基于结构化特征图谱的组合支持向量机非侵入式负荷辨识

武 昕，严 萌，郭一凡，黄楷焱，焦 点

（1. 华北电力大学电气与电子工程学院，北京市 102206；2. 北京电力经济技术研究院有限公司，北京市 100008）

0 引言

能源革命与工业物联网的发展促使电力系统的运行环境与产业模式发生巨大变革，快速推动传统电网向以新能源为主体的新型电力系统转变［1］，促进能源体系由高耗能向低碳绿色转变。灵活调度需求侧资源能够推动信息与电能的双向互动，进一步挖掘需求侧资源的潜力有助于实现对清洁能源的高效利用［2］。需求侧用电管理与能效优化是保障需求侧资源具有灵活调节能力的重要一环，对于缓解电力供应紧张具有重要意义。负荷监测是用电管理的关键技术，有助于提高用户用电效率，优化需求侧资源配置，同时也是电网实现智能化、互动化的关键之一［3］。

负荷监测技术分为侵入式和非侵入式。由于电网无法直接实现对用户负荷的管理，因此非侵入式负荷监测技术的研究逐渐发展起来。该技术只需在入户电表处对总电流、电压等信息进行采集，不会对用户正常用电造成干扰，由此便可分析得到各负荷的能效信息［4］。

目前，已对非侵入式负荷数据的分解辨识展开了深入的研究。文献［5］将电流波形转换为加权递归图块用于负荷识别，在工业数据集LILACD 和居民数据集PLAID 中进行验证，能够提高负荷识别准确率。文献［6］提出了一种无监督的负荷监测结果标注方法，利用少量电器的先验知识实现了2 个家庭负荷类别的标注。文献［7］通过Karhunen- Loève展开的迭代方法提高频谱分解的分辨率，并利用快速反卷积技术进行功率分解。文献［8-9］利用颜色编码将负荷V-I轨迹转化为视觉表示，利用预先训练的神经网络实现负荷辨识，在PLAID 和WHITED 数据集上均获得了较高的识别精度。文献［10］构建多目标粒子群对负荷分解模型进行优化，选用WHITED 数据集中的常用负荷生成聚合电流，获得了较高的分解精度。文献［11-13］提出了基于多特征、多算法的分解框架，对于多个负荷同时运行的情况分解精度较高。文献［14-15］将形状特征、谐波特征和统计特征用于负荷辨识，在不同的场景下均具有较好的辨识效果。文献［16］采用对功率和V-I轨迹进行特征提取和融合后的复合特征进行负荷辨识。文献［17］利用设备使用模式确定了负荷的先验概率，在Tracebase 数据集中的12 个用户和REDD 数据集中的6 个用户验证了算法的可行性。

目前的分解辨识方法依靠预实验获取待监测用户负荷电信号形成先验特征数据，再将待监测负荷特征与先验特征数据进行对比实现辨识，一方面造成实际中工作量大，另一方面通过针对性预实验训练的分类网络仅对样本数据来源的用户是有效的，对于未进行预实验的用户来说，所用负荷的品牌、工作状态及运行环境繁杂，实际的负荷特征参数与先验特征数据差异较大，难以保证预先训练分类网络的通用性及可分性，辨识准确率明显下降。

基于此，本文提出构建典型居民负荷的通用性结构化特征图谱，通过对负荷波形进行信息抽取、负荷特征优化融合和特征知识量化表征形成负荷特征图谱，从而将多变无序的负荷波形转化为有序可分的结构化特征数据。在此基础上，构建负荷的组合支持向量机分类模型，保证对同类负荷的通用性和对不同类负荷的可分性，确保对不同用户均能达到较高的辨识精度。

1 问题描述及实现结构

1.1 非侵入式负荷监测原理及本文实现结构

电网对负荷的管理权限被限制在电表之外，因此非侵入式负荷监测是主动获取负荷数据的可行方式，无须介入用户内部，在电力入口处进行采集，但该用户全部用电信息都表现在采集到的数据中，须对采集信号进行分析处理以获得各负荷详细的用电情况。同时，应保证整个监测过程全程自动执行，不对用户的正常活动造成干扰。

首先，采集数据应包含较丰富的负荷特征信息以保证负荷辨识的准确性，应通过高频采集获取负荷信号波形，以保留细节特征，为辨识提供可靠的数据支撑。高频采集必然会导致庞大的数据量，当负荷状态发生切换时会引起负荷电流的变化，则有效信息均集中在有状态变化时的波形数据中。因此，应先从高频采集的波形数据中分离提取出由负荷状态切换引起的事件波形。

