基于时间序列分类任务的智能电能表负荷监测技术研究.pdf

第6 0 卷第6 期2023年6 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.6Jun.15,2023基于时间序列分类任务的智能电能表负荷监测技术研究李家东，胡正华1.2.3，蒋卫平3,龙翔林”，童春芽，翟聪（1.宁波工程学院网络空间安全学院，浙江宁波3 152 11；2.浙江大学信息与电子工程学院，杭州3 10 0 6 3；3.宁波迦南智能电气股份有限公司，浙江慈溪3 153 0 0）摘要：随着深度学习模型在非侵入式负荷监测领域的应用,负荷识别与分解的能力得到了显著提升。但是多数方法仍然存在模型训练效率低下、分解精度不足以及模型不易推广的问题。针对上述问题，文章利用基于时间序列分类任务的卷积神经网络对非侵入式负荷监测框架进行了研究,并提出了相应的负荷识别与分解方法。通过对比实验证明，在UK-DALE数据集上,基于时间序列分类任务的卷积神经网络提升了洗碗机4.3%的识别准确率和19%的识别精度，降低了2 1.3%负荷分解过程的均方误差；在REDD数据集上，模型对于洗衣机的识别准确率、精度和F1值均有所提升，特别是召回率提高了2 4.3%，同时在负荷分解的过程中，模型降低了15.8%的均方误差。因此,与其它神经网络模型相比,基于时间序列分类任务的卷积神经网络具有更稳定的负荷识别与分解性能。关键词：智能电网；非侵人式负荷监测；数据挖掘；卷积神经网络；时间序列分类D0I:10.19753/j.issn1001-1390.2023.06.022中图分类号：TM714Load monitoring technology of smart electricity meters based onLi Jiadong,Hu Zhenghua223,Jiang Weiping,Long Xianglin,Tong Chunya,Zhai Cong(1.School of Cyber Science and Engineering,Ningbo University of Technology,Ningbo 315211,Zhejiang,China.2.School of Information and Electronic Engineering,Zhejiang University,Hangzhou 310063,Zhejiang,China.Abstract:With the application of deep learning models in the field of non-intrusive load monitoring,the ability of load i-dentification and decomposition has been significantly improved.However,most methods stil have low training efficiency,insufficient decomposition accuracy and the models are difficult to be generalized.Aiming at the above problems,the non-intrusive load monitoring framework is studied with the convolutional neural network based on the time series classifica-tion,and the corresponding load identification and decomposition approach is proposed.Through comparative experi-ments,it is proved that for the dishwasher in the UK-DALE,the convolutional neural network can improve the recognitionaccuracy by 4.3%and the precision by 19%,while the mean square error of load decomposition is reduced by 21.3%.For the refrigerator in the REDD,the recognition accuracy,precision and FI score are all improved.Especially,the re-call value has increased by 24.3%.In terms of decomposition performance,the mean square error is reduced by 15.8%.Therefore,compared with other neural network