負(fù)荷作為響應(yīng)資源，如暖通空調(diào)、電熱水器等，而各類小功率電子設(shè)備并不適合參與需求響應(yīng)［10］。因此，面向需求響應(yīng)的建筑能耗監(jiān)測重點(diǎn)在于溫控負(fù)荷的監(jiān)測。然而暖通空調(diào)除了存在于獨(dú)立的支路中也可能出現(xiàn)在插座支路或特殊功能支路中，熱水器或開水器等加熱設(shè)備與照明插座同一支路，所以需要通過建筑用能在線分解方法實(shí)現(xiàn)對需求響應(yīng)資源的拆分，其體系架構(gòu)如圖3所示。

圖3 建筑級需求響應(yīng)體系架構(gòu)Fig.3 Framework of building-level demand response

如圖3所示，在建筑的配電支路端口安裝用能分解監(jiān)測模塊，通過采集總的電壓、電流信息，篩選出有效的數(shù)據(jù)進(jìn)行特征提取，并與建筑負(fù)荷特征庫中模板進(jìn)行匹配實(shí)現(xiàn)負(fù)荷的辨識，并計(jì)算得到實(shí)時(shí)狀態(tài)下可用于需求響應(yīng)的響應(yīng)容量QDR為：

其中，Pi（t）為響應(yīng)負(fù)荷的實(shí)時(shí)有功功率；n為建筑中參與響應(yīng)的負(fù)荷數(shù)量；T為需求響應(yīng)中心下達(dá)的響應(yīng)持續(xù)時(shí)間。

需求響應(yīng)中心通過與建筑能源管理者互動(dòng)，獲取建筑實(shí)時(shí)的響應(yīng)容量，據(jù)此生成優(yōu)化的需求響應(yīng)方案；建筑能源管理者通過建筑用能分解數(shù)據(jù)可以完善直接計(jì)量結(jié)果的不足，有利于提升建筑能效。

當(dāng)建筑規(guī)模過大時(shí)，在線分解方法的識別率將大幅下降，此時(shí)應(yīng)在主要配電支路上增加用能監(jiān)測模塊，通過減少監(jiān)測范圍，降低設(shè)備動(dòng)作重疊概率，保證對響應(yīng)資源的識別率。

2 建筑負(fù)荷特征分析

提取適用于建筑級需求響應(yīng)的負(fù)荷特征是實(shí)現(xiàn)建筑用能在線分解的基礎(chǔ)。負(fù)荷特征是指根據(jù)計(jì)量檢測裝置采集的數(shù)據(jù)可以唯一確定一類電力負(fù)荷的特征集合，通過國內(nèi)外研究者發(fā)布的電力公共數(shù)據(jù)集可以進(jìn)行用電負(fù)荷特征的提取，同時(shí)也可以為負(fù)荷分解算法的性能提供標(biāo)準(zhǔn)化驗(yàn)證的依據(jù)。主要的公共數(shù)據(jù)集信息如表1所示，其中包括住宅建筑和公共建筑2類，采樣頻率一般包括針對整體負(fù)荷的高頻采樣和針對單個(gè)設(shè)備運(yùn)行狀態(tài)的低頻采樣。

表1 電力公共數(shù)據(jù)集Table1 Public NILM datasets

不同的計(jì)量檢測裝置可以采集一類負(fù)荷不同頻率下的電壓、電流、有功、無功、諧波含量等信息，結(jié)合建筑級需求響應(yīng)的特點(diǎn)，依據(jù)采集頻率和采集窗長的不同，采用的建筑負(fù)荷特征包括功率能效特征、暫態(tài)能效特征和穩(wěn)態(tài)能效特征。

2.1 功率能效特征

負(fù)荷的有功功率和無功功率變化作為負(fù)荷的功率能效特征是最易獲取的負(fù)荷數(shù)據(jù)，可由直接低頻采樣的電壓、電流計(jì)算得到。通過統(tǒng)計(jì)公共數(shù)據(jù)集中得到的建筑負(fù)荷功率能效特征如圖4所示。

圖4 典型建筑負(fù)荷功率分布Fig.4 Typical power distribution of building loads

由于小功率設(shè)備的功率能耗特征接近，所以在住宅建筑中無法作為主要的辨識特征。但在公共建筑中，大功率設(shè)備數(shù)量種類增多，單相負(fù)荷和三相負(fù)荷耦合，同類設(shè)備功率范圍大，大部分適用于需求響應(yīng)的溫控負(fù)荷就屬于此類。因而功率能耗特征適合識別大型負(fù)荷的啟停和運(yùn)行狀態(tài)。

