非侵入式负荷监测技术研究进展*

钱玉军 包永强 姜丹琪 张旭旭 雷家浩

（1.南京工程学院电力工程学院 南京 211167）（2.南京工程学院信息与通信工程学院 南京 211167）

1 引言

2021 年3 月15 日习近平主席在中央财经委员会第九次会议指出：要构建清洁低碳安全高效的能源体系，实施可再生能源替代行动，深化电力体制改革，完善智慧能源结构，构建以新能源为主体的新型电力系统，力争2030年前实现碳达峰，2060年前实现碳中和［1］。负荷监测技术是构建新型电力系统的重要依托，该技术通过对用户总负荷数据进行采样与分析，提供对终端设备的实时监控、负载操作的反馈和评估设备功耗模式，规范了新能源管理和监测体系。能源管理是智能可持续城市发展计划的重要组成部分，能源管理需要对电力设施进行监测和控制，以优化能源利用，实现对用户电器设备运行状态的监测，也有助于电网公司为用户提供详细的能源账单和个性化的节能建议，同时在检测设备故障、改善需求侧响应、提高能源预测的准确性等方面发挥重要作用［2］。

根据设备监测中使用的方法，负荷监测分为侵入式（Intrusive Load Monitoring，ILM）和非侵入式负荷监测（Non-intrusive load monitoring，NILM）。当负荷监测涉及在每个相关用电负荷处安装传感器测量装置时，则称为侵入性负荷监测，该方法能较准确地预测设备运行工况，然而为每个设备安装传感器的成本非常高，同时也给运维人员带来大量安装维护工作量，此外当监测场景涉及多个设备时，存在限制其实际场景应用的缺点。与侵入式（ILM）不同的是，NILM 技术采集用户侧进线总负荷数据，通过建模分析得到用户使用负荷情况，包含负荷运行状态、启停时刻、负荷使用类别等信息。减少了电力需求增加时由于设备限制而导致的供应中断的风险，有助于提高电气系统可观测性，成为能源管理系统、电网规划的可行选择。

NILM 主要挑战在于面向不同用电场景下所设计的实时负荷监测模型能够准确分析用户侧用电行为。尽管目前国内外研究人员在提升模型识别准确性、开拓算法部署嵌入式终端设备、增强算法可扩展性和鲁棒性等方面做了许多研究，但非侵入式负荷监测技技术尚未在电力公司和用户侧得到普及使用，存在很多问题需要克服。主要包括：用电负荷数据的采集，需要计及采样频率大小、电压电流采集设备和分析何种负荷特性的问题；面临不同用户的海量用电负荷和多负荷同时运行场景时NILM 辨识度；采集的负荷特征库中接入新型负荷时NILM 的泛化性能。如何有效解决这些问题是NILM 技术在面向新型电力系统得到应用与推广的关键条件。

2 NILM基本理论及研究框架

非侵入式设备负荷监测技术（NILM）最早由Hart［3］提出，能够监测包含大量独立开关的电路。不同行业领域的负荷组成及特性存在较大差异，非侵入式负荷监测按照应用场景划分可划分为工业、商用、居民三类。其中居民场景的应用模式相对固定、负荷监测需求相对明确。图1 给出了此系统对应的负荷分解示意图。NILM 智能硬件装置安装在用户智能电表的入口出，使用NILM 智能量测装置捕获用户侧总用电负荷，利用采集的总信号提取设备特定的负荷特征，据此确定单个设备在总负荷中用电信息。

图1 非侵入式负荷监测布置示意图

NILM 的任务之一是确定负荷运行时单个设备状态和功耗数据，是典型的时间序列分析问题。以负荷消耗功率为例，某一时刻的用电总功率由该时刻各个设备的工作状态及对应的负荷功率确定，该问题可以表述如下：来自有源装置的功率信号在电表的入口点处总聚合功率为Pn(t)，在数学上可以定义为

式（1）中，是负荷监测中目标设备的功耗，n是时间段t内待测设备的总数，wkt是非运行状态设备消耗的功率，∈t是设备运行过程产生的随机噪声。具体来说：给定观察到的累计功率读数的离散序列x=x1，x2，…，xT，确定每个目标设备的功率需求，；与此同时，该问题可以用来确定设备状态，若已知设备的运行状态和功率需求的映射，求得T 时段每个设备对应的状态。