models,the convolutional neural networks based on time series classifica-tion has more stable recognition and decomposition performance.Keywords:smart grid,non-intrusive load monitoring,data mining,convolutional neural network,time series classification0引言电器的日益多样化，电力在工业生产和日常生活中都随着以电能为能源供应形式的机械装备和家用变得不可或缺，尤其是在新一轮技术的推动下，大型的电力系统和智能家居得到了前所未有的发展，全球基金项目：浙江省自然科学基金资助项目（LQ18D010008）一153 一文献标识码：Atime series classification task3.Ningbo Jianan Electronics Co.,Ltd.,Cixi 315300,Zhejiang,China)文章编号：10 0 1-13 90(2 0 2 3)0 6-0 153-0 7第6 0 卷第6 期2023年6 月15日的电网系统已经无法满足用户的用电需求13 。在缓解能源危机4 的大背景下，智能电网应运而生，并在日益健全的大数据与人工智能技术的推动下得到了快速成长。作为电网智能化的关键技术之一,用户侧负荷监测通过实时采集的用电数据来确定不同负荷的运行状态和耗能的过程5-6 。用户侧负荷监测以负荷的运行数据为基础来了解负荷的用电规律和用电量,从而合理地引导用户用电，实现需求侧响应的目标。目前，业界公认的电力负荷监测方法大致可以分为侵入式和非侵人式两种7 。侵人式负荷监测方法要求在每个用电设备端都安装传感器以获得电器的用电数据，这样的好处是可以实时掌握设备的运行状态，进而可以获取每个设备的用电情况。但是通过在每个设备上安装传感器等数据采集装置的实际可操作性差，实施成本和维护成本都非常高。与侵入式负荷监测相比，非侵入式负荷监测只需要在用户的总电能表端加入负荷监测的模块，并根据量测获得的观测值序列就可以识别出负荷的运行状态和相应的用电量，实现负荷的实时监测。这不仅省去了大量的监测设备和繁琐的传感器装置，降低了经济成本，有效避免了侵人式负荷监测带来的问题，还大大提高了系统监测的稳定性和可靠性。近年来，随着计算机硬件性能的大幅提升和软件技术的迅速发展，人们对于大规模数据集的处理已经有了行之有效的办法，大量学者开始对非侵人式负荷监测方法展开了研究。文献8 推导了一个似然推理公式来解决负荷分解的问题。该方法不仅拥有较高的计算效率，还可以避免局部优化的问题，但受限于特定时间段内运行的有限负荷样本。文献9 采用超状态的隐半马尔可夫模型来实现非侵入式负荷分解的任务，该方法不仅可以保留负荷之间的依赖关系，还可以分解拥有多状态的负荷,但是在分解某些负荷的过程中仍然存在较大的分解误差。文献10 尝试使用稀疏优化算法来提高负荷分解的准确性，除了能够提供对设备总消耗的准确估计外，还可以精确地描述设备的功耗曲线。但是算法的时间复杂度较高，空间复杂度也呈指数级增长。近年来，随着计算机软硬件技术的快速发展，深度学习模型在解决分类和回归问题中得到了广泛的应用。文献11 利用双向长短期记忆网络（Bi-LSTM)来代替传统的循环神经网络模型对负荷的用电曲线进行分解，克服了网络模型在训练过程中的梯度消失问题，但分解的性能和效果并不十分理想。文献12 提出了两种一 154一电测与仪表Electrical Measurement&Instrumentation使用滑动窗口进行实时负荷分解的循环神经网络架构,并使用多个指标将所提方法与现有技术进行了对比,实验结果表明提出的网络模型对多状态负荷的分解效果更好，但对波动性强的用电负荷,模型的识别率仍然较低。文献13 基于WaveNet模型提出了一个一维卷积神经网络用于低频数据的负荷分解。实验结果表明,增加输入信号的类型可以有效提高负荷分解的准确率。随后,文献14 提出了一个基于序列到序列和Attention机制的非侵入式负荷监测模型用以实现负荷分解。然而该方法是一个监督学习的过程,需要有标注了负荷运行状态的样本，数据处理的成本高且有时难以获得大量的带标签数据。文献15 提出了一种1dCNN-attention网络模型结构，用来克服经典卷积神经网络无法处理时序数据的缺陷，并使模型训练速度得到显著提升，但该网络模型的分解误差较大,分解精度较低。随着国内智能电网、电力公司和智能家居等领域对负荷监测需求的不断提高，目前的方法对于负荷识别的准确率和精度都不是很高，负荷分解过程也存在较大的误差。文章在已有的非侵入式负荷监测框架的基础上,提出了一种基于时间序列分类任务的非侵入式负荷监测方法。该方法将实时采集的聚合功率作为神经网络的输入，目标设备的激活状态或实时功率作为模型的输出，对模型进行训练。将训练完成后的网络模型作为特定负荷的识别器或者分解器。