将事件波形独立分解后，波形信号所对应的负荷类型是未知的，应对其进行类别判定以实现负荷辨识。波形数据虽包含了大量信息，却呈现出无序杂乱的特点，同类负荷不同设备的波形存在很大差异，不同品牌、型号，甚至不同运行环境均会造成负荷波形的差异，同时，不同类负荷的波形会出现相似的情况，如附录A 图A1 所示。波形数据不能直接体现同种负荷的一致性及不同种负荷的可分性，直接利用波形数据难以进行类别判定，不具有通用性，因此应对其进行转化。

杂乱无序的数据应转化为通用且可分的结构化特征信息，本文基于知识图谱原理基于波形数据构建各类负荷结构化特征图谱，形成通用的特征体系，将变化多样的波形数据转化为具有同类一致性和异类可分性的结构化特征数据，使其适合分类器决策，从而构建分类器实现相应的类别判定，有效解决由于波形多变无序而须针对不同用户获取专门的训练数据与样本的问题，是使监测过程自动执行的关键。实现结构如图1 所示。图中，蓝色代表不同的负荷类别，绿色表示属性特征，符号对应的特征详见附录A 表A1，粉色表示实体特征，连接线上的数值代表该属性特征的权重，下同。

图1 整体实现结构Fig.1 Overall implementation structure

综上，构建形成负荷图谱及分类器模型后，在负荷监测过程中，先对高频采集电流进行事件波形提取并分解，以获取有效信息；然后，依据负荷特征图谱将事件波形转化为结构化特征数据，保证其一致性与可分性；最后，将结构化特征数据通过分类器进行类别判定，实现负荷辨识。整个过程可以对不同用户自动执行非侵入式负荷监测。

1.2 负荷结构化特征图谱构建原理

负荷图谱是适应变化无序负荷波形的关键，是杂乱数据层统一的结构化知识库，需要预先进行构建，形成后可直接用于不同用户的负荷监测过程。

图谱的形成是将同类负荷变化且杂乱的波形数据转化为该类负荷统一的结构化信息，从而使同类负荷的数据样本具有一致性，且与不同种负荷样本间具有可分性，从而适合分类决策。各类典型负荷作为图谱的本体（如空调、热水器、冰箱等），各本体不同设备的采集波形来自最底层数据层，无序多变不具备决策条件，需要向上抽象形成结构化特征信息。图谱构建过程包括3 个过程。

首先，对本体所属的先验波形样本进行信息转化与抽取。从各类负荷的大量波形数据中向上抽象，形成属性-实体-关系模式的特征信息，构建本体的特征知识基本表征体系。从波形中抽取典型参数作为备选属性，抽取具有初步可分效果的特性作为实体，实体应对同类负荷具有一致性，且具备从波形中抽取的条件，如“阻性”“间续运行”等。

然后，对负荷属性特征进行融合，形成初步的负荷特征图谱。虽然对波形进行了信息抽取，但依然缺乏逻辑与层次性，且存在大量冗余和无效的特征属性，应对其优化融合。确定有效实体后，给定负荷分类中有效的实体计算模型，同时从大量备选属性中选取有效属性作为负荷属性，计算出相应的属性值对应到实体，形成负荷本体的基础知识库，结合已有的结构化数据对知识库中属性进行优化融合。

最后，对负荷特征图谱中的特征属性进一步加工，进行量化表征，形成较完备的负荷图谱。前两个过程得到了负荷的基本特征表达，描述负荷本体的实体特性与属性特征已确定，但缺失特征相对于不同本体的关系及各特征的重要程度，因此，需要确定各属性特征的权重形成较完备的特征知识描述，从而构建为成形的负荷图谱。

1.3 组合支持向量机负荷辨识模型

依据负荷特征图谱，将变化、无规律的负荷波形数据转化为有序的结构化特征数据，便于构建分类器进行负荷类别判定。负荷图谱对应的特征空间，其特征维度高，因此选择支持高维特征决策的支持向量机（SVM）作为负荷辨识的基分类器模型，并以此分类器为基础提升分类模型的辨识准确度。

