《表1 辨识算法性能：一种多参量决策的非侵入式负荷辨识算法评价模型》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种多参量决策的非侵入式负荷辨识算法评价模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在非侵入式电力负荷监测技术中，通常以负荷辨识建模为基础，图1给出了电力负荷辨识基本框架，负荷事件检测、特征提取以及辨识模型是三个主要技术，其中负荷辨识算法最终决定了非侵入式负荷监测技术的性能。近年来，国内外非侵入式技术的研究已经取得较多的研究成果，多种负荷辨识算法相继被提出，其主要包含最优化方法、监督学习方法以及非监督学习方法。最优化方法以文献[4-6]为代表，主要对洗衣机、电视机等居民用户常用家电负荷进行辨识，准确率在75%-93%之间。在监督学习方法中，贝叶斯算法[7]、SVM[8-9]、神经网络[10]和深度学习[11]方法最为常用，研究文献数目众多，然而就辨识准确度这一单一算法评价指标来看，贝叶斯算法和SVM算法准确率相近，约90%-95%；神经网络算法近年来发展迅速，在许多交叉学科中应用广泛，在非侵入式领域用于负荷辨识其准确率高达90%以上。然而，考虑到不同居民用户用电设备的差异性以及设备种类的多样性，监督学习的方法需要对负荷样本的学习和训练，使得其在适用性和推广性受到了一定限制，因此，文献[12-13]采用了非监督学习方法，兼顾识别精度、计算复杂度以及对负荷特征相似电器的识别能力和整体速度，但该方法还有很多方面值得深入研究，例如负荷标签的确定以及模型参数的设置。此外，针对实际的用户场景，由于不同算法所得到的辨识结果存在差异性，因此如何评价成为了目前研究的一个重要方向。据文献[14-15]统计，目前非侵入式分解辨识方法精度主要取决于用电设备数量、特征表达、分类算法设计等因素；且针对不同家庭，其辨识精度会随之发生变化，如表1所示。可以发现，这些算法所辨识的用电设备类型、特征具有一定的差异性，仅以准确率指标已经难以全面衡量非侵入式负荷辨识算法的性能及其可靠性。然而，通过对目前已有非侵入式负荷分解算法的综述回顾表明，目前没有统一的评价方法用于评价非侵入式算法的性能。