尽管研究NILM 方法涉及面很广，但大多包括数据采集与预处理、事件检测、特征提取和负荷识别等共同步骤。文中将围绕如图2 所示的NILM 系统的典型框架进行概述。利用用户侧用电进线口采集的总负荷数据提取所需研究的负荷特征，在负荷特征和负荷运行状态上构建映射模型，模型根据学习到的负荷内在联系识别用户侧的负荷状态，实现负荷实时监测。

图2 NILM研究框架

3 数据采集和预处理

数据采集模块对进线总负荷信号进行采集，其目的在于利用获得的稳态和暂态信号识别负载运行的独特模式。根据负载监测方法的不同，数据测量装置可选择电流/电压传感器、智能电表和电能质量分析仪等。通常，NILM 系统利用单相/三相电压、电流传感器模块或电能表连接到建筑物输电线的主入口，用于测量负载的聚合能量。国内目前主流方法仍然是采用智能电表来测量总负荷数据，按照采样频率的不同，主要分为低频和高频两类，低频采样率的数字表不具备分析频率成分能力且不能从被测电信号中捕获高次谐波；高频仪表的采样率范围涉及10kHz～100MHz，这类仪表用于捕获瞬态事件和提取高阶谐波，以有效地识别负载。除此之外，电能质量分析仪具有快速调节信号的能力，可以用于将时域信号转换为频域信号，识别电能质量相关特征和瞬态事件。

需要注意的是数据采集过程中容易产生由于不同工作性能的测量装置的适用范围变化和传感器传输原始数据造成数据缺失等问题引起的误差，这会影响负荷分解的准确性，故需要对数据进行预处理，主要包括去噪、滤波、标幺化等，其中标幺化的目的是便于处理电能质量波动带来的干扰［4］。

4 关键技术

本节对NILM涉及的关键技术（事件检测、特征提取、负荷识别）做详细阐述，对近年来涉及重点研究的技术做优劣势分析，为之后的研究明确方向。

4.1 事件检测

事件在负荷监测领域被定义为从稳态过渡到不同于先前状态的另一稳态的信号。根据从功率测量中检测设备的运行状态和功率水平的变化，判断有无事件产生，不同类型的设备，需要检测的方法也不同。根据事件检测策略的不同，事件检测通常使用三种不同的方法［5］：专家启发式、概率模型和匹配滤波器。

在专家启发式方法中，基于专家或先验知识设置固定的阈值来检测事件。提出基于包络的峰值检测方法中，利用固定阈值来确定事件的发生［6］。然而基于固定阈值的事件检测并不一直有效，功耗水平可能会因设备的操作状态而异，文献［7］创建了一种基于自适应阈值的方法来比较稳态期间的功率样本，连续的输入样本用于确定事件的自适应阈值。当基于单个阈值的事件检测技术受到功率信号中的电导、噪声的影响时，检测正确性会受到影响，进而引入了概率方法。概率方法使用统计特征、标准差和方差来估计聚合信号中的变化，通常使用广义似然比（GLR）、拟合优度检验（GOF）以及累积和（CUSUM）［8］。文献［9］提出了基于倒谱和改进拟合优度的事件检测方法，并使用代理模型优化算法。通过提取信号波形并将其与已知模式相关联来表征匹配滤波器的特性。虽然这种情况不依赖先验知识或对设备预先训练，但通常需要高频采样率，后期处理还涉及包络提取、卡尔曼滤波、希尔伯特变换等技术［10］。针对双边滑动累积和（CUSUM）变点检测方法的漏检、误检问题，文献［11］提出一种二分递推奇异值分解方法，通过计算奇异熵确定最佳分解层数，实现总有功功率中突变点位置的准确检测。