居民负荷的类别是有限可枚举的，因此，基于负荷图谱对应的特征空间，训练形成每类负荷本体的SVM 分类器。负荷波形数据将依次通过所有的分类器，依据图谱把波形转化为相应负荷本体特征空间中对应的特征数据，作为该类SVM 的输入。由于SVM 为二值分类器，输出为1 或0，分别代表“是”或“否”属于相应SVM 的负荷类别。理想情况下，当负荷波形被所有负荷本体的SVM 分类器判决后，只有所属类别的SVM 分类器应输出为1，而其他类别分类器输出应均为0。但在实际中，受限于分类器的准确率，必然存在较多误判的情况，因此会造成多个分类器输出1。只要有多于1 个分类器判决为1，就不能对负荷类别进行判定。因此，应提高各类负荷SVM 分类器的准确率，做到近乎绝对准确，才能避免输出多个1，解决无法决策的问题。

基分类模型的形式固定，因此单个分类器的准确率很难大幅度提升，若要达到近乎绝对准确的分类效果，基于“集弱成强”思想，利用分类器组合的群体决策替代基分类器的单一决策。对每类负荷本体训练分类器组合以全面提升各类负荷的SVM 分类器性能。由训练数据构建多个独立的基分类器，每个基分类器均进行决策，依据群体决策结果进行多数表决分类，其准确率能够得到显著提升。假设由20 个独立的基分类器形成一个组合分类器，基分类器的错误率均为δ0=0.25，则只有当多于半数的基分类器判决错误时，组合分类器决策才会错误，其错误率δ为：

式中：i为基分类器的个数；δ远低于单一基分类器决策的误差率。

本文在基分类器基础上构建各类负荷的组合SVM 分类器，应满足以下条件才能显著提高准确率：首先每个基分类器的错误率小于0.5，即优于随机分类；同时，组合中基分类器的训练过程应相互独立。

2 结构化特征图谱下的组合支持向量机非侵入式负荷辨识方法

依据整体实现结构，本章详细介绍实现方法，包括事件波形检测与分离、结构化特征图谱构建及组合支持向量机分类器构建。事件波形检测在前期已进行了较充分的研究，形成了有效的分解方法与流程，在文献［18］中进行了详细的描述，本文重点阐述负荷特征图谱与组合分类器模型的构建方法。

2.1 基于知识图谱的结构化负荷特征图谱构建

从变化且无序的负荷波形数据中提取出有效的实体、属性等信息，在此基础上形成负荷特征的知识表达，形成对同类负荷一致、异类负荷可分的特征体系。本文依据1.2 节的建谱过程对典型居民负荷构建特征图谱。

2.1.1 负荷波形的信息抽取

根据波形数据抽取各类特征参数，考虑两类参数，一类是可从波形中提取的电参数，如有功功率、电流最大值、有效值等，该类特征参数抽选为负荷本体的属性；另一类是可从波形中提取的由本体功能、结构等决定的通用特征，该类特征相对属性具有更好的一致性与可分性，则抽选为实体。

首先，进行负荷属性特征抽选。从波形中提取可计算的电参数作为属性，如有功功率P、无功功率Q、功率因数PF、电流有效值IRMS、电流最大值Im、电流畸变率THD、电流波形与标准正弦波之间的皮尔逊系数r等，均可通过采集的负荷电压和电流计算提取相应参数。为了使属性尽可能全面，把可以从波形数据中直接计算的参数特征均抽取为属性，记作属性集Lp，如式（2）所示。

在此阶段，将可能的相关参数均列入属性集。

然后，进行负荷的实体特征抽选。实体特征应具备初步的可分性，因此，抽选同类负荷在结构、功能、操作运行特点上具有一定通用性，与不同类负荷具有区分度，且能够从波形中抽取的特性作为实体，本文抽取以下几类特征为实体。

1）负荷的物理结构决定了其呈现阻性或非阻性，该特征对同类负荷具有一致性，且可通过波形中抽取的属性进行计算。阻性负荷的波形应呈现正弦形式，且电流电压无相位差，利用属性PF及皮尔逊系数r即可进行抽取，若满足式（3）则为阻性负荷。

式中：σ1和σ2分别为PF与r的阈值，根据大量实验分析，取值均需大于0.9。

2）负荷的工作特点决定了其运行方式为间续或连续运行，对同类负荷具有一致性，且体现在波形中。间续运行负荷（如洗衣机等）在波形中表现为明显的周期性变化，因此在较短的时间间隔内能够检测到多次相同的事件波形，若满足式（4）则为间续运行负荷。

