胡悅,胡文山,王曉文,周東國

(1.武漢大學 電氣與自動化學院,武漢 430072; 2.山東濟寧圣地電業(yè)集團有限公司,山東 濟寧 272000)

0 引 言

非侵入式負荷監(jiān)測[1]作為一種用戶側負荷檢測手段,已經(jīng)成為提升智能電網(wǎng)智能化的重要環(huán)節(jié)之一。它不僅能增強用戶體驗,也能幫助電力部門了解居民的詳細用電負荷構成,從而進行統(tǒng)籌規(guī)劃[2-3],并實現(xiàn)能源的充分利用。為了能夠實現(xiàn)這一目標,其依賴于內(nèi)在最為關鍵的負荷辨識技術[4]。

負荷辨識技術本質(zhì)上是針對電力負荷所表現(xiàn)出來的特征信息采用諸如負荷匹配、模式識別等方法進行辨識。在目前已有的眾多辨識算法中,一種簡單有效的方法是采用單一特征-有功功率來進行負荷辨識[5-6],它對于大功率且功率不同的用電設備,具有較好的辨識效果。然而對于有功功率相近的電器設備,辨識結果與實際投切情況會存在一定的偏差。文獻[7]構建了基于諧波的電流特征表達并結合功率兩個特征作為設備投切狀態(tài)辨識的目標函數(shù)。同時,引入了正態(tài)分布的度量函數(shù),將其融合并作為粒子群(particle swarm optimization,PSO)算法的適應度函數(shù),以此尋找最佳的電力負荷分解結果。文獻[8]引入了無功功率構建多特征分解模型,同時在分解模型的最優(yōu)化目標函數(shù)中增加了關于電器設備特征稀疏性及工作狀態(tài)轉換稀疏性的懲罰項來提高分解的準確性和實用性。文獻[9]提出了一種改進的基于時頻分析的非侵入式監(jiān)測方法,算法結合了基于多分辨率S變換的瞬態(tài)特征提取方法和基于改進的0-1多維背包算法的負載識別方法,用于識別可能同時通電的單個家用電器。文獻[10]利用負荷投切時的暫態(tài)波形和功率作為特征,采用DTW算法計算測試案例與參考模板之間的相似度,通過對比特征的匹配度來識別負荷。文獻[11]提出一種基于分時段狀態(tài)行為的方法來提高功率相近或小功率負荷的識別準確率,具體包括:分時段提取負荷狀態(tài)行為規(guī)律,構建行為模板;綜合考慮概率和時間兩個維度,將分時段狀態(tài)概率因子(Time-Phased State Probability Factor,TSPF)作為負荷新特征引入目標函數(shù);多特征遺傳優(yōu)化迭代求解。

在上述一些算法中,大多是建立在基于模式識別或者采用最優(yōu)化方法的基礎上,且一旦發(fā)生投入或切除時負荷事件辨識錯誤,則會對后續(xù)的能耗分解產(chǎn)生很大影響。為此,文中根據(jù)負荷事件投入和切換具有成對出現(xiàn)機理,將投入事件和切除事件分別作為圖理論中的節(jié)點,并將負荷辨識問題轉化為圖論問題[12],從而采用Kuhn-Munkras算法(KM算法)將負荷投切事件的匹配問題轉換為二分圖[13]模型的完備匹配問題來求解。為了更好的度量KM算法中負荷事件特征與數(shù)據(jù)庫中負荷特征的匹配概率,引入了Parzen窗估計方法,使電力負荷的投入/切除事件引起的特征變化與數(shù)據(jù)庫中的負荷特征建立二分圖最佳匹配模型,實現(xiàn)負荷的匹配辨識。最后,通過實驗驗證文中方法的有效性。

1 負荷事件檢測與特征提取

負荷事件是用電負荷投切或狀態(tài)改變的重要標志,也是負荷特征提取的重要依據(jù)[14]。因此,穩(wěn)定可靠的負荷事件檢測,是負荷辨識關鍵環(huán)節(jié)之一[15]。文中采用一種自適應負荷事件檢測算法。