相较于概率模型，专家启发式和匹配滤波器检测应用规则判断面广，即通过相邻时间段内计算负荷特征的变化程度与预先设定的阈值进行大小比较分析，原理简单，运算量也较少。随着用电设备的多样化，主要是多状态和连续变化型设备的普及，概率模型由于检测准确性更高、适用场景广、抗干扰能力更强的优势被作为优先选择。另一方面，为了捕捉更多关于设备切换的暂态信息，这其中包含了设备运行过程中产生的噪声，会导致事件误检、漏检的概率增加，故而需要引入多变量参数，探索可针对设备在多变场景中根据环境自适应调整参数的检测算法是以后需要重点研究的方面。

4.2 特征提取

通过探测到的事件发生前后的数据提取不同设备特征，以此揭示设备其耗电模式、性质和操作等信息。特征提取是了解设备特征的关键一步，负荷特征可以分为三类：稳态特征、瞬态特征和非传统特征。

稳态特征是指器具在稳态运行过程中所提取的特征，包括功率变化、时域和频域特征、电压噪声和V-I轨迹等。在设备稳态运行期间，特征变化相对较小、不涉及高频采样，但是某些设备具有类似的特性，部分特征可能相互重叠。为了克服这一问题，文献［12］提出了基于V-I 轨迹特征的NILM 方法，以视在总功率作为低压负载用电状态事件变化的检测标准，提取对应一个周期内归一化的稳态电压和电流信号，最后采用支持向量机多分类算法进行负载识别。为了增强负载识别，文献［13］谐波是ΔP-ΔQ 平面上的第三个维度，谐波为在ΔP-ΔQ 平面存在模糊重叠的情况下提供了附加特征；谐波信息对于识别具有非正弦电流的电器特别有用，同时也可以识别出有功和无功功率相近的小型电气设备。频域信号在提取特征中也有所应用，文献［14］基于经验模态分解（EMD）的稳态特征被用来减少功率信号中电压传导的干扰，从而识别设备。当多个设备处于相近的功率范围时，稳态特征可能无法有效地检测事件，利用瞬态期间提取的特征将揭示关于设备的独特信息，这有助于更准确地识别事件。负载的瞬态行为是指电气设备处于关闭和稳定状态之间的运行周期，通常由电路条件的突然变化引起的，例如打开或关闭设备；与稳态特征相比，瞬态特征提供的信息较少，且需要高频采样条件。在瞬时状态下，瞬时功率，启动电流、瞬态电压噪声和高阶谐波常被用于分析。文献［15］采用了由电气设备突然切换而在电压信号上产生的电噪声频谱特征，当瞬态特征在时域重叠时，该特征允许在频域识别设备。文献［16］描述了一种基于时间序列的小波分析方法，根据时间序列数据将NILM 问题构造为事件检测和负荷分类的问题，利用基于时间子序列（shapelet）的算法区分设备活动周期，然后识别出与耗电数据中检测到的事件相对应的设备。时间序列往往具有较高的冗余度，增加了模型的复杂性，可能导致模型精度较低，因此可以从频域的角度分析，文献［17］从非平稳能量信号中提取基于集成经验模态分解（EEMD）的瞬态特征，以提高设备识别性能。除了前面提到的从总负荷信号中获得的特征外，最近的NILM 研究中还采用了一些非传统特征，这些特征用于提供关于设备操作的附加信息，诸如设备运行开始和结束时间、峰值时间等特征［18］。文献［19］探索了电力线上的高频传导电磁干扰（EMI）作为单点传感参数来监测家用设备。文献［20］从递归图（RPA）分析的角度提出了一种新的负荷特征分析方法，采用RPA 作为相位空间非线性负载电流波形的分析工具，这是基于时间和频率并行的创新信号处理方法。

特征选择和特征提取方法是特征提取中的两个难点。稳态特征在面临特征相似及部分特征重叠的场景下表现挣扎，而基于暂态特征的提取技术扩展性更强，主要是因为暂态特征发生与设备投切、开关等事件，持续时间短，重叠现象较少。深入挖掘负荷稳态、暂态及额外特征信息，综合三者之间优势，能进一步提高负荷识别精度，具有更广的应用前景。