2.2 暫態(tài)能效特征

在設(shè)備開啟和關(guān)閉的暫態(tài)過程中，因?yàn)槠渲性奶匦圆町悾瑔?dòng)電流能效特征可以用來進(jìn)行負(fù)荷識別，此時(shí)電壓變化的影響作用可以忽略。據(jù)此可將負(fù)荷分為阻性負(fù)荷、感性負(fù)荷、電動(dòng)機(jī)負(fù)荷和整流器負(fù)荷4類，其暫態(tài)能效特征如圖5所示。

圖5 建筑負(fù)荷暫態(tài)能效特征Fig.5 Transient signatures of building loads

其中，作為需求響應(yīng)資源的溫控負(fù)荷中，大型加熱設(shè)備屬于阻性負(fù)荷，其暫態(tài)過程與穩(wěn)態(tài)運(yùn)行狀態(tài)近似，因而最適合參與需求響應(yīng)；制冷設(shè)備屬于電動(dòng)機(jī)負(fù)荷，存在啟動(dòng)的尖峰波動(dòng)；感性負(fù)荷和整流器負(fù)荷主要存在于照明插座線路中，往往缺乏實(shí)現(xiàn)需求響應(yīng)所需的使用柔性。

2.3 穩(wěn)態(tài)能效特征

穩(wěn)態(tài)能效特征主要指負(fù)荷穩(wěn)定運(yùn)行時(shí)，疊加在電壓、電流值中的諧波特征，例如穩(wěn)態(tài)電流曲線、U-I曲線等。圖6為穩(wěn)態(tài)能效特征曲線，各小圖中從上至下分別對應(yīng)電動(dòng)機(jī)負(fù)荷、阻性負(fù)荷、整流器負(fù)荷和感性負(fù)荷。

圖6 建筑負(fù)荷穩(wěn)態(tài)能效特征Fig.6 Steady-state signatures of building loads

從圖6中可以發(fā)現(xiàn)，不同類設(shè)備的U-I曲線的圖形特征與設(shè)備產(chǎn)生的諧波電流相關(guān)。適用于需求響應(yīng)的大型阻性負(fù)荷接近為直線，而制冷類電動(dòng)機(jī)負(fù)荷電流有一定的畸變，電流與電壓之間存在相位差，U-I曲線為傾斜的橢圓。感性負(fù)荷U-I曲線類為螺旋形。整流器負(fù)荷電流曲線畸變程度大，U-I曲線會(huì)出現(xiàn)交叉點(diǎn)。U-I曲線可以通過其中心線的斜率、封閉空間的面積和是否存在交叉點(diǎn)作為其能效特征。

3 建筑負(fù)荷在線分解方法

建筑負(fù)荷在線分解方法采用歐氏距離判定監(jiān)測數(shù)據(jù)與特征數(shù)據(jù)的相似程度，可定義p維向量x和y的歐氏距離為：

其中，x= ［x1，x2，…，xp］，y= ［y1，y2，…，yp］；且 x≥0，y≥0。

進(jìn)一步統(tǒng)計(jì)一組向量之間的相近程度時(shí)，在式（2）的基礎(chǔ)上，定義可信度來表示。

其中，X、Y為 q個(gè) p維向量組，Xi與 Yi為對應(yīng)的 p維向量。通過計(jì)算一類能效特征下的多個(gè)特征模板與監(jiān)測數(shù)據(jù)的歐氏距離，然后再求出該類能效特征對應(yīng)各模板的可信度，可以判斷得到最接近的模板類型。

建筑負(fù)荷分解算法執(zhí)行如下：當(dāng)檢測到負(fù)荷啟停時(shí)，先依據(jù)功率能效特征匹配大型負(fù)荷，若不在大型負(fù)荷列表中，再依據(jù)暫態(tài)能效特征匹配各模板中負(fù)荷，記錄啟停負(fù)荷類型、功率與可信度；周期性進(jìn)行穩(wěn)態(tài)能效特征匹配，確定運(yùn)行中負(fù)荷的組成成分，記錄當(dāng)前各負(fù)荷類型比例、功率與可信度，并且與暫態(tài)能效特征匹配和功率能效特征匹配記錄進(jìn)行比較修正，比較修正過程依據(jù)可信度進(jìn)行，優(yōu)先修正可信度較小的記錄，最終完成建筑負(fù)荷能效特征三重匹配。

