劉春蕾 龐鵬飛 石紋赫 孔令號(hào) 黃 洵 戚 軍

(1.國網(wǎng)河北省電力有限公司保定供電分公司 保定 071000；2.浙江工業(yè)大學(xué)信息工程學(xué)院 杭州 310000)

1 引言

近年來，負(fù)荷監(jiān)測(cè)作為智能用電技術(shù)體系的重要組成部分[1]，實(shí)現(xiàn)了電力公司與居民用戶之間的雙向互動(dòng)機(jī)制，是目前各國研究的熱點(diǎn)[2]。負(fù)荷監(jiān)測(cè)技術(shù)通過對(duì)綜合用電數(shù)據(jù)進(jìn)行深度挖掘，不僅能夠?yàn)殡娋W(wǎng)側(cè)提供負(fù)荷構(gòu)成信息，為電網(wǎng)的優(yōu)化調(diào)度提供助力，還能夠反饋于用戶，解析用戶電能消費(fèi)結(jié)構(gòu)[3]，有效提高電能的利用率和峰谷電價(jià)引導(dǎo)下的削峰填谷積極性。

目前負(fù)荷監(jiān)測(cè)可大致分為侵入式監(jiān)測(cè)(Intrusive load monitoring, ILM)和非侵入式監(jiān)測(cè)(Non-intrusive load monitoring, NILM)。ILM 需要在設(shè)備上安裝監(jiān)測(cè)傳感器，雖然監(jiān)測(cè)精度高且無需復(fù)雜的識(shí)別算法，但其硬件安裝成本高，且在更加注重個(gè)人隱私的信息化時(shí)代，用戶接受程度也較低[4-6]。與之相對(duì)，由HART 于20 世紀(jì)80 年代首先提出的NILM 技術(shù)只需要在配電進(jìn)線處安裝監(jiān)測(cè)設(shè)備，對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行負(fù)荷分解，即可實(shí)現(xiàn)對(duì)各設(shè)備的監(jiān)測(cè)。該方法硬件成本低，用戶接受程度高，在工業(yè)設(shè)備監(jiān)測(cè)以及常用居民負(fù)荷監(jiān)測(cè)等領(lǐng)域得到了廣泛的應(yīng)用[7-11]。文獻(xiàn)[8-9]基于低頻電力數(shù)據(jù)，采用穩(wěn)態(tài)功率信息構(gòu)建負(fù)荷識(shí)別特征，特征提取速度快，但是實(shí)際工程應(yīng)用中容易出現(xiàn)特征重疊問題導(dǎo)致識(shí)別準(zhǔn)確率降低。為提高復(fù)雜場(chǎng)景下的識(shí)別正確率，可采用包含更多信息量的負(fù)荷特征。文獻(xiàn)[10]基于電流時(shí)域波形和頻域諧波信息，采用主成分分析法降維構(gòu)建負(fù)荷特征。文獻(xiàn)[11]則采用差異分析方法構(gòu)建易于區(qū)分的融合特征作為負(fù)荷特征。這兩種方法都能提高負(fù)荷識(shí)別準(zhǔn)確率，但與此同時(shí)負(fù)荷識(shí)別的速度也明顯降低，在實(shí)際工程應(yīng)用中影響負(fù)荷識(shí)別的實(shí)時(shí)性。

本文基于對(duì)各類負(fù)荷特征的對(duì)比分析，綜合考慮負(fù)荷特征提取代價(jià)及識(shí)別效果構(gòu)建雙層特征組，采用基于支持向量機(jī)(Support vector machine，SVM)多分類算法的負(fù)荷動(dòng)態(tài)識(shí)別方法按需識(shí)別負(fù)荷類型。最后通過Matlab 仿真及實(shí)際工程應(yīng)用對(duì)所提NILM 動(dòng)態(tài)識(shí)別方法的性能進(jìn)行測(cè)試驗(yàn)證。