此方法將負荷事件檢測過程分為兩步,首先通過檢測功率曲線確定是否存在負荷事件,然后采用統(tǒng)計學方法確定負荷事件變點。這種方式能夠有效減少漏檢和誤檢的發(fā)生,且易于實現(xiàn)。為了方便描述,這里假定在某個時刻點k,將時間窗內(nèi)的負荷數(shù)據(jù)樣本{xi}分為兩類,為了避免電壓、電流等波動的干擾,采用對功率曲線進行擬合逼近的方式實現(xiàn)負荷事件檢測,其中擬合方式按窗口最小二乘擬合原則:

yt=β0+β1xt+et,t在時間窗口內(nèi)

(1)

式中t為某個時刻;β0為常數(shù)項;β1為斜率項;et為誤差項。當設備處于穩(wěn)態(tài)運行時,通常其斜率較為穩(wěn)定;而當有用電設備投切時,將會產(chǎn)生比較大的誤差et,且斜率也會有所增加?；诖?當β1大于某個閾值時,便可確定存在負荷事件。

為了獲取較為準確的負荷事件變點,這里規(guī)定在負荷事件檢測窗內(nèi),將數(shù)據(jù)樣本分為兩類:C0類{x1,x2,…,xk}和C1類{xk+1,xk+2,…,xL},其中L為窗口內(nèi)樣本長度,令:

(2)

(3)

當目標函數(shù):

(4)

在負荷事件檢測完成后,需要對負荷特征進行提取。負荷特征是用電設備運行所表現(xiàn)出來的特性,一般而言,有功功率P和無功功率Q是用電設備能耗的最為直接的體現(xiàn),且這兩個參數(shù)是負荷辨識常用的穩(wěn)態(tài)特征參數(shù)[16]。負荷事件發(fā)生時表現(xiàn)在多種電氣量發(fā)生改變,其中以有功功率最為顯著,其能反映電器自身的特性[17],定義為:

(5)

而無功功率Q是用電設備屬于感性、容性和阻性的一個重要參數(shù),定義為:

(6)

此外,由于電力入口處,電壓、電流等波動干擾,負荷事件變點前后簡單地通過差量特征提取,可能會偏離實際的負荷投入和切除所表現(xiàn)出來的特征,為此,文章結合式(1)中對負荷穩(wěn)態(tài)的判斷,獲取穩(wěn)態(tài)平穩(wěn)區(qū)的負荷特征進行差分提取。

2 基于圖理論的負荷事件匹配

在非侵入式負荷監(jiān)測中,電力負荷的投入事件和切除事件通常是成對出現(xiàn)的。然而,單一的投入或切除事件的辨識結果錯誤最終會影響負荷能耗的細分,為此,文中首先對負荷事件進行特征統(tǒng)計,然后針對負荷投切,分別建立投入事件和切除事件的二分圖模型,再融合圖論中KM算法實現(xiàn)負荷投入/切除的最佳匹配。

2.1 負荷特征統(tǒng)計

為了能夠清晰描述整個匹配過程,本文約定負荷投入的事件為集合X,負荷切除的事件歸類為集合Y?？紤]到電流、電壓等波動以及用電設備同時運行時相互干擾的特點,文中首先對每個負荷的投入/切除特征進行統(tǒng)計建模。

假定有n個待辨識的電器設備,對于設備i,首先用負荷事件檢測方法,獲取其在多個獨立訓練樣本中的負荷特征,得到設備i投入時的有功功率跳變集合為Px={Px1,Px2,…,Pxn},相對應的切除事件的有功功率跳變集合為Py={Py1,Py2,…Pyn};投入時的無功功率跳變集合為Qx={Qx1,Qx2,…Qxn},切除時的無功功率跳變集合為Qy={Qy1,Qy2,…Qyn}。接下來,對各負荷的特征P和Q采用核密度估計中的Parzen 窗法進行估計,得到對應的概率密度函數(shù)f(x),并將其作為負荷辨識的依據(jù),存儲在數(shù)據(jù)庫中。

此處為方便描述,假設{x1,x2,x3…xn}為獨立同分布的n個特征樣本點,則點x處的Parzen 窗核密度估計為:

(7)

式中n為樣本個數(shù);h為窗寬;K(·)為核函數(shù)。文中選擇高斯函數(shù)作為核函數(shù),即K為:

(8)

由高斯分布N(μ,σ)可知,其概率密度函數(shù)f(x)與樣本標準差σ密切相關[18],其最優(yōu)窗寬近似為:

(9)

則可求得負荷事件特征值x在某一負荷特征的分布下的概率為:

(10)