3.1 建筑負(fù)荷能效特征庫

建筑負(fù)荷能效特征庫包含了阻性負(fù)荷、感性負(fù)荷、整流器負(fù)荷和電動(dòng)機(jī)負(fù)荷4類建筑負(fù)荷的暫態(tài)、穩(wěn)態(tài)和功率能效特征。其中，暫態(tài)能效特征包含電流變化量、電流突變量、啟動(dòng)時(shí)長與暫態(tài)啟動(dòng)電流波形；穩(wěn)態(tài)能效特征包含諧波含量與U-I曲線波形；功率能效特征包含功率變化量與有功無功比。

3.2 信息篩選

為了減小算法運(yùn)算量，降低對采集設(shè)備的要求，節(jié)約成本并提高準(zhǔn)確性，在暫態(tài)能效特征檢測環(huán)節(jié)前進(jìn)行信息篩選。該環(huán)節(jié)的目的是確定是否有設(shè)備啟停事件發(fā)生，同時(shí)去除所采集數(shù)據(jù)中的噪聲，使得暫態(tài)特征更加明顯。篩選方法是計(jì)算電流和功率在采集數(shù)據(jù)窗內(nèi)變化的幅值，并與統(tǒng)計(jì)的建筑內(nèi)設(shè)備電流和功率進(jìn)行比對，若達(dá)到小型設(shè)備啟停的標(biāo)準(zhǔn)，則進(jìn)入能效特征識別三重匹配過程。

3.3 能效特征三重匹配

3.3.1 功率能效特征一重匹配

建筑中的大功率設(shè)備數(shù)量較少，構(gòu)成簡單，可以根據(jù)其功率特征、無功比例和電流變化分相特征確定。商業(yè)、辦公、學(xué)校等公共建筑中kW級設(shè)備大多為電梯、暖通空調(diào)、熱水設(shè)備、單開關(guān)控制的大型展廳照明等。數(shù)據(jù)采集設(shè)備根據(jù)線路安裝后，根據(jù)分相特征和功率特征可以識別電梯與空調(diào)，根據(jù)分相特征和無功比例可以識別出照明與鍋爐、熱水器。計(jì)算其可信度，達(dá)到設(shè)定值即直接記錄設(shè)備的類型。設(shè)定值根據(jù)具體建筑負(fù)荷情況，需要進(jìn)行相應(yīng)調(diào)整，根據(jù)功率特征匹配得到其中啟動(dòng)和停止的大功率設(shè)備信息，作為一重匹配結(jié)果。

3.3.2 暫態(tài)能效特征二重匹配

暫態(tài)能效特征包含三維特征向量（電流變化量、電流突變量、啟動(dòng)時(shí)長）和多維向量啟動(dòng)電流波形。暫態(tài)能效特征可信度與這2組向量的歐氏距離有關(guān)。

暫態(tài)三維特征向量與模板特征向量的歐氏距離為：

其中，ΔI為電流變化量；ΔItempl為模板中電流變化量；Ip為電流突變量；Ip-templ為模板中電流突變量；T為啟動(dòng)時(shí)長；Ttempl為模板中啟動(dòng)時(shí)長。

多維向量啟動(dòng)電流波形與模板電流波形向量的歐氏距離為：

其中，i為 m 維啟動(dòng)電流向量，i=［i1，i2，…，im］；I為模板中啟動(dòng)電流向量，I=［I1，I2，…，Im］。

計(jì)算暫態(tài)能效特征的可信度如下：

選擇并匹配模板庫中可信度最高的一類負(fù)荷，并記錄負(fù)荷類型與可信度值。通過采集設(shè)備獲得的數(shù)據(jù)，經(jīng)過信息篩選，根據(jù)暫態(tài)能效特征匹配識別出最契合的設(shè)備類型，作為二重匹配結(jié)果。

3.3.3 穩(wěn)態(tài)能效特征三重匹配

穩(wěn)態(tài)能效特征包含2個(gè)多維向量：高次諧波比例向量與U-I比值向量。穩(wěn)態(tài)能效特征可信度與這2組向量的歐氏距離有關(guān)，歐氏距離和可信度的計(jì)算與暫態(tài)能效特征情況相似，匹配間隔10 min，對電流、電壓信息周期性地進(jìn)行高頻采樣，濾去噪聲后進(jìn)行穩(wěn)態(tài)能效特征匹配，識別得到負(fù)荷類型比例與功率，記錄本次穩(wěn)態(tài)匹配的可信度。