4.3 负荷识别

设备识别高度依赖于负荷特征，而负荷特征又由设备类别进一步描述。在NILM 环境下，对设备进行分类的一个常见标准是基于设备运行状态。文献［21］根据有功功率和无功功率稳态测量值的实际变化对设备进行分类：具有开/关两种工作状态归类为第Ⅰ类，例如面包机、水壶、台灯等电器都属于该类；第Ⅱ类设备是有限状态机（FSM），这类设备运行模式是周期性重复的，状态转换可以利用功耗的上升/下降沿来检测，主要示例有炉灶、冰箱、洗衣机等；连续可变设备（CVD）归为第Ⅲ类，这种装置具有连续的功率消耗范围，既没有状态转换的重复循环，也没有特定的阶跃变化特征，例如变速电钻和其他电力电子控制负载，在总负荷中识别这类电气设备是一项具有挑战性的任务；连续工作几天/几周的永久消耗负荷电器属于第Ⅳ类，如电话机、有线电视接收器和烟雾探测器。当负载在不同的时间间隔同时或单独运行时，NILM 系统应能从设备瞬态和稳态运行时的原始功率信号中提取特征来区分不同类型的设备，而不同类型的设备有着不同的功耗模式，需要明确负荷属性，选择对应的负荷分解算法实现对负荷种类、工作状态的辨识以及对应功率的估计。目前的非侵入式负荷识别方法主要分为组合优化和模式识别两类。

基于组合优化方法尝试将观察到的功率测量值与设备特征库中设备功率信号的组合进行匹配，以反复迭代、检验减少匹配误差作为优化策略。文献［22］提出了一种基于图信号交替优化方法，根据总负荷数据构建图信号模型，并基于图信号模型得到关于功率损耗的约束条件，较好地解决了传统方法缺乏负荷数据相关性研究的问题。文献［23］提出一种基于遗传优化的方法，采用差异分析的方法选择新的谐波特征值作为优化目标，通过改进寻优函数的多特征遗传优化迭代实现不同电器状态变化的精确分解与识别。文献［24］利用多目标粒子群优化算法，以加权电流谐波矢量和为特征，对电流信号进行分解。实施优化方法的主要挑战是分解在同时运行的设备组合，这可能会由于特征重叠而导致复杂性增加或设备识别不足，然而当聚合信号包含设备特征数据库中尚不可用的未知负载时，复杂性问题可能变得更为严重。

模式识别根据建模、更新训练模型参数，挖掘设备与总线特征数据的内在关联，以达到最佳收敛状态。根据模型训练过程是否需要负荷标记信息，进一步划分有监督学习和无监督学习两类算法。监督学习在训练阶段需要以人工协作或单独为每个子设备安装传感器监测的方式标记每个电器的状态信息。早期研究在面临需要处理高精度识别大量电气设备的情况下显得捉襟见拙，机器学习的出现为研究人员提供了思路。机器学习的性能取决于特征集、负载类型和用于训练的设备数量，能够使用不同的特征（包括状态转换和时间信息）执行训练过程。粒子群聚类［25］、支持向量机（SVM［26］、随机森林［27］、K-近邻（KNN［28］是常用的机器学习算法。此外，文献［29］提出一种基于分数阶Hilbert变换的倒谱特征，利用分数阶Hilbert变换中阶数P选择的灵活性和提取信号细部特征的能力提取信号倒谱特征，利用SVM 识别用电设备的类别。文献［30］采用差量特征提取方法获取特征值变化量并引入信息熵的方法，通过计算簇间熵来确定最佳聚类数和负荷相似度，再通过模糊聚类实现电器负荷数量及种类的聚类识别。尽管监督学习技术已经证明了其在设备识别和能量分解方面的能力，但在实时实现设备分解时存在一定的局限性。有监督学习算法不能适应环境的变化，需要根据设备老化、设备性能退化、电力线干扰等各种因素来更新设备特征。无监督负荷分解方法不依赖于标记数据，不需要事先了解设备或训练数据，降低了初始设置成本和人机交互最小化，具有适应环境变化的能力，有利于NILM系统的实时实现，文献［31］从时间特性的角度出发，通过使用概率对家电使用的时间特征进行公式化，通过无监督的概率密度演化方法对特定用户习惯进行自适应建模，结合概率时间权重实现分解。文献［32］动态时间规整（DTW）方法也被用于NILM 问题，DTW 将检测到的事件映射到历史数据库中进行设备特征匹配，然后通过测量检测到的设备样本到设备特征匹配簇的距离对负载进行分类。稀疏编码使用字典学习方法以无监督的方式学习设备签名，稀疏编码将输入特征向量表示为线性组合基向量，文献［33］提出了一种新的能量分解稀疏编码方法，为了学习特征矩阵，采用了基于概率的双聚类技术，该方法在智能电网应用中的NILM系统实时实现中效果显著。