2 負(fù)荷特征分析

負(fù)荷特征作為負(fù)荷識(shí)別的依據(jù)，直接影響著NILM 識(shí)別算法的識(shí)別準(zhǔn)確度及速度。表1[12-16]總結(jié)了實(shí)際工程中較為常用的負(fù)荷特征的提取代價(jià)：采樣頻率是線路電壓、電流測(cè)量裝置的采樣頻率；監(jiān)測(cè)窗口寬度是提取負(fù)荷特征所需的測(cè)量數(shù)據(jù)長(zhǎng)度；計(jì)算復(fù)雜度表示負(fù)荷特征提取算法的復(fù)雜程度；負(fù)荷特征存儲(chǔ)量是記錄負(fù)荷特征所需要的硬件空間。

表1 負(fù)荷特征綜合分析表

從表1 可以看出，穩(wěn)態(tài)特征中除電流諧波特征外，穩(wěn)態(tài)功率特征(P、Q)以及電壓-電流軌跡特征對(duì)采樣頻率要求較低，監(jiān)測(cè)窗口寬度普遍較小，電壓-電流軌跡及電流諧波特征的計(jì)算復(fù)雜度和負(fù)荷特征存儲(chǔ)量明顯高于穩(wěn)態(tài)功率特征；暫態(tài)特征的采樣頻率普遍較高，監(jiān)測(cè)寬度窗口寬度取決于具體的負(fù)荷類型，一般不超過100 s，除S 變換特征外，其余暫態(tài)電流特征計(jì)算復(fù)雜度都較低且負(fù)荷特征存儲(chǔ)量較??；時(shí)間特征的采樣頻率和計(jì)算復(fù)雜度較低且負(fù)荷特征存儲(chǔ)量較小，但所需監(jiān)測(cè)窗口寬度往往較大。在實(shí)際工程應(yīng)用中，時(shí)間特征在負(fù)荷停止運(yùn)行前往往無法識(shí)別負(fù)荷類型，實(shí)時(shí)性較差；穩(wěn)態(tài)功率特征容易出現(xiàn)特征重疊問題，通常與暫態(tài)特征結(jié)合使用。這種結(jié)合方法要求NILM 識(shí)別方法采用更多的特征或通過復(fù)雜的特征融合方法構(gòu)造新特征，從而導(dǎo)致特征提取代價(jià)較高以及實(shí)時(shí)性較差。

綜合考慮工程應(yīng)用中對(duì)識(shí)別準(zhǔn)確率及速度的要求，本文所提負(fù)荷動(dòng)態(tài)識(shí)別方法包含兩層特征組，如表2 所示。負(fù)荷識(shí)別時(shí)，由簡(jiǎn)入繁，動(dòng)態(tài)選用負(fù)荷特征，首先選用第一層特征組，針對(duì)部分無法用第一層特征組區(qū)分的相似負(fù)荷，進(jìn)一步采用第二層特征組進(jìn)行區(qū)分。每一層特征組中的多類負(fù)荷特征類型，根據(jù)負(fù)荷特征提取代價(jià)進(jìn)一步區(qū)分優(yōu)先級(jí)，根據(jù)實(shí)際應(yīng)用場(chǎng)景選取其中的一類或多類負(fù)荷特征。

表2 分層特征組

3 負(fù)荷動(dòng)態(tài)識(shí)別方法

基于上述負(fù)荷特征分層思想，本文所設(shè)計(jì)的負(fù)荷動(dòng)態(tài)識(shí)別方法由分類模型訓(xùn)練和在線負(fù)荷識(shí)別兩部分構(gòu)成，詳細(xì)流程如圖1 所示。其中，分類模型訓(xùn)練基于已標(biāo)定負(fù)荷類型的訓(xùn)練/測(cè)試數(shù)據(jù)集，提取各層特征進(jìn)行模型訓(xùn)練和檢驗(yàn)，形成分層的負(fù)荷識(shí)別模型供在線負(fù)荷識(shí)別使用；在線負(fù)荷識(shí)別部分實(shí)時(shí)采集電壓電流數(shù)據(jù)進(jìn)行投切事件監(jiān)測(cè)，然后按需提取特征輸入至對(duì)應(yīng)層的負(fù)荷識(shí)別模型進(jìn)行判斷，最后輸出負(fù)荷類型識(shí)別結(jié)果。針對(duì)流程圖中的關(guān)鍵步驟，下文將詳細(xì)展開介紹。