3.4 能效特征識別修正

三重匹配的結(jié)果之間必然存在差異，因此需要進(jìn)行能效特征識別修正。通過基于可信度的比較修正，可以得到最契合當(dāng)前負(fù)荷類型比例與功率情況的結(jié)果，作為最終的建筑用能分解結(jié)果，其流程如圖7所示。

（1）比較一、二重匹配得到的記錄集S1_2與三重匹配得到的本周期差異集S3。若兩者分類近似相同（分類不同的功率在10%以下），則將本周期穩(wěn)態(tài)特征匹配記錄作為本周期特征匹配結(jié)果Sresult；否則進(jìn)行如下步驟。

（2）將S3中可信度記為X，則在S1_2中刪去可信度小于X的記錄。

（3）再次比較一、二重匹配得到的記錄集S′1_2與三重匹配得到的本周期差異集S3。若本周期差異集S3完全包含一、二重匹配得到的記錄集S′1_2，則將本周期穩(wěn)態(tài)特征匹配記錄作為本周期特征匹配結(jié)果；否則，一、二重匹配得到的記錄集S′1_2中不與本周期差異集S3重疊的部分SU與本周期差異集S3合并，得到本次特征識別結(jié)果的記錄集Sresult，即為實(shí)時(shí)的建筑用能分解結(jié)果。

圖7 負(fù)荷識別比較修正流程Fig.7 Flowchart of load identification，comparison and modification

4 實(shí)例分析

為驗(yàn)證基于三重可信度匹配的建筑用能在線分解方法是否能為用戶參與需求響應(yīng)提供可靠的需求側(cè)資源實(shí)時(shí)數(shù)據(jù)，從整體負(fù)荷中計(jì)算出響應(yīng)資源規(guī)模，采用實(shí)際的公共建筑進(jìn)行測試分析。測試分析的對象為浙江省某一商用辦公建筑。該用戶總建筑面積約為2500 m2，已完成分項(xiàng)計(jì)量改造，現(xiàn)有建筑能源管理系統(tǒng)中部署了26個(gè)集中器和超過300個(gè)測點(diǎn)，將建筑用能分解模塊接入現(xiàn)有系統(tǒng)中，如圖8所示。

圖8 建筑能源管理系統(tǒng)結(jié)構(gòu)Fig.8 Structure of building energy management system

其中2個(gè)用能分解監(jiān)測模塊采樣頻率為5 kHz，接入2路配電進(jìn)線，原有建筑能源管理系統(tǒng)采樣周期為10 min。建筑能源管理系統(tǒng)采用B／S架構(gòu)，統(tǒng)計(jì)數(shù)據(jù)按照空調(diào)、一般插座照明、動(dòng)力、特殊負(fù)荷等4類進(jìn)行分項(xiàng)計(jì)量，通過分散測點(diǎn)基本實(shí)現(xiàn)了插座和照明用電的區(qū)分和空調(diào)末端的獨(dú)立計(jì)量。加入用能分解監(jiān)測模塊后，得到的建筑用能分解結(jié)果如圖9所示。其中插座類設(shè)備中檢測出電開水器，而暖通空調(diào)負(fù)荷由4部三相空調(diào)構(gòu)成，未分解負(fù)荷主要包括插座用電中的各類電子設(shè)備。溫控負(fù)荷的用能分解結(jié)果與分項(xiàng)計(jì)量數(shù)據(jù)總體保持一致，表明該方法在需求響應(yīng)問題中可以替代高成本的分項(xiàng)計(jì)量。

圖9 建筑用能在線分解結(jié)果Fig.9 Results of online building energy disaggregation

5 結(jié)論

本文針對建筑負(fù)荷能耗監(jiān)測問題，提出了一種面向需求響應(yīng)的建筑負(fù)荷用能在線分解方法，實(shí)現(xiàn)了對建筑負(fù)荷中需求響應(yīng)資源的實(shí)時(shí)監(jiān)測。該方法通過功率能效特征檢測響應(yīng)資源，暫態(tài)能效特征檢測突變類型，穩(wěn)態(tài)能效特征檢測運(yùn)行負(fù)荷，實(shí)現(xiàn)能效特征可信度三重匹配，其中功率、暫態(tài)能效特征實(shí)時(shí)匹配，穩(wěn)態(tài)能效特征定時(shí)匹配。與現(xiàn)有分項(xiàng)計(jì)量比較的結(jié)果表明，其對響應(yīng)資源辨識度高，并可大幅降低原有分項(xiàng)計(jì)量的成本，適用于面向需求響應(yīng)的建筑能耗監(jiān)測。

參考文獻(xiàn)：

［1］清華大學(xué)建筑節(jié)能研究中心.中國建筑節(jié)能年度發(fā)展研究報(bào)告2015［M］. 北京：中國建筑工業(yè)出版社，2015：2-4.