在众多负荷分解模型与方法中，隐马尔可夫模型（HMM）及其变体由于具备对时序数据进行建模并表征不可观测状态的能力，引起了研究人员的注意。随着智能电表和物联网的快速发展，以及其在住宅和工业环境中的使用增加，研究人员将人工智能技术应用到NILM 领域，其中最具代表的是基于迁移学习和深度学习的方法，并获得了优于传统方法的性能。下面分别对这三类方法进行重点介绍。

4.3.1 基于隐马尔科夫模型的方法

在NILM研究中，HMM的研究思路包含两条时间序列，分别是隐含状态序列和观测序列。隐含状态序列对应设备序列中各用电设备的运行状态，观测序列对应可测量的负荷电气特性。NILM 问题就转化为给定HMM 模型参数与测量序列，求该测量序列对应的可能性最大的隐含状态序列。针对多种用电设备的HMM 建模，可采用因子隐马尔科夫模型（FHMM），FHMM 包含了多条隐含状态链，分别对应每一个要研究的电器。文献［34］提出了IC-FHMM 隐马尔科夫扩展模型，根据每个电器的功耗自动确定其工作状态，在三个公共数据集上进行的实验表明了该模型的有效性。文献［35］提出利用HMM 对家电产品进行建模，利用分段二次整数约束规划（SIQCP）对负荷进行分解的方法，获得了较高的准确度。

尽管如此，隐马尔可夫模型的主要局限性还没有被克服：模型被限制在相对较小的离散状态空间中，算法复杂性依然很高，状态空间很容易呈指数级增长，需要额外的信息（如电器的工作状态）。文献［36］提出基于DFHSMM 的模型，兼并用电设备稳态和设备运行时长双特征，根据有功功率对设备状态进行聚类分析，并评估每个集群中的用电设备的状态，该模型对功率混叠的用电设备识别率较高。文献［37］提出了基于超状态HMM和改进稀疏Viterbi 算法的负荷分解方法，通过概率密度函数（PMF）来量化负荷状态，保留负载之间的依赖关系，利用稀疏维特比（Viterbi）算法计算超状态的稀疏矩阵，在较短的时间内评估了负载状态以及估计负载消耗状况。文献［38］提出了一种基于BH-FHMM 的模型，引入家庭用电习惯来优化传统的因子隐马尔可夫模型（FHMM），应用高斯混合模型（GMM）来表示用电器的时间序列信息的概率分布，实现负荷分解。

4.3.2 基于深度学习的方法

随着深度学习技术的流行，不同结构的深度学习网络得到日益关注，自动编码器（AE）、卷积神经网络（CNN）、深度神经网络（DNN）和递归神经网络（RNN）在NILM 问题中得到广泛应用，利用从聚合的信号中自动提取固有特征，进行设备分类和能量分解。文献［39］kelly 讨论了三种基于深度学习的分解方法，一种长短期记忆（LSTM）的循环神经网络形式、去噪自动编码器和一种对每个负载激活的开始时间、结束时间和平均功率需求进行回归的神经网络，三种神经网络都取得了更好的F1 分数，有效地提高了负荷分解精度。kelly 提出的三种体系结构学习了具有相同时间戳的主电源读数序列和设备读数序列之间的非线性回归，被称为序列到序列（seq2seq）的方法。鉴于深度神经网络存在梯度消失和爆炸以及网络退化等问题，文献［40］建议训练神经网络只预测窗口的中点元素，而不是训练网络来预测整个设备窗口的读数。文献［41］建立了一种树型结构的卷积神经网络（TreeCNN）从高维稀疏能量数据中学习时间序列模式，学习每个设备的特有模式，同时保留设备之间的相关性，有效地将未知设备与已知设备区分开来。文献［42］提出一种基于序列到序列和注意力机制（Attention）的NILM 模型。通过引入Attention 机制的解码器，强化特征提取范围，增强了负荷识别能力。