3.1 分類模型訓(xùn)練

步驟1：獲取負(fù)荷投切事件數(shù)據(jù)。針對(duì)于待識(shí)別的負(fù)荷群，試運(yùn)行一段時(shí)間并記錄共m次投切事件ETp(p=1,2,3,…,m)的暫態(tài)電壓vp(n)、暫態(tài)電流ip(n)，然后根據(jù)實(shí)際負(fù)荷投切情況標(biāo)定ETp的負(fù)荷類型并記為yp。

步驟2：設(shè)置負(fù)荷特征層及準(zhǔn)確率閾值δ。首先根據(jù)實(shí)際工程需求設(shè)置識(shí)別準(zhǔn)確率閾值δ，然后根據(jù)表2 所述特征選取優(yōu)先級(jí)并結(jié)合實(shí)際工程應(yīng)用場(chǎng)景，確定第一層特征組及第二層特征組所采用的特征。

步驟3：提取第一層負(fù)荷特征。根據(jù)步驟2 所設(shè)置的負(fù)荷特征層，結(jié)合表1 所述提取方法，提取所有負(fù)荷投切事件的第一層特征數(shù)據(jù)集FL=[FL1…FLp…FLm]T，其中FLp為第p次投切事件的第一層特征向量。

步驟4：訓(xùn)練第一層識(shí)別模型?？紤]到訓(xùn)練數(shù)據(jù)集的樣本數(shù)量較少且負(fù)荷類型往往不止兩類，采用小樣本環(huán)境下識(shí)別準(zhǔn)確率較高的SVM 多分類OAA(One-against-ALL)方法。識(shí)別模型的構(gòu)建步驟如下[17-19]所示。

(1) 針對(duì)c種負(fù)荷類型，OAA 共需要構(gòu)建c個(gè)SVM 模型。首先訓(xùn)練第一類負(fù)荷的SVM 模型，即初始化λ=1。

(2) 基于訓(xùn)練數(shù)據(jù)集中的負(fù)荷類型標(biāo)記yi以及第一層負(fù)荷特征集FL構(gòu)建負(fù)荷特征樣本訓(xùn)練集S以及測(cè)試集S'，其中若ETp為第λ類負(fù)荷，則將目標(biāo)值yp設(shè)置為λ，若否則令yp設(shè)置為-1。

式中，0.5 m

(3) 由于負(fù)荷特征分類通常不可能是簡(jiǎn)單線性可分的，因此需要引入SVM 核函數(shù)將其映射到高維空間實(shí)現(xiàn)線性可分。常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)以及徑向基函數(shù)(Radial basis function，RBF)等，在非線性情況下通常采用性能最優(yōu)的RBF 核函數(shù)，對(duì)應(yīng)核函數(shù)表示如下

式中，σ為高斯函數(shù)標(biāo)準(zhǔn)方差。構(gòu)建凸二次規(guī)劃問題如下

得到最優(yōu)解α*=()T。

根據(jù)最優(yōu)解計(jì)算最優(yōu)超平面的偏移量

得到分類決策函數(shù)

式中，F(xiàn)X為待識(shí)別事件的輸入特征向量。

(4) 判斷λ是否等于c，若否則令λ=λ+1，并返回步驟(2)，若是則訓(xùn)練完成，得到分類函數(shù)集如式(7)所示，至此第一層負(fù)荷特征識(shí)別模型構(gòu)建完成。

步驟5：測(cè)試各類型負(fù)荷識(shí)別準(zhǔn)確率ωp1。將由第一層負(fù)荷特征向量構(gòu)成的測(cè)試集S＇中的特征向量FL代入式(7)并統(tǒng)計(jì)各類型負(fù)荷識(shí)別準(zhǔn)確率為