由此,F可作為負荷事件特征與數(shù)據(jù)庫中負荷特征的匹配概率。

2.2 KM算法的基本思想

KM算法[19]是一種基于二分圖理論,用來求解完備匹配下的最大權匹配的算法[20],使得在一個賦權二分圖G中存在的兩個互不相交的頂點集X={X1,X2,…,Xn},Y={Y1,Y2,…,Yn},X部中的每一個頂點都與Y部中的一個頂點匹配,且Y部中的每一個頂點與X部中的一個頂點匹配。

假定M為圖G的匹配,M中所有邊的權值之和為匹配M的權值,KM算法求解最佳匹配就是為了在賦權二分圖G中尋找一個權值最大的完備匹配集,即尋找最優(yōu)匹配。二分圖匹配模型如圖1所示。

圖1 二分圖匹配模型

KM算法作為一種求解二分圖匹配的算法,相比于匈牙利算法[21],其引入了可行頂標以及相等子圖等概念,從而完成對匈牙利算法的貪心擴展[22],獲得最佳的完備匹配。整個算法流程為:

1)Step1:初始化可行頂標的值。

對于原圖G中的任意一個節(jié)點,給定一個函數(shù)l(node)求出結點的頂標值。為了方便描述,規(guī)定lx(x)和ly(y)分別記錄集合X和Y中的結點頂標值,初始時設定lx(xi)的值為與xi相關聯(lián)的邊e(xi,yi)的最大權值ω(xi,yi),令ly(yi)=0,滿足lx(xi)+ly(yi)≥ω(xi,yi);

2)Step2:用匈牙利算法尋找相等子圖的完備匹配。

匈牙利算法采用增廣路徑求最大匹配,通過尋找一條增廣路徑P,在取反操作獲得更大的匹配M’代替M,直至找不到增廣路徑為止;

3)Step3:修改可行頂標的值。

對于訪問過的頂點x,將它的可行頂標減去d,有:

(11)

而對于所有訪問過的頂點y的可行頂標增加d,其中S?X,B?Y;

4)Step4:重復Step2和Step3,直到找到相等子圖的完備匹配為止。

2.3 基于改進KM算法的負荷最佳匹配

考慮到使用KM算法時,二分圖兩部分的節(jié)點數(shù)量不一定相等,以及在獲得的負荷投切特征時,特征信息受電網(wǎng)電壓、電流等波動的干擾影響,使得在尋找最佳匹配時存在問題,文章就此對求解過程進行改進。

首先,將投切事件的有功功率和無功功率特征與數(shù)據(jù)庫負荷特征的匹配過程分別轉化為四個二分圖GP(X,Z),GP(Y,Z),GQ(X,Z),GQ(Y,Z);設備投入和切除事件分別為二分圖的頂點集X,Y,數(shù)據(jù)庫負荷頂點集為Z。定義M(xi,zj),M(yi,zj)分別為負荷投入和切除事件與數(shù)據(jù)庫的一條匹配,并將X,Y與Z所對應的負荷特征匹配概率F作為匹配MG(xi,zj),MG(yi,zj)的權重ωG(xi,zj),ωG(yi,zj),其中i為負荷事件的序號,j為數(shù)據(jù)庫中負荷的序號,建立負荷投切事件與數(shù)據(jù)庫匹配示意圖如圖2所示。

圖2 設備投切事件與數(shù)據(jù)庫匹配模型

通常,概率的大小可表征匹配程度的大小,匹配的概率由負荷特征統(tǒng)計中的概率密度函數(shù)求得。因此,用KM算法所求解得到的最佳匹配結果,使得各條匹配的權重之和最大,即負荷投入事件和切除事件的特征變化與數(shù)據(jù)庫中的負荷特征值最為相似。

其次針對負荷投入和切除事件的不對等性,文中將負荷事件與數(shù)據(jù)庫負荷進行匹配。對于數(shù)據(jù)庫中某個設備j,其與負荷事件i(i∈1-n)的有功功率、無功功率匹配概率分別為fi、hi,若滿足:

(12)

式中T1和T2為閾值,即所匹配的負荷事件具有一定的概率分布,詳見式(10)。為了便于理解,這里根據(jù)不同情況將T1和T2設置如下:1)如果當用電設備可通過有功功率、無功功率可進行區(qū)分,T1和T2值可設置為0;2)當存在有功功率和無功功率都存在混疊情況,不失一般性,T1和T2的值按3σ原則進行設置,T1和T2均約設置為0.03。由此可從數(shù)據(jù)庫中選擇出運行的設備j,并采用KM算法匹配模型辨識出相應負荷事件對應的設備。