式中：N（Ts）为Ts间隔内检测到相同事件波形的次数；N1为大于2 的整数阈值。附录A 图A2 给出了间续负荷（洗衣机）与连续负荷（热水器）的电流波形。

3）负荷的功能与操作特点决定了其运行时间为固定或随机。如电饭煲、冰箱等，其功能与操作特点决定了负荷开启到结束运行的时间相对固定，不会发生明显的随机波动，通过在波形中检测负荷的开断确定其运行的持续时间，若满足式（5）则为运行时间固定的负荷。检测到该负荷的实际运行时间浮动范围T′during如式（6）所示。

式中：Tduring为同类负荷前n次的平均运行时间；α为允许范围内的浮动阈值，取值小于平均运行时间的10%；n为运行总次数。

2.1.2 负荷属性特征的优化融合

对波形进行信息抽取后形成了图谱的实体-属性特征，属性集中特征较多，且存在大量冗余，部分属性会弱化负荷的可分性。因此，对属性特征进行优化融合，形成最优的属性集合。

属性集Lp中的元素未进行任何处理，所代表的特征信息存在冗余。由于实体特征具有较好的一致性与可分性，其涉及的属性特征作为必选元素，因此，仅对其他属性进行融合优化。将Lp表示为两类子集，如式（7）所示。

式中：Le为实体特征涉及的属性构成的子集；Lo为其他属性形成的子集，即对Lo中的元素优化融合。

Lo的优化融合即为属性特征的选择，选择的目标是使负荷图谱形成的特征空间具有最优决策能力，即图谱的特征空间应对同类负荷具有良好的一致性，对不同类负荷具有良好的可分性。所选择的属性所形成的特征空间对负荷波形样本进行结构化后，应使负荷样本点在特征空间中的类间离散度尽可能大，类内离散度尽可能小。因此，利用类内、类间散布矩阵对图谱特征空间的性能进行量度，构建优化目标函数。

当选取m0个属性后，即构成了m0维特征空间，负荷波形即可抽取为特征空间中的样本点，一个样本点表现为一个m0维向量，记作a。同类负荷对应的样本点记作{a(i)}，i=1，2，…，K，其中K为该类负荷的样本点数量，该点集中样本点间的距离之和即可反映在该特征空间中分布的紧密程度，因此，类内散布矩阵Sw定义如式（8）所示。

式中：X为类内各样本点的平均距离，记作该样本集的均值向量，如式（9）所示。

同理，对于不同类别的负荷样本，则利用负荷样本的类间距离表征其在特征空间中的分布离散程度，量度类别间的可分性，因此，类间散布矩阵Sb定义如式（10）所示。

式中：C为类别总数；P(ωc)为该类样本ωc出现的概率；Xc为利用式（9）得到的各类样本集的均值向量；X0为各类样本集的总均值向量，如式（11）所示。

使各类样本点的类内离散度Sw最小、类间离散度Sb最大的特征空间性能最优，即可分性最好，因此采用行列式形式构建目标函数，如式（12）所示。

式中：λc为矩阵SSb的特征值。将使目标函数J1最大的特征子集作为最终选择的属性子集，记作L͂o。

Lo优化融合后的子集L͂o与Le形成负荷图谱的属性集合L͂p，如式（13）所示。

2.1.3 特征的知识量化表征与加工

将图谱中的特征属性进行融合后，得到了使该类负荷一致性与可分性最优的特征属性集合，但集合中各属性对负荷本体的表达程度并不相同，因此为了更准确地利用特征元素表达负荷本体，对融合后的图谱进行知识加工，即量化属性集合中各元素对本体的表达程度。

假设某类负荷中有N个样本点，特征空间中包含M个特征属性。由于特征属性取值范围差异大，首先将各特征属性的取值进行标准化，即

式中：l为特征属性的实际取值；l*为特征属性取值标准化后的值；lmax和lmin分别为该特征属性取值的最大和最小值。

属性集中第j个特征所体现负荷本体的信息熵记作Sj，如式（15）所示。

根据属性特征的信息熵即可表征该特征的权重值，如式（17）所示，从而得到负荷本体属性集中各特征的权重值，至此负荷图谱构建完成。

2.2 组合支持向量机负荷分类模型

形成结构化特征图谱后，即可将事件波形转化为便于分类的特征数据，输入各类负荷的SVM 分类器中进行决策以实现负荷辨识。本节阐述分类器构建方法，对每类负荷构建组合SVM 分类器。

