基于监督学习的非侵入式负荷监测算法比较

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。