對于負荷投切事件,假定測試中有功功率總的匹配概率為F,無功功率匹配概率為H,則有:

(13)

(14)

其中Ei=[E(1),E(2),…,E(j),…]為事件i對應數(shù)據(jù)庫中所有設備的投入/切除狀態(tài)向量;E(j)∈[0,1],j為數(shù)據(jù)庫中設備的序號,若E(j)為1則表示該設備發(fā)生了投切事件,否則沒有發(fā)生;m為投入/切除事件總數(shù)?；诖?建立最優(yōu)化匹配模型為:

(15)

式中α、β為權值,且滿足α+β=1。為確定α與β值,定義μa(L)為a負荷多次重復獨立量測所得特征L的多個樣本的不確定度,具體計算如下:

(16)

式中Da(L)為負荷特征L的多個樣本的平均值;n為特征樣本總數(shù);lk為特征L的第k個特征樣本。在電氣設備負荷特征區(qū)分性研究中,以各個(類)設備的某負荷特征的不確定度μ來代表a所屬的簇中其他對象之間的平均距離,以兩個(類)設備的某負荷特征的平均值D的差的絕對值來代表a到所有其他簇的最小平均距離,因此設備a與設備b關于某種負荷特征L的區(qū)分性系數(shù)g可定義為:

(17)

由區(qū)分性系數(shù)[23]可以得到該負荷特征L的區(qū)分性指數(shù)Gdis為:

(18)

式中s為電氣設備的數(shù)量。這里區(qū)分性指數(shù)越接近1,負荷特征的區(qū)分性越好。

在計算出投切過程中有功功率和無功功率的區(qū)分性指數(shù)GPdis和GQdis后,便可得到α與β的值:

(19)

其中α+β=1,由上式可確定P,Q特征相應的權值。

3 案例實驗結果與分析

文中針對某一展廳內(nèi)的負荷模擬實際用電場景進行實驗,并將測得的數(shù)據(jù)進行離線分析。其中測試設備包括空調(diào)、電水壺、微波爐、電磁爐、電飯煲、吹風機、電采暖、電視機共8個常見用電設備。負荷數(shù)據(jù)的采樣間隔設置為2 s,數(shù)據(jù)存儲到MySQL數(shù)據(jù)庫中,以此驗證文中方法的性能。在測試中,針對負荷事件檢測方法,事件檢測窗口長度為10個采樣點,負荷事件斜率變化閾值為20。關于α、β值的選取,根據(jù)式(19)可得,負荷投入事件取α=0.6,β=0.4;而切除事件取α=0.5、β=0.5。另外,在實際測試中,由于閾值T1和T2設置在單個用電設備測試情況下符合情況1,因此T1和T2均為0;令式(15)加權后得到概率矩陣為[Rij]n×n,其中矩陣的某一行i中的各個數(shù)據(jù)代表某一投入/切除事件功率變化值在數(shù)據(jù)庫中各負荷投入/切除功率概率密度分布曲線下的概率值。表1記錄了在多次投入/切除測試下的單個用電設備有功、無功信息,反映了設備功率受電壓、電流波動以及其它設備運行時的干擾(注:負荷特征采集過程中存在其他設備運行),這里將其作為負荷特征庫。

表1 家庭負荷功率信息

實驗中用Xi表示負荷投入事件;Yj為切除事件,i,j為負荷投入/切除順序。圖3為文章根據(jù)前文實驗中對各個用電設備進行多次投切測試的統(tǒng)計結果,圖3(a)～圖3(b)為負荷投入/切除有功功率概率分布曲線,圖3(c)～圖3(d)為負荷投入/切除無功功率概率分布曲線。將得到的同一設備的多組獨立投切實驗的負荷特征跳變數(shù)據(jù)作為分析樣本,并采用核密度函數(shù)繪制了概率分布圖,由此可得對某個特征數(shù)據(jù)判斷各負荷類別發(fā)生負荷事件的概率。