首先，利用负荷的原始训练数据构建多个基分类器，在分类未知样本时组合预测结果。本文通过处理训练数据集构建组合分类器，对某一类别的负荷特征数据进行随机分组，将其类别标记为1。对该类别以外的其他负荷特征数据进行相同的随机分组，将其类别标记为0，两组数据保持数量相同。

完成组合SVM 分类器的模型参数训练后，即可利用其进行未知负荷类别的辨识。通过负荷分解后得到事件波形，从波形中提取计算负荷图谱中涉及的属性值。在输入SVM 分类器前，需要对负荷类别进行预分类，即判定该未知负荷所属于的3 种实体特征并记作集合Z，然后只需将负荷特征数据输入该实体特征对应的分类器中，而不需要输入至不包含上述实体特征集合Z的SVM 分类器，从而提高分类模型的准确率与运算效率。

负荷数据通过式（18）结合图谱中的特征权重，得到属性特征的实际取值。

式中：lj和分别为第j个属性特征的初始取值与赋权重后的取值。将赋权后的各特征属性的取值记作向量。

归一化后的负荷特征向量输入SVM 分类器中，通过组合分类器C，e=1，2，…，q，判断未知负荷波形是否属于所判定的负荷类别，如式（19）所示。

式中：Vote（·）表示求投票结果。

最后，通过分类器集合LCo的决策实现未知负荷类型的分类，选择票数最高且为1 的分类器对应的负荷类别作为负荷辨识结果。

本文算法的整体流程如图2 所示，主要包括事件波形检测与分离、组合支持向量机分类辨识和结构化特征图谱构建3 个部分。图中：γ为稳态电流判定阈值；λ为T的阈值。结构化特征图谱构建与组合支持向量机分类辨识属于预先构建，即利用大量已知标签的独立波形数据形成各类典型负荷的通用结构化特征图谱，同时在特征图谱基础上，建立该类负荷的组合支持向量机模型。当图谱与分类器模型构建完成后，可在实际处理过程中直接运行执行，即非侵入式监测终端实时检测到事件波形并分离提取后，波形转化为各类负荷特征图谱下的结构化特征数据；然后，输入各类负荷的组合SVM 分类器模型中进行决策；最后，得到决策结果即为辨识结果。

图2 基于结构化特征图谱的组合支持向量机非侵入式负荷辨识的流程图Fig.2 Flow chart of combined SVM non-intrusive load identification based on structured characteristic spectrum

结构化特征图谱与组合SVM 分类器模型的构建过程是预先进行，在实时监测的过程中则是利用已经构建好的图谱与模型对事件波形转化为结构化特征数据，并进行分类决策。

3 实验分析

本文通过实测数据进行实验验证，主要从两方面进行，一是对负荷特征图谱的验证，验证其对变化无序的波形数据结构化的效果；二是验证整体方法，如分类器对负荷的辨识准确性等。

3.1 结构化特征图谱的验证与分析

所建负荷特征图谱涉及的负荷种类繁杂，本文选择了常用居民负荷中的6 种负荷进行实验分析，分别是空调（AC）、电暖气（EH）、电视（TV）、电热水器（WH）、笔记本电脑（LT）和冰箱（RF）。

本文充分考虑负荷的品牌、型号等因素造成的波形差异，因此构建图谱时涉及多种实际采集环境，包括实验室搭建的小型用电网络、北京市昌平区某二手家电市场的采集数据、公开数据集BLUED 和REDD 中的负荷数据、宁波地区20 户试点用户的采集数据以及北京地区20 户实际居民用户的采集数据。

先对采集的负荷数据进行波形信息提取。由于负荷特征种类繁多［19-21］，本文选择了附录A 表A1 所示的负荷特征。为方便展示，用特征编号代表涉及的特征种类。在各特征中进行有效特征的选取与融合，由于负荷类别较多，涉及的特征子集庞杂，且过程一致，因此附录A 图A3（a）和（b）仅展示空调的特征子集中2 种不同特征个数的J1值结果。

根据散布矩阵确定最优的特征子集，特征散布程度根据行列式值J1计算。附录A 图A4 展示了所有情况下特征数量对应的不同最优J1值结果。对于空调来说，特征子集中包含8 个特征时的J1值最大，说明该子集中的特征组合具有较好的通用性和可分性，因此将最优特征子集中的各特征作为特征融合后的属性特征。

