基于监督学习的非侵入式负荷监测算法比较

摘要：

非侵入式负荷监测(NILM)能够在不干扰用户正常用电的情况下,低成本地实现用户用电设备类型的识别和用电负荷的分解,因此非常适用于家庭用户用电监测.大量智能电表在家庭用户中的安装为居民NILM提供了数据支撑,也使得居民NILM研究成为热点.基于家庭负荷稳态电流样本,采用负荷电流谐波系数作为负荷分类特征,建立了基于多层感知器(MLP)神经网络、k-近邻算法、逻辑回归、支持向量机的4种NILM分类模型,利用BLUED数据库对4种分类器进行训练和测试,对比分析其在识别精度、训练时间、识别速度和抗噪能力方面的表现,并对其在家庭负荷识别中的应用效果进行对比研究.结果表明,4种分类器中MLP神经网络具有总体最优的分类效果和计算性能,更适用于家庭用户负荷监测.

关键词：非侵入式负荷监测、负荷识别、多层感知器神经网络、支持向量机、监督学习

所属期刊栏目：38

分类号：TM721;TM764(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划项目2016YFB0901100

在线出版日期：2019-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：128-134