通过对比实验证明，文章提出的基于时间序列分类任务的负荷监测方法能够有效地提升负荷识别的准确率,降低负荷分解过程的均方误差，在负荷监测领域具有良好的应用前景。1相关工作1.1数据集介绍在非侵人式负荷监测领域,UK-DALE和REDD是常用的数据集，它们既包含了高频采样的负荷用电数据也包含了低频数据。数据均是以家庭为单位进行采集的。下面分别对UK-DALE和REDD数据集进行简要的介绍。1.1.1 UK-DALE数据集UK-DALE数据集是第一个具有高时间分辨率的开放数据集，它以每六秒的间隔记录了单个电器消耗的有功功率和整个房屋的总功率，因而被广泛地应用于非侵入式负荷监测的研究中。UK-DALE数据集记录了英国5个房屋的用电情况，其中，1号家庭记录了每个负荷超过4年的用电数据，在另外三个家庭中，Vol.60 No.6Jun.15,2023第6 0 卷第6 期2023年6 月15日UK-DALE以1HZ的采样频率记录了全屋的有功功率值。1.1.2 REDD数据集在REDD数据集中，研究人员以高频信号监测了整个家庭48 个不同负荷的电压值和电流值，并记录了数个月内多个家庭电路和特定负荷的电力消耗。REDD数据集包含低频功率数据和高频电压、电流数据,分别为low_freq（以1Hz采样的功率数据）、high_freq（校准和分组之后的电压、电流数据）和high_freq-raw（原生电压、电流波形数据）,其中low_freq包含了6个家庭的数据，labels记录了每个通道的设备，channel记录了每个设备UTC时间戳下的功率数据。1.2问题建模由电能表采集到的总功率信号是由用户房屋内所有负荷功率信号叠加而成的，可以表示为：P(t)=P(t)+P,(t)+.+P,(t)+.+P,(t)+o(t)(1)式中P(t)为电能表在t时刻读取的总功率信号；P,(t)为第i个电器在t时刻消耗的功率;n 为该家庭用户中的用电设备数量;(t)为负载的测量噪声和损失值。非侵人式负荷分解任务是从总功率信号中分解出某个特定负荷功率信号P（t)的过程。而对于负荷识别任务，由于只需要从总功率信号中识别出某个负荷的工作状态，因此文章采用阈值比较的方式。具体而言，就是针对某一个用电负荷讠根据经验设置相应的阈值(）当时段t内负荷i的有功功率P（）超过阈值(时,则认为负荷i处于工作状态，记为S,（）=1,否则认为负荷i处于不工作状态，记为S（）=0,即：S(=1,if p()(c)lo,if p()(c)式中P(为负荷i的功耗;()为预设的状态阈值;S()为负荷i所处的状态。式(2)也被称为负荷的激活函数。2模型实现2.1 模型的基本结构文章搭建的基于时间序列分类任务的卷积神经网络(CNN_TSC)由8 个一维卷积层、2 个池化层、1个全局平均池化层、1个Dropout层和1个全连接层构成，如图1所示。其中编码层由2 个卷积层和1个最大池化层组成,并使用了SamePadding和激活函数ReLU。数据经过2 个卷积层进行特征提取后获得相应的特征图，然后通过最大池化层将特征图的尺寸降到原来的电测与仪表Electrical Measurement&Instrumentation1/2。中间的4个卷积层对第1个编码层获取的特征图进行反复地提取与更新，并传递给下一个编码层。在经过第二个编码层后，使用全局平均池化层来代替全连接层，这不仅极大地减少网络模型的参数，还能防止模型过拟合，使其更具有鲁棒性，同时也实现了降维的效果。将每一个通道的值求平均后得到一个新的11的通道,再由Dropout层随机去除一部分神经元；最后通过一个全连接层对结果进行输出。input length 99Input.LayerFilter=16Filtersize=8Stride-1Activation=Relupadding=samePool size2Filter=64Filter size=4Stride-=1Activation=Relupadding=sameFilter=256Filtersize=4Stride-1Activation=Relupadding=sameFilter=512Filter size=2Stride=1Activation=Relupadding=samePool size 2GAP(2)0.3Size=1图1CNN_TSC网络模型结构Fig.1CNN_TSC network model structure2.2非侵入式负荷监测的基本框架非侵人式负荷监测的基本框架主要包括数据预处理，数据切片，模型训练、模型测试与模型应用5个部分,如图2 所示。(1)数据预处理。首先,对读取的聚合功率数据和目标负荷的用电数据进行缺失值处理，并通过采样使两者的时间戳保持一致。对于负荷识别问题，将目标负荷的功耗与预设的能耗阈值相比较，大于该阈值则认为负荷处于工作状态，反之则处于关闭状态。