圖3 設備投切時的功率特征概率分布曲線

3.1 案例一

本測試場景針對五個用電設備,其中設備投入的順序依次為:空調(diào)、電水壺、微波爐、電磁爐、電飯煲;設備切除的順序依次為:電水壺、微波爐、電磁爐、空調(diào)、電飯煲,其有功功率和無功功率曲線如圖4所示。表2給出了案例一用負荷事件檢測曲線擬合方法所獲得的穩(wěn)態(tài)階段的有功功率和無功功率數(shù)據(jù)差值,并賦值為用電負荷投切的特征值。

表2 案例一負荷事件特征表

圖4 案例一設備投切全程有功、無功功率變化圖

在案例一中,將負荷投切事件的功率跳變值代入相應的曲線中,分別根據(jù)式(10)求得各事件對應的有功投入,無功投入和有功切除,無功切除的匹配概率。然后,根據(jù)文中2.3節(jié)的方法便可從數(shù)據(jù)庫中找到相應設備。圖5、圖6分別給出了設備投入、切除的匹配矩陣[Rij]n×n,顯然匹配值越大,代表投入或切除的負荷與數(shù)據(jù)庫中某一個用電設備一致的可能性越大,然后通過 KM算法計算得到的匹配結果矩陣如圖7(a)、圖7(b)所示。最后,得到負荷投入事件匹配結果為M(1,1),M(2,3),M(3,4),M(4,2),M(5,5),其中M(x,z)中x序號對應負荷投入事件的順序為空調(diào)、電水壺、微波爐、電磁爐、電飯煲;z序號對應圖5、圖6中數(shù)據(jù)庫里負荷順序為空調(diào),電磁爐,電水壺,微波爐和電飯煲,與實際用電設備投切事件情況匹配一致。針對負荷切除事件,得到匹配結果為M(1,3),M(2,4),M(3,2),M(4,1),M(5,5),與數(shù)據(jù)庫匹配說明負荷切除的順序依次為電水壺、微波爐、電磁爐、空調(diào)、電飯煲,結果一致。

圖5 投入設備功率加權匹配矩陣

圖6 切除設備功率加權匹配矩陣

圖7 案例一設備投入/切除匹配結果

3.2 案例二

本測試也是針對案例一中的5個設備,其中電飯煲出現(xiàn)了狀態(tài)不間斷切換過程,即先加熱,然后保溫一段時間再繼續(xù)運行的行為,使得實驗場景更為復雜,因此最終檢測到6個負荷投入和6個負荷切除事件?？傮w上,設備投入的順序依次為:空調(diào)、電水壺、電飯煲、電磁爐、微波爐;設備切除的順序依次為:電水壺、電磁爐、電飯煲、空調(diào)、微波爐,其有功功率和無功功率曲線如圖8所示。所檢測到的負荷投切的有功、無功特征值如表3所示。

表3 案例二負荷事件特征表

圖8 案例二設備投切全程有功、無功功率變化圖

在案例二中,A事件屬于關閉事件,與數(shù)據(jù)庫進行匹配易得其為電飯煲關閉,將A事件之前發(fā)生的事件1、2、3、4分別與數(shù)據(jù)庫進行匹配可得事件3為電飯煲開啟。將剩余的事件1、2、4、5、6、B、C,、D、E、F用與案例一相同的方法與數(shù)據(jù)庫進行匹配,然后對概率匹配結果用KM算法進行計算,可得到結果矩陣如圖9(a)、圖9(b)所示。結合事件3和事件A可得到設備投入的順序依次為:空調(diào)、電水壺、電飯煲、電磁爐、微波爐、(電飯煲);設備切除的順序依次為:(電飯煲)、電水壺、電磁爐、電飯煲、空調(diào)、微波爐,與實際情況一致。

圖9 案例二設備投入/切除匹配結果

3.3 案例三

本測試場景針對八個用電設備,其中包括了小功率設備電視機,且存在兩個設備同時開啟的情況,增加了負荷辨識的難度。實驗中設備投入的順序依次為:空調(diào)和電采暖(僅檢測到一個負荷事件)、電視機、電水壺、微波爐、吹風機、電飯煲、電磁爐;設備切除的順序依次為:電視機、吹風機、微波爐、電水壺、電采暖、電磁爐、空調(diào)、電飯煲,其功率曲線如圖10所示。負荷投切的有功、無功特征值如表4所示。