式中，Mp1為第p類負(fù)荷事件識(shí)別正確次數(shù)；Mpt1為第p類負(fù)荷事件總識(shí)別次數(shù)。

步驟6：判斷是否為類似負(fù)荷群。構(gòu)建目標(biāo)值集合A 及B，若ωp1≥δ，則表示第p類負(fù)荷事件可通過第一層識(shí)別模型直接識(shí)別負(fù)荷類型，并將yp加入集合A，若否則標(biāo)記第p類負(fù)荷為類似負(fù)荷群，并將yp加入集合B，進(jìn)入步驟7 進(jìn)行后續(xù)處理。

步驟7：提取類似負(fù)荷群第二層負(fù)荷特征。根據(jù)步驟2 所設(shè)置的負(fù)荷特征層結(jié)合表1 所述提取方法，提取所有屬于類似負(fù)荷群的負(fù)荷類型的第二層特征數(shù)據(jù)集FH=[FH1…FHp…FHk]T，其中FHp為第p次投切事件的第二層特征向量，k為類似負(fù)荷群的投切事件總數(shù)。

步驟8：與步驟4 類似，訓(xùn)練得到分類函數(shù)集如式(9)所示，至此第二層負(fù)荷特征識(shí)別模型構(gòu)建完成。

步驟9：測(cè)試類似負(fù)荷群識(shí)別準(zhǔn)確率ωp2。與上述步驟5 類似，統(tǒng)計(jì)屬于類似負(fù)荷群的各負(fù)荷類型的識(shí)別準(zhǔn)確率ωp2(p=1,2,3,…,k)。

步驟 10：檢驗(yàn)第二層識(shí)別模型。若ωp2(p=1,2,3,…,k)均不低于δ，則第二次識(shí)別模型檢驗(yàn)合格，可在后續(xù)在線負(fù)荷識(shí)別流程中用于識(shí)別負(fù)荷類型，若否則模型檢驗(yàn)不合格重新進(jìn)入步驟2。

3.2 在線負(fù)荷識(shí)別

步驟1：監(jiān)測(cè)投切事件。通過測(cè)量裝置采集總線電壓電流曲線，隨后進(jìn)行濾波處理并通過算法分析實(shí)時(shí)曲線的變化情況，檢測(cè)是否產(chǎn)生負(fù)荷投切事件，若是則提取目標(biāo)負(fù)荷電壓電流波形，然后進(jìn)入后續(xù)負(fù)荷識(shí)別步驟，若否則繼續(xù)采集監(jiān)測(cè)實(shí)時(shí)測(cè)量數(shù)據(jù)。

步驟2：提取第一層負(fù)荷特征。結(jié)合第3.1 節(jié)中步驟2 所設(shè)置負(fù)荷特征層，根據(jù)表1 中的計(jì)算公式提取負(fù)荷特征構(gòu)建第一層特征向量FX。

步驟3：第一層識(shí)別模型識(shí)別負(fù)荷類型。將第一層特征向量FX輸入模型求解得到初步的負(fù)荷識(shí)別目標(biāo)值y，即y={fHi(FX)}。

步驟4：判斷是否能夠直接識(shí)別負(fù)荷類型。若y∈A，則該負(fù)荷類型能夠通過第一層識(shí)別模型直接識(shí)別，轉(zhuǎn)入步驟7，若y∈B 則進(jìn)入步驟5 進(jìn)行后續(xù)處理。

步驟5：提取第二層負(fù)荷特征。結(jié)合第3.1 節(jié)中步驟2 所設(shè)置負(fù)荷特征層，根據(jù)表1 中的計(jì)算公式提取負(fù)荷特征構(gòu)建第二層特征向量FY。

步驟6：第二層識(shí)別模型識(shí)別負(fù)荷類型。將第二特征向量FY代入模型求解，更新負(fù)荷識(shí)別目標(biāo)值，即y={fHi(FY)}。

步驟7：輸出識(shí)別結(jié)果。輸出目標(biāo)值y對(duì)應(yīng)的負(fù)荷類型至終端顯示平臺(tái)，完成負(fù)荷在線識(shí)別。