然后一155 一Vol.60 No.6Jun.15,2023Conv.Layer2Maxpool.LayerConv.Layer 2Conv.Layerx2Conv.Layerx2Maxpool.LayerDropoutDense第6 0 卷第6 期2023年6 月15日采用滑动窗口的方法对聚合的功率数据、目标负荷的真实功率和负荷的激活状态进行采样，形成时间序列数据片段，分别作为网络模型的输入和输出；样本数据ral(train_)标目练训电聚数器合据功功耗耗1(test)数据预处理11X聚合功耗）1测试数据一1图2 非侵入式负荷监测的基本框架Fig.2Basic framework of non-invasive load monitoring(2)数据切片。从原始数据集的不同房屋中，选择一定时间段内的用电数据，按照时间顺序拼接成一组时间序列数据，将该时间序列数据均匀切分成10 个片段，选取前8 个片段作为训练集，后2 个片段作为测试集；(3)模型训练。把训练集的聚合功耗数据输入到神经网络模型中，通过前向传播计算负荷的激活状态或者消耗的功率值，通过损失函数计算预测值和真实值之间的均方误差,然后在反向传播的过程中利用Adam优化器对权重和偏置量进行更新。当训练次数达到预设次数时，则停止训练，保存验证损失值最小时的网络模型，从而得到相应负荷的识别或者分解模型；(4)模型测试。将测试数据输入已经训练好的神经网络模型，输出目标电器的激活状态或真实的功率值,并与真实值相比较来验证模型的准确率；(5)模型应用。将模型输出的激活状态输人到对应的激活函数来获取负荷真实的工作状态，完成非侵入式负荷识别的过程；把模型的输出乘以当前对应的总功耗，得到负荷的实际功耗值，实现非侵人式负荷分解的过程。3对比实验分析3.1实验配置文章的实验采用TensorFlow深度学习框架，所有一156 一电测与仪表Electrical Measurement&Instrumentation的程序在一台配有型号为INVIDAGeForceMX330的GPU的计算机上运行。实验中,对负荷数据的采样频率为6 s,输入数据的长度为9 9 个采样序列。针对REDD和UK-DALE数据集，分别设置模型的训练次数模型Epochs为50 次和2 0 次，批处理大小设置为10 2 4。模选代训练11数据预处理1计算训练模型损失参数调优11函数训练结束模型激活状态与功耗转换应用负荷监测模型理Vol.60 No.6Jun.15,2023型的损失函数设置为均方误差（MSE），在模型训练的反向传播过程中使用Adam优化器对网络中的权重与偏置进行更新,学习率、一阶矩估计的指数衰减率Be-1tal、二阶矩估计的指数衰减率Beta2和预防除零因子Epsilon都采用Adam的默认值。3.2UK-DALE数据集上的实验结果分识1解别11标标1负负1耗态1有研究表明，将不同房屋内的负荷用电数据对网络模型进行训练有利于提高模型的泛化能力。因此，在UK-DALE数据集中，选取了洗碗机、电冰箱、微波炉三种负荷作为研究对象，因为这三种负荷在房屋1、房屋2、房屋5中均存在，并且它们的用功曲线相较于其他负荷也更容易区分。实验中用于训练和测试模型的房屋分布情况如表1所示。表1UK-DALE数据集中用于模型训练和测试的房屋分布Tab.1 Houses for model training and testing in UK-DALETrainingFridge1,2Microwave1,2Dash Washer1,2图3 展示了洗碗机、电冰箱和微波炉的部分样本在不同模型中的分解效果,图3 中第一行表示的某段时间内所有负荷功耗的聚合数据；第二行是目标负荷的真实功耗数据。第三行到第六行分别是采用文章提出的网络模型（CNN_TSC）、卷积自编码网络模型（C NN_D A E）、自编码网络模型（DAE）和序列到点网络模型（Seq2Point)对相应负荷设备的分解效果。从洗碗机和微波炉的分解效果来看，CNN_TSC的分解结果是最接近于真实值的,除了存在一个异常的峰值外,其余时间几乎准确地对负荷的功耗进行了准确的分解,而其他模型的分解结果都存在更严重的偏差。对于电冰箱，虽然四个模型都无法准确地实现峰值预测与功率值分解，但从负荷功耗值的分布图来看，由CNN_TSC模型分解得到的功率曲线最接近于真实值。综上所述,CNN_TSC用于负荷分解得到的负荷用电曲线与真实功率值的拟合程度更高，负荷分解效果Testing555第6 0 卷第6 期2023年6 月15日明显优于其他模型洗碗机聚合数据目标数据CNN TSCCNN DAEDAESeq2Point图3 UK-DALE中不同负荷在不同模型中的分解样例Fig.3 Decomposition examples of different loadequipments in UK-DALE using different models3.3REDD数据集上的实验结果在REDD数据集中，选取电冰箱、电炉、微波炉、洗碗机这四类负荷作为研究对象，选取这四类电器的原因是它们在工作状态下消耗的功率较大，不容易被当做总功率信号中的干扰信号，因而能够被负荷分解模型分解得到。表2 显示的是本实验中用于训练和测试模型的房屋分布情况。