基于深度神经网络的算法在扩展性、隐私性和泛化性能方面明显优于传统手动提取特征的机器学习算法，然而该类算法大都是监督类算法，需要庞大的数据集来训练网络，且对于不同类型的设备分解效果也有所差异。

4.3.3 基于迁移学习的方法

迁移学习能够在不训练目标领域模型的情况下，从一个领域学习模型并应用于其他相关领域而受到了各学科研究者的关注。文献［43］提出了一种基于V-I 轨迹的迁移学习方法。将V-I 轨迹转移到HSV 颜色空间的视觉表示中，预训练卷积神经网络进行微调，对V-I 轨迹彩色图像进行分类，根据轨迹的形状和颜色信息区分不同的电负荷。文献［44］提出基于序列到点学习的神经网络在NILM 分解算法中进行了应用迁移学习和跨域迁移学习的实验，结果表明使用洗衣机的深度神经网络（DNN）训练模型可以用于检测其他电器，有助于减少设备数据收集过程；跨域迁移学习的实验结果表明，通过重用预先训练的模型来识别不同数据库中的设备，从而减少训练时间。文献［45］提出面向住宅用户的迁移学习方法，将多层感知器（MLP）、卷积神经网络（CNN）、长短期记忆（LSTM）三种神经网络进行拼接，进行多特征融合再学习，将前两层卷积层学习的负荷特征模块冻结，运用迁移学习重新训练最后的全连接层，在三种真实场景下试验，得到较好的分解性能。

迁移学习实现原理是卷积神经网络在浅层学习的特征具有通用性。在样本不足的情况下，使用迁移学习，将这些通用特征学习从其他已经训练好的网络中迁移过来，从而节省训练时间，并且得到较好的识别结果。迁移学习应用到负荷分解问题的目标在于将已经训练过数据集的设备应用到未参与训练的设备中，从而在实际应用中，不需要对事先采集数据进行大规模训练，大大减少成本。

综上分析，基于隐马尔可夫模型、基于深度学习以及迁移学习的三类非侵入式负荷监测方法各有优缺点，可总结为表1。

表1 3种NILM方法优缺点对比

5 NILM系统性能评估

NILM 涉及多个步骤且在不同程度上影响系统综合性能。现有文献设计的算法模型负荷识别率能够达到80%～100%之间，但实验的结果可比性弱，不同实验之间考虑的设备数量、类型、数据采样率、和数据库大小方面存在差异，致使算法的评估标准引起争议，主要因为目前的研究还未开拓完整统一的NILM 算法评估体系，部分已公开算法模型的评估方法不够标准，致使评估结果有所偏差；现有NILM 算法研究的负荷种类相对较少，只能涉及常用电器的研究，当面向海量负荷尤其是多状态和连续多变状态型的负荷时，研究精度得不到保证。NILM 领域的迅速发展使得提供一种标准的方法来评估相应模型性能成为一项重要的任务。按已有研究来看，NILM性能评估主要围绕三个方面展开：1）依据评估指标数值，分析所设计模型表现；2）横向分析所设计模型与已研究模型性能表现，指出所设计模型优势点以及弥补已研究模型的劣势；3）模型泛化评估。

在算法评价指标方面，可将NILM 问题可细分为回归和分类两个过程，按过程选择合理正确的指标。文献［46］根据具体的监测场景需求的不同，提出23 个在事件检测算法过程中评估指标；模型对比横向分析方面，在对比分析之前，需要复现所对比模型，这项过程十分繁杂，受限于编程水平、硬件平台等差异，导致复现模型的性能表现参差不齐，最终无法衡量模型间的性能优劣。Kelly 等提出了一个非侵入式负载监测开源工具包（NILMTK）［47］，NILMTK 提供了几个现有数据集的解析器、一组预处理方法和统计数据来描述这些数据集，还包括两个参考基准分解算法（组合优化和隐马尔可夫模型），直接用来比较能量分解算法；模型泛化分析方面，包含跨域数据集以及应用场景两个方面。已有研究的实验数据主要来自三个方面：公开数据集、搭建数据采集环境测量的电力数据库、人工合成数据，由于搭建的数据库来自生活实际场景，能够准确反映用电规律，故而模型表现最佳，在人工合成和开源数据集上表现显得捉襟见肘，不同数据域的模型表现亟待强化研究；除此之外，目前已有NILM 研究主要集中在住宅用户层面，研究者通常选择典型家用电器（洗衣机、冰箱、电视、微波炉、电脑等设备）作为研究对象，少有涉及工业用户和商业用户的电器研究，模型的可扩展性缺乏验证。