4 仿真與工程驗(yàn)證

4.1 BLUED 數(shù)據(jù)庫仿真分析

BLUED(Building-level fully-labeled dataset for electricity disaggregation) 數(shù)據(jù)庫是 2012 年ANDERSON 等[20]公開的專門用于負(fù)荷識(shí)別和暫態(tài)事件檢測(cè)的電力數(shù)據(jù)庫。BLUED 數(shù)據(jù)庫包含多種負(fù)荷類型，包括冰箱、計(jì)算機(jī)、顯示器以及電燈等電氣設(shè)備，數(shù)據(jù)的采樣頻率為12 kHz，適用于穩(wěn)態(tài)和暫態(tài)負(fù)荷特征的分析。

圖2 給出了計(jì)算機(jī)、廚房頂燈、辦公室燈等七類負(fù)荷的暫態(tài)電流波形圖。從圖2 可以看出，大部分負(fù)荷類型的暫態(tài)電流波形較為接近，很明顯無法用單層特征對(duì)所有類型進(jìn)行很好的區(qū)分。故本文選取穩(wěn)態(tài)功率特征P、Q作為第一層特征組，暫態(tài)特征Ip及Im作為第二層特征組，對(duì)BLUED 數(shù)據(jù)庫中的七類負(fù)荷進(jìn)行動(dòng)態(tài)識(shí)別測(cè)試。

圖2 常用負(fù)荷暫態(tài)電流示意圖

圖3 是七類負(fù)荷的特征分布圖，除餐廳頂燈與后院燈外，其余負(fù)荷在第一層特征即P-Q坐標(biāo)系下即可實(shí)現(xiàn)特征分離，將這些負(fù)荷標(biāo)定為易區(qū)分負(fù)荷；餐廳頂燈與后院燈在P-Q坐標(biāo)系下存在特征重疊，標(biāo)定為類似負(fù)荷群。對(duì)類似負(fù)荷群進(jìn)行第二層特征提取，在Im-Ip坐標(biāo)系中，餐廳頂燈與后院燈也實(shí)現(xiàn)了特征分離，這說明上述分層負(fù)荷特征組的選取是合理的。

圖3 負(fù)荷特征分布示意圖

進(jìn)一步將本文所提動(dòng)態(tài)識(shí)別方法與傳統(tǒng)的靜態(tài)識(shí)別方法進(jìn)行對(duì)比：識(shí)別方法①采用單層穩(wěn)態(tài)功率特征(P、Q)；識(shí)別方法②采用單層暫態(tài)特征(Ip、Im)；識(shí)別方法③采用動(dòng)態(tài)識(shí)別方法(第一層采用單層穩(wěn)態(tài)功率特征(P、Q)，第二層單層暫態(tài)特征(Ip、Im))。負(fù)荷識(shí)別正確率如式(8)所示，定義識(shí)別時(shí)間百分比Tf(%)如下

式中，TN為當(dāng)前識(shí)別策略特征提取計(jì)算耗時(shí)；T1為識(shí)別方法①特征提取計(jì)算耗時(shí)。

表3 記錄了3 種方法識(shí)別負(fù)荷的準(zhǔn)確率和識(shí)別時(shí)長(zhǎng)百分比。從表3 可以看到，對(duì)于前五類負(fù)荷(易區(qū)分負(fù)荷)，各識(shí)別方法的分類效果相近且保持著較高水準(zhǔn)，識(shí)別方法②的Tf(%)值遠(yuǎn)高于識(shí)別方法①和識(shí)別方法③；對(duì)于由餐廳頂燈負(fù)荷與后院燈負(fù)荷構(gòu)成的類似負(fù)荷群，識(shí)別方法①無法獲得較好的分類效果，其準(zhǔn)確率略高于50%，而識(shí)別方法②和識(shí)別方法③分類效果都保持著較高水準(zhǔn)。雖然識(shí)別方法③的Tf(%)都略高于識(shí)別方法②，但是綜合考慮所有負(fù)荷類型的識(shí)別時(shí)長(zhǎng)即綜合Tf(%)，識(shí)別方法③顯然優(yōu)于識(shí)別方法②。綜上，相對(duì)于識(shí)別方法①和識(shí)別方法②，本文所提的動(dòng)態(tài)識(shí)別方法③在付出較少時(shí)長(zhǎng)代價(jià)的前提下，總體識(shí)別準(zhǔn)確率有了明顯上升。