表2 REDD数据集中用于模型训练和测试的房屋分布Tab.2Houses for model training and testing in REDDFridgeMicrowaveDash WasherElectric stove图4显示的是四种负荷在不同模型下的分解效果。对于洗碗机而言，四种模型都可以较好地预测峰值。对于电冰箱，四种模型在大部分情况下都可以检测到局部的峰值,但同时也都无法精确地对目标负荷的用电曲线进行准确地拟合。对于微波炉,CNN_TSC 和 CNN_DAE模型可以较准确地预测峰值,而DAE模型则过度地预测了峰值,Seq2Point模型则缺失了对于关键峰值分解的情况；根据更精细地分解数据发现CNN_TSC的拟合程度高于CNN_DAE,说明CNN_TSC的分解效果最好。对于电炉，从图4可以发现四种模型的分解效果都比较差,尤其是Seq2Point模型则直接将用功曲线分解成了一条直线,从整体的趋势上看，CNN_TSC和CNN_DAE模型的分解结果更加接近于真实值。电测与仪 表Electrical Measurement&Instrumentation洗碗机电冰箱聚合数据电冰箱微波炉JLLLUhLTraining1,31,31,32,4Vol.60 No.6Jun.15,2023微波炉电炉目标数据CNN TSCCNN DAEDAESeq2Point图4REDD中不同负荷在不同分解模型中的分解样例Fig.4Decomposition examples of different load equipmentsin REDD using different models3.4分析与讨论文章通过混淆矩阵来分析基于CNN_TSC 神经网络模型的非侵人式负荷识别方法的优越性，见表3。表3 混淆矩阵Tab.3Confusion matrix预测结果正例真实情况正例反例其中,TP代表模型的预测结果是工作状态,且真Testing实情况也是工作状态；TN代表模型的预测结果是关闭2,4状态,且真实的情况也是关闭状态;FP代表模型的预2,6测结果是工作状态，而真实情况却是关闭状态；FN代2表模型的预测结果是关闭状态，而真实情况却是工作1,6状态；为了更好地验证模型的可靠性，文章采用准确率（A c c u r a c y）、精度（Precision）、召回率（Recall）和F1-score值来评估模型的性能。其详细的定义为：ncorrectAcuracyntoalTPPrecisionTP+FPTPRecallTP+FN2PrecisionRecallF1：Precision+Recall此外，文章还通过MSE（M e a n Sq u a r e d Er r o r）和MAE（M e a n A b s o lu t e Er r o r）来更直观地比较和评价不同模型针对负荷分解过程的优劣性，即：157一反例TP(真正例)FN(假反例)FP(假正例)TN(真反例)TP+TN(3)TP+TN+FP+FN(4)(5)(6)第6 0 卷第6 期2023年6 月15日T1MSETt=1TMAE=TE(y,-y.)式中y,为负荷在t时刻消耗功率的真实值;y,为负荷在t时刻消耗功率的预测值;T为一个完整的采样窗口。四种深度学习模型在UK-DALE数据集中所选取的目标负荷的分解结果的各项性能指标如图5所示。洗碗机1.01.00.80.80.60.6Accuracy6960score0.40.201.00.80.6Precision0.4score0.2011.00.8Recall0.6score0.400.21：00.8F10.6score40.20100Mean80Absolute60Error204001Mean,33000Squared 2000Error10000CNN_TSC图5UK-DALE数据集中的分解性能Fig.5Decomposition performance in UK-DALE从图5中可以看出，对于洗碗机而言，CNN_TSC模型在各项指标上都有不错的结果16-17 。相较于其他模型,CNN_TSC模型的识别准确率提高了4.3%，精确率提高了19%，MSE减小了2 1.3%。相比洗碗机，电冰箱只有制冷和不制冷两个状态，并且两个状态下的用电功率相差明显,所以模型的识别正确率普遍较高，召回率趋近于1,四类模型的识别与分解结果相差并不大；无论采用哪一种模型,对于微波炉的识别与分解结果的召回率都非常低，造成这个现象的原因是因为微波炉在工作时存在多个不同的用电状态，导致出现了大量的错误识别;而对于准确率和 F1值,CNN_TSC 模型仍优于其他模型。从整体上来看，虽然四种模型对电冰箱和微波炉的分解效果都不是很好，但CNN_TSC模型的准确率仍然是最高的,说明CNN_TSC模型的识一158 一电测与仪表Electrical Measurement&Instrumentation别与分解效果更好，对于负荷用电曲线的拟合程度更(7)高，鲁棒性和泛化能力更强。此外,四种深度学习模型在REDD数据集中所选(8)取的目标负荷的分解结果的各项性能指标如图6所示。