在综合考虑模型的可行性方面，文献［48］中提出衡量非侵入式负荷监测算法是否能够部署在智能电表和移动手机等实际应用场景中，需要满足以下要求：

1）可扩展性。在用户侧接入新型负荷时，已设计算法模型识别准确率保持原有水平，同时借助人工方式获取新型负荷的电力信息，对模型再训练，实现新型负荷新型识别。

2）准确度。预测的准确性是衡量模型性能的关键。根据用户侧的可接受度，要求设计算法准确度达到80%～100%。

3）保密性。模型和设备中分析和存储的数据必须加密，以保护用户的隐私。

4）实时性。模型支持在线推理工作，实时反馈用户当前能源使用情况。

6 结语

加快构建适应高比例可再生能源发展的新型电力系统，需要依托非侵入式负荷监测为基础的技术保障。通过上述的分析看出，目前非侵入式负荷监测方法同时兼顾实时性、可扩展性和稳定性还有所欠缺。开发一个能够高效识别所有类型的用电设备的解决方案，而不管它们的类别、品牌和制造商如何，仍然是一个挑战。未来工作可以从以下方面开展深入研究：

1）用户多元化和特征数据库的拓展。目前的研究主要集中于家庭用户侧，对于工业和商业用户的负荷消耗类型鲜有调研，往后在负荷对象研究全面性以及实际应用场景上作开拓。此外大多数NILM 方案都需要对算法进行离线训练，它涉及建立设备特征的数据库，而该数据库又仅限于用作示例的设备，在数据库中包括所有具有不同特性（制造商、型号、额定功耗等）的设备是不切实际的，因此算法将无法识别不在负荷特征数据库中的任何此类设备，如何识别特征数据库中未出现的新设备仍然是个难题；一种可采取的方案是利用交互式技术，例如基于网络通信和移动电话的信通服务与用户进行交互，在存在未知负载的情况下，系统会基于先验知识做出合理的推测，或将最接近的匹配项呈现给用户以进行验证，用户端可以据此标记设备运行模式，进而更新负荷特征库，这是一个值得拓展的方向。

2）负荷分解算法改进和数据集开发。尽管已经研究了许多用电设备特性，并且在现有研究中提出了许多负荷分解算法，但是没有一种算法被确定适用于所有类型的负载，开发全面性方法来高精度地检测所有的负载类型仍然是当务之急。考虑到有监督分解算法中获取训练数据所需的测量过程既昂贵又复杂，未来的工作应集中在不需要人工标记数据的无监督学习算法上，充分将迁移学习和深度学习的优势相结合，部署在低成本嵌入式的设备上以实时反馈监测结果。此外国内现有环境缺少标准参考数据集，无法对不同的设备进行统一的比较和测试。虽然部分国外公共数据集可用，但这些数据集只涵盖发达国家用电负载数据，无法适应我国的电力发展水平下的负载特征研究，加快国内公共可访问的数据集建设和开放源码工具的开发显得格外重要。

3）负荷监测数据挖掘与保护。探索适用于云服务负荷分解环境，负荷监测过程中不可避免会产生用户数据的传输，如何尽可能地降低隐私信息泄露风险也是非侵入式监测系统部署应用需要重点考虑的方面。负荷监测数据特别是负荷运行状态数据中蕴涵大量有价值的用户行为等信息，探索采用关联分析、数据挖掘等大数据处理技术，深入挖掘用户行为信息，将其组织成可操作的反馈，为电网的负荷调控策略和态势感知提供充足的判断依据，为之后开展工作提供新思路。