表3 三種識(shí)別方法的對(duì)比

4.2 工程案例驗(yàn)證

某工礦企業(yè)的入戶總線上安裝了NILM 裝置，其中負(fù)荷類型識(shí)別環(huán)節(jié)采用上述基于多層特征組的動(dòng)態(tài)識(shí)別方法。工業(yè)企業(yè)重點(diǎn)設(shè)備監(jiān)測(cè)平臺(tái)顯示終端如圖4 所示，通過實(shí)時(shí)高頻采集工廠進(jìn)線上的電壓和電流數(shù)據(jù)，并在本地邊緣計(jì)算后獲取投切設(shè)備的負(fù)荷特征，然后將負(fù)荷特征上傳到云端服務(wù)器作進(jìn)一步的負(fù)荷識(shí)別，最后監(jiān)測(cè)顯示終端從云端數(shù)據(jù)庫提取負(fù)荷識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)分析和可視化展示。

圖4 終端展示界面

本案例應(yīng)用的負(fù)荷監(jiān)測(cè)背景為：通過對(duì)工廠進(jìn)線數(shù)據(jù)的監(jiān)控，準(zhǔn)確識(shí)別出Ⅰ、Ⅱ及Ⅲ號(hào)設(shè)備的投切事件。經(jīng)過前期對(duì)工廠設(shè)備的負(fù)荷特征及提取數(shù)據(jù)分析發(fā)現(xiàn)，三種設(shè)備可以在P-Q特征及Im-Ip特征構(gòu)成的雙層特征組下實(shí)現(xiàn)完整的特征分離，圖5是該工廠其中3 類重點(diǎn)設(shè)備的兩層負(fù)荷特征分布圖。由圖5 可見，Ⅰ號(hào)設(shè)備可通過第一層特征識(shí)別出來，而Ⅱ號(hào)及Ⅲ號(hào)設(shè)備在第一層特征組P-Q坐標(biāo)系下出現(xiàn)了特征重疊現(xiàn)象，因此需要對(duì)兩類設(shè)備進(jìn)行第二層特征提取。在Im-Ip坐標(biāo)系中，Ⅱ號(hào)設(shè)備與Ⅲ號(hào)設(shè)備可以實(shí)現(xiàn)特征分離，至此實(shí)現(xiàn)了所有負(fù)荷的分類，最終確定兩層負(fù)荷特征組的選取與第4.1 節(jié)相同。

圖5 特征分布對(duì)比示意圖

分別采用三種識(shí)別方法進(jìn)行一星期的工程實(shí)測(cè)，記錄其實(shí)際工程識(shí)別正確率如表4 所示。進(jìn)一步根據(jù)實(shí)測(cè)數(shù)據(jù)構(gòu)建模擬設(shè)備頻繁投切運(yùn)行場(chǎng)景，將平均識(shí)別時(shí)長(zhǎng)、系統(tǒng)監(jiān)測(cè)時(shí)延記錄在表4 中，平均識(shí)別時(shí)長(zhǎng)為100 次不同負(fù)荷投切事件單次識(shí)別時(shí)長(zhǎng)的平均值；系統(tǒng)監(jiān)測(cè)時(shí)延為不同負(fù)荷頻繁投切時(shí)的累積識(shí)別時(shí)長(zhǎng)，即完成所有投切負(fù)荷類型識(shí)別的時(shí)刻與最后一次投切事件發(fā)生時(shí)刻之間的時(shí)間差。