洗碗机1.00.80.60.4Accuracy0.20score1.00.8Precision0.681电冰箱微波炉1.00.80.60.40.201.00.80.60.40.201.00.80.60.40.201.00.80.60.40.2一010080602204003000200010000CNN_DAEDAEISeq2PointVol.60 No.6Jun.15,2023电冰箱微波炉1.0L60:40.21.00.8L66:00.60.4score0.21.00.40.201.00.80.60.40.201.00.80.626600.4S00.201.0T0.83886000400020000电炉0:46260.201.00.8760S9001.Recallscore8:40.60.80.201.00.89690F1scoreMean10080Absolute8100ErrorMean3000Squared?20000.4Error10000.20100802086:00.80.60.40.21.910.80.80.6O80.20.4060406988200CNN_TSC图6 REDD数据集中的分解性能Fig.6Decomposition performance in REDD data set60LL从图6 中可以看出，对于洗碗机和微波炉而言，CNN_TSC模型的识别与分解指标均介于其它模型之间。特别是微波炉,CNN_TSC模型的MSE较其他模型减小了2 6.3%，这说明CNN_TSC模型较其它模型具有更高的分解准确率。对于电冰箱而言,CNN_TSC 模型的准确率、精确率和F1 值均高于其它三个模型,特别是召回率平均提高了约2 4.3%；从分解性能上看，CNN_TSC模型的MSE平均减少了15.8%。CNN_TSC模型对于电炉的识别准确率和精确率都有一定的提升，但无论采用哪一种模型，识别精确率都比较差，这是因为电炉处于工作状态时，它的功率值是连续切换的，并且会以较低的功率值进行工作，这容易导致网络模型将低功率状态下的电炉识别为关闭状态。综上所述,文章构建的CNN_TSC模型相对于其他三种模型而言具有更稳定的识别与分解性能。进一步的研究发现,CNN_TSC模型在对较大功率负荷进行识别与分解时具有明显的优势，这是由于在大功率和小功率负荷同时存在的情况下，神经网络会把小功率负荷的用电量当成系统噪声，以至于降低小功率负荷在0:40.201.00.86820.60.20.400.21001003889880609402L920O050008000400060003000200010000ICNN_DAEI9980900620906000400040002000200000IDAESeq2Point第6 0 卷第6 期2023年6 月15日识别与分解过程的准确性。4结束语文章提出了一种基于时间序列分类任务的卷积神经网络（CNN_TSC）,将该模型在 UK-DALE 和 REDD 数据集上进行了实验,并将识别与分解的结果与自编码网络（DAE）、卷积自编码网络（CNN_DAE）和序列到点网络(Seq2Point)三种神经网络模型进行了对比。实验结果表明,CNN_TSC模型在整体的识别与分解性能上优于其它三种神经网络模型,且准确率也是所有模型中最好的。特别地,通过进一步的实验证明 CNN_TSC 对多状态负荷进行识别与分解时具有明显的优势。参考文献1张鹤望基于深度学习的非侵入式电网负荷监测方法D西安：西安电子科技大学，2 0 2 1.Zhang Hewang.Non-intrusive Power Grid Load Monitoring MethodBased on Deep Learning D.Xi an:Xidian University,2021.2廖邓彬基于深度学习的非侵人式负荷监测方法研究D武汉：中南民族大学，2 0 2 0.Liao Dengbin.Research on Non-intrusive Load Monitoring MethodBased on Deep Learning D.Wuhan:South-Central University for Na-tionalities,2020.3时广浩基于人工智能的非侵人式负荷分解方法研究D北京：华北电力大学，2 0 2 1.Shi Guanghao.Research on Non-Intrusive Load Decomposition MethodBased on Artificial Intelligence D.Beijing:North China Electric Pow-er University(Beijing),2021.4】负保记，张恩硕，张国，等考虑综合需求响应与“双碳”机制的综合能源系统优化运行J电力系统保护与控制，2 0 2 2，50（2 2）：11-19.5林昱坤.