［2］梁甜甜，高賜威，王蓓蓓.智能電網(wǎng)下電力需求側(cè)管理應(yīng)用［J］.電力自動(dòng)化設(shè)備，2012，32（5）：81-85.LIANG Tiantian，GAO Ciwei，WANG Beibei.Applicationsof demand side managementin smartgrid［J］.Electric Power Automation Equipment，2012，32（5）：81-85.

［3］HART G W.Prototype nonintrusive appliance load monitor［R］.New York，USA：MIT Energy Laboratory and Electric Power Research Institute，1985.

［4］ZEIFMAN M，ROTH K.Nonintrusive appliance load monitoring：review and outlook［J］.IEEE Transactions on Consumer Electronics，2011，57（1）：76-84.

［5］KOLTER J Z，JOHNSON M J.REDD：a public data set for energy disaggregation research［C］∥Workshop on Data Mining Applications in Sustainability（SIGKDD）.San Diego，USA：［s.n.］，2011：59-62.

［6］NORFORD L K，LEEB S B.Non-intrusive electrical load monitoring in commercialbuildings based on steady-state and transient load-detection algorithms［J］.Energy and Buildings，1996，24（1）：51-64.

［7］SHAO H，MARWAH M，RAMAKRISHNAN N.A temporal motif mining approach to unsupervised energy disaggregation：applications to residential and commercial buildings［C］∥27th AAAI Conference on Artificial Intelligence. ［S.l.］：AAAI Press，2013：1327-1333.

［8］BATRA N，PARSON O，BERGES M，et al.A comparison of nonintrusive load monitoring methods for commercial and residential building［EB／OL］. ［2014-08-27］.https：∥arxiv.org ／abs ／1408.6595.

［9］王鑫.公共建筑用能分項(xiàng)計(jì)量綜合關(guān)鍵技術(shù)研究［D］.北京：清華大學(xué)，2010.WANG Xin.Studieson keytechnologyofsub-meteringin commercial buildings［D］.Beijing：Tsinghua University，2010.

［10］張國新，王蓓蓓.引入需求響應(yīng)的電力市場運(yùn)行研究及對我國電力市場改革的思考［J］. 電力自動(dòng)化設(shè)備，2008，28（10）：28-33.ZHANG Guoxin，WANG Beibei.Study of power market operation with demand response and consideration ofChina’spower market reform［J］.Electric Power Automation Equipment，2008，28（10）：28-33.

［11］BATRA N，GULATI M，SINGH A，et al.It’s different：insights into home energy consumption in India［C］∥Proceedings of the 5th ACM Workshop on Embedded Systems for Energy-Efficient Buildings.New York，USA：［s.n.］，2013：1-8.

［12］MAKONIN S，POPOWICH F，BARTRAM L，etal.AMPds：a public dataset for load disaggregation and eco-feedback research［C］∥Electrical Power&Energy Conference（EPEC），2013 IEEE.［S.l.］：IEEE，2013：1-6.

［13］KELLY J，KNOTTENBELT W.The UK-DALE dataset，domestic appliance-levelelectricity demand and whole-house demand from five UK homes［EB／OL］. ［2015-05-19］.https：∥arxiv.org／abs／1404.0284v3.

［14］MAASOUMY M，SANANDAJI B，POOLLA K，et al.Berds-berkeley energy disaggregation dataset［C］∥Proceedings of the Workshop on Big Learning atthe Conference on NeuralInformation Processing Systems（NIPS）.Lake Tahoe，US：［s.n.］，2013：1-8.

［15］SAINIS，ARJUNAN P，SINGH A，etal.E-adivino：a novel framework for electricity consumption prediction based on historicaltrends［C］∥Proceedings ofthe 2015 ACM Sixth International Conference on Future Energy Systems.Bangalore，India：［s.n.］，2015：213-214.