表4 工程案例中負(fù)荷識(shí)別結(jié)果對(duì)比

結(jié)合表4 可見，識(shí)別方法①識(shí)別速度快，平均識(shí)別時(shí)長(zhǎng)及系統(tǒng)監(jiān)測(cè)時(shí)延均較低，且負(fù)荷投切頻繁時(shí)不會(huì)出現(xiàn)時(shí)延累積現(xiàn)象，但識(shí)別正確率過低無法滿足工程準(zhǔn)確率要求；識(shí)別方法②識(shí)別正確率為三種方法最高，但平均識(shí)別時(shí)長(zhǎng)過長(zhǎng)，并且在負(fù)荷投切頻繁時(shí)，系統(tǒng)監(jiān)測(cè)時(shí)延過長(zhǎng)且在不斷累積，無法滿足工程實(shí)時(shí)性要求；識(shí)別方法③則綜合了識(shí)別方法①及識(shí)別方法②的優(yōu)點(diǎn)，識(shí)別準(zhǔn)確率處于較高水準(zhǔn)的同時(shí)平均識(shí)別時(shí)長(zhǎng)只是略微高于識(shí)別方法①，并且在負(fù)荷投切頻繁時(shí)，系統(tǒng)監(jiān)測(cè)時(shí)延較低且不會(huì)累積，同時(shí)滿足了工程應(yīng)用的準(zhǔn)確率及實(shí)時(shí)性要求。工程案例驗(yàn)證了動(dòng)態(tài)識(shí)別方法在實(shí)際工程應(yīng)用中能夠較好地區(qū)分各類型負(fù)荷并兼顧識(shí)別速度的優(yōu)異性，適用于負(fù)荷相似且負(fù)荷事件頻發(fā)的實(shí)際應(yīng)用場(chǎng)景。

5 結(jié)論

針對(duì)單層識(shí)別方法的局限性，提出基于負(fù)荷特征分層和SVM 多分類算法的NILM 動(dòng)態(tài)識(shí)別方法。首先針對(duì)負(fù)荷類型的各種負(fù)荷特征進(jìn)行提取分析，構(gòu)建多層特征組從而以盡可能小的特征提取代價(jià)實(shí)現(xiàn)所有負(fù)荷類型的特征分離，隨后基于SVM 多分類算法實(shí)現(xiàn)對(duì)負(fù)荷類型的動(dòng)態(tài)識(shí)別。

(1) 通過BLUED 數(shù)據(jù)庫的仿真及實(shí)際工程應(yīng)用驗(yàn)證了本文所提方法的識(shí)別準(zhǔn)確度。針對(duì)于差別較大的簡(jiǎn)單負(fù)荷群，分層動(dòng)態(tài)特征組的識(shí)別精度并不低于采用復(fù)雜特征的單層靜態(tài)特征組；針對(duì)于相似負(fù)荷群，分層動(dòng)態(tài)特征組的識(shí)別精度僅低于采用復(fù)雜特征的單層靜態(tài)特征組2.6%，高于采用簡(jiǎn)單特征的單層靜態(tài)特征組163.9%。

(2) 分層動(dòng)態(tài)特征組有效地克服了單層靜態(tài)特征組在復(fù)雜負(fù)荷環(huán)境下無法兼顧識(shí)別速度與精度的問題，在實(shí)際工程應(yīng)用下，分層動(dòng)態(tài)特征組的識(shí)別識(shí)別速度高于單層靜態(tài)特征組238.96%，并且在實(shí)際工程應(yīng)用中不會(huì)出現(xiàn)識(shí)別延時(shí)累積問題，具有良好的實(shí)時(shí)性。

綜上所述，動(dòng)態(tài)識(shí)別方法準(zhǔn)確性高于傳統(tǒng)的單層識(shí)別方法，同時(shí)在略微增加識(shí)別代價(jià)的情況下能夠大幅度提高識(shí)別速度，在實(shí)際工程應(yīng)用中具有良好的實(shí)時(shí)性，非常適合負(fù)荷類型相似且投切頻繁的應(yīng)用場(chǎng)合。