基于变长时序波形定位的非侵人式负荷监测算法D北京：华北电力大学，2 0 2 1.Lin Yukun.Non-Invasive Load Monitoring Algorithm Based on Variable-Length Time-Series Waveform Positioning D.Beijing:North China E-lectric Power University,2021.6 Hart G.Nonintrusive appliance load monitoring J.Proceedings of theIEEE.1992,80(12):1870-1891.7袁龙，栗维勋，李一鹏，等基于云平台的智能电网监测体系研究J电测与仪表，2 0 2 0，57(2 3）：8 7-91.Yuan Long,Li Weixun,Li Yipeng,et al.Research on smart grid moni-toring system based on cloud platform J.Electrical Measurement&Instrumentation,2020,57(23):87-91.8 Kolter J Z,Jaakkola T S.Approximate inference in additive factorialHMMs with application to energy disaggregation C/International Con-ference on Artificial Intelligence and Statistics PMLR,2012.9 Makonin S,Popowich F,Baji I V,et al.Exploiting HMM Sparsity toPerform Online Real-Time Nonintrusive Load Monitoring J.SmartGrid,IEEE Transactions on,2016,7(6):2575-2585.电测与仪表Electrical Measurement&Instrumentation10Piga D,Cominola A,Giuliani M,et al.Sparse Optimization for Auto-mated Energy End Use DisaggregationJ.IEEE Transactions on Con-trol Systems Technology,2016,24(3):1044-1051.11JKelly J,Knottenbelt W J.Neural NILM:Deep Neural Networks Appliedto Energy Disaggregation M.Springer International Publishing,2015.12Krystalakos O,Nalmpantis C,Vrakas D.Sliding window approach foronline energy disaggregation using artificial neural networks C/Pro-ceedings of the 10th Hellenic Conference on Artificial Intelligence.ACM,2018:1-6.13Harell A,Makonin S,Baji cI V.Wavenilm:A causal neural networkfor power disaggregation from the complex power signal C /ICASSP2019-2019 IEEE International Conference on Acoustics,Speech andSignal Processing(ICASSP).IEEE,2019:8335-8339.14王辑，钟海旺，余南鹏，等基于seq2seq和Attention机制的居民用户非侵人式负荷分解J中国电机工程学报，2 0 19，3 9（1：75-83,322.Wang Ke,Zhong Haiwang,Yu Nanpeng,et al.Nonintrusive Load Mo-nitoring based on Sequence-to-sequence Model with Attention Mecha-nismJ.Proceedings of the CSEE,2019,39(1):75-83,322.15刘睿迪.基于数据增强和深度学习的非侵人式负荷分解方法D.杭州：浙江大学，2 0 2 1.Liu Ruidi.Non-Intrusive Load Decomposition Based on Data Augmenta-tion and Deep Learning D.Hangzhou:Zhejiang University,2021.16 Faustine A,Pereira L,Klemenjak C.Adaptive weighted recurrencegraphs for appliance recognition in non-intrusive load monitoring J.IEEE Transactions on S