表4 案例三負荷事件特征表

圖10 案例三設備投切全程有功、無功功率變化圖

由于空調(diào)和電采暖開啟間隔較為接近,因此圖10曲線中檢測到負荷投入事件為7次。用文中2.3節(jié)提到的方法可先通過負荷關閉事件辨識出測試中包含的8個設備的類型,然后通過計算投入事件與數(shù)據(jù)庫中所選出的設備的匹配概率可知,電采暖不滿足式(12),因此可確定其為同時開啟的設備之一。將負荷投入事件1-7分別與除去電采暖的另7個設備匹配,并用KM算法得到匹配結果。由結果可知事件1與空調(diào)匹配,其中事件1的有功功率變化為1 156.1 W,而空調(diào)的平均有功功率僅為467.3 W,由此可知事件1為空調(diào)與電采暖同時開啟事件。將事件1拆分為事件1.1(空調(diào))和1.2(電采暖)后與數(shù)據(jù)庫匹配,并用KM算法得到匹配結果如圖11所示。負荷切除事件匹配結果如圖12所示。(注:圖11和圖12中矩陣各列分別代表:空調(diào)、電磁爐、電水壺、微波爐、電飯煲、吹風機、電采暖、電視機)。

圖11 案例三設備投入匹配結果

圖12 案例三設備切除匹配結果

由圖11、圖12可以看出負荷投入的順序為:空調(diào)和電采暖(同時)、電視機、電水壺、微波爐、吹風機、電飯煲、電磁爐;與實際情況相一致。而設備切除的順序依次為:電視機、吹風機、微波爐、電水壺、電采暖、電磁爐、空調(diào)、電飯煲,辨識結果正確。

此外,為了驗證文中方法的有效性,針對案例一至案例三的辨識結果,將文中提出的辨識方法與文獻[8]中的方法以及僅使用單個特征的KM算法(KM-P&KM-Q)進行比較。同時,采用Ac(單個負荷設備分解的正確率)與Acc (所有電器分解的正確率)來進行對比評價,其結果如表5所示。表5中A-c、E-k、Mw,I-c、Co、H-d、E-h、TV分別為空調(diào)、電水壺、微波爐、電磁爐、電飯煲、電吹風、電采暖以及電視機。從辨識結果可以看出,文獻[8]中法對于小功率負荷的辨識能力較弱,且易受設備同時運行時電壓電流波動的影響;僅用有功功率特征的KM-P方法對于有功功率相近的負荷辨識效果較差;由于負荷無功功率的可區(qū)分性較小,僅用無功特征的KM-Q方法整體的辨識效果較差;而文中方法將有功功率和無功功率進行加權,并通過KM算法進行匹配辨識能較好地克服以上問題,提高辨識準確率,獲得更好的辨識效果。

表5 不同方法辨識結果

為進一步驗證文中方法對實際家庭用電場景的辨識效果,采用REDD數(shù)據(jù)集中一戶家庭的用電數(shù)據(jù)進行測試。測試共包括6種負荷,分別為:channel 7,channel 9,channel 11,channel 13,channel 17,channel 19。同時將文中方法與文獻[24]中方法進行對比,文獻[24]采用了圖信號方法對負荷進行辨識,與文中方法類似。從圖13中的對比結果可以看出文獻[24]方法整體性能較差,其僅使用有功功率一項電氣特征,對有功功率相近的負荷channel 7和channel 17辨識效果較差。隨著負荷事件的增加,兩種方法的準確率都有所下降且漸趨于穩(wěn)定,由此可見,文中方法對實際家庭用電負荷也有較好的辨識效果。

圖13 REDD數(shù)據(jù)集測試結果對比

4 結束語

文章將用電設備投入和切除的負荷事件作為圖論中的節(jié)點,構建基于二分圖的負荷投切事件與數(shù)據(jù)庫負荷的最佳匹配模型,并提出了采用Parzen窗法對投入/切除的負荷穩(wěn)態(tài)特征進行概率密度估計;建立了用電設備投入和切除特征的概率分布模型;最后采用KM算法求取設備投切事件與數(shù)據(jù)庫負荷的最佳匹配,從而實現(xiàn)負荷的匹配辨識。通過實驗驗證,文中方法對實際家庭負荷運行場景具有較好的辨識準確性,且對于同時開啟(不同時關)的設備和小功率設備,也具有一定的辨識能力。在下一步研究中將對數(shù)據(jù)庫進行擴展,增加負荷種類,解決算法對多檔位設備難以準確辨識的問題,增強算法對多狀態(tài)負荷的辨識能力。