属性选择与融合后，形成了图谱雏形，再为各属性特征确定权重。图3 所示为6 种负荷对应的特征图谱。图中不同色块表示的含义同图1，符号对应的特征详见附录A 表A1，连接线上的数值代表该属性特征的权重。确定各负荷特征权重后，就形成了完整的特征图谱，属性特征不同程度地表达负荷特征。

图3 负荷特征图谱及各特征权重Fig.3 Load characteristic spectrum and characteristic weight

3.2 负荷特征知识图谱效果验证与算法对比

负荷特征图谱构建完成后，在此基础上，对整个处理过程进行验证，通过基于组合的支持向量机模型进行负荷辨识。利用实际采集的3 个居民用户负荷数据进行验证，通过附录A 图A5 所示的非侵入式采集系统在用户电力入口处进行7 d 的数据采集；然后先进行事件波形提取，基于负荷特征图谱将波形转化为结构化特征数据；再通过组合SVM 分类器进行负荷辨识，整个过程不对用户造成中断与干扰，且无须进行先验数据采集。在运行过程中非侵入式采集装置的采样频率为10 kHz。

本文算例中仅对5 种典型负荷的辨识过程进行展示。实际用户中用电工况复杂，通常为多个设备同时运行，需要在辨识前对采集数据进行事件波形分解，采用文献［18］中的方法，在此不再进行重复验证。根据分解得到的负荷电压、电流波形，利用2.1节所述方法抽取不同负荷类别与对应的属性特征，其中部分提取特征见附录A 表A2。

基于所构建的负荷图谱，利用组合SVM 分类模型对负荷类别进行辨识，辨识结果同样可验证负荷图谱的有效性。不同的负荷种类对应不同的SVM 分类器组，对于某一类负荷来说，其对应的分类器组由8 个基分类器组成。每类负荷对应的分类器组分别对未知负荷类型进行判断，输出为1 时判定为是该类负荷；输出为0 时判定为非该类负荷。利用8 个基分类器进行群体决策，输出的1 越多，则该未知负荷属于此分类器对应的负荷类型的可能性越大。各分类器组对应的群体决策结果如图4所示。

图4 中的每一行代表了不同分类器组的群体决策结果，每一列代表了负荷的实际类别。对角线上的数值表示负荷分类的概率，颜色越深代表概率值越大。由图4 可知，对角线上的数值均为1，预测结果与真实结果相同，因此，说明组合SVM 分类器是有效的。

图4 不同分类器组的波形种类群体决策结果Fig.4 Group decision-making results of waveform types for different classifier groups

图5 展示了3 个实际用户负荷用电数据的整体辨识准确率，平均辨识准确率为97.6%。选择文献［22-24］中的算法进行对比，均需要通过预实验获取待监测用户负荷的先验数据。文献［22］提出了2 种迁移学习方案，即设备迁移学习和跨域迁移学习，提高了对复杂状态负荷的识别准确率。文献［23］通过元学习的方式学习不同数据集上的候选预测因子的特征，提高了算法的运行效率。文献［24］采用负荷稳态运行时的电流波形特征，通过动态时间弯曲（DTW）算法计算未知负荷波形与稳态波形特征库中各负荷波形的距离实现辨识。当应用于不同用户时，本文算法辨识准确率整体较高，说明其结构化是有效的，对不同用户变化的负荷数据具有更好的适用性。

图5 针对不同用户负荷的算法准确率对比Fig.5 Comparison of algorithm accuracy for different user loads

为了进一步验证有效性，本文采集单台电器运行时的电流和电压数据，基于4 种不同构建方式得到图谱，结合SVM 分类模型，辨识准确率见附录A图A6。由图A6 可知，基于第4 种构建方法的图谱辨识准确率较高，平均辨识准确率达到95.7%。因此，本文构建的负荷特征图谱能够在不干扰用户情况下为监测终端的负荷辨识提供标准特征数据，从而保证负荷辨识的准确性。负荷图谱的构建不是实时进行的，其表征系数等参数会是一个长期更新和修正的过程，随着负荷波形样本不断累加，负荷图谱的准确性和通用性会不断提升，并不断接近绝对准确。

4 结语

本文构建了负荷结构化特征图谱，将负荷无序多变的波形数据转化为具有通用性与可分性的结构化特征数据，进而构建组合支持向量机分类模型实现负荷辨识。建谱过程为从大量不同来源、已知标签的负荷数据中提取负荷实体和属性特征，然后利用散布矩阵对负荷特征进行融合，最终通过特征定权完成特征图谱的构建。对各典型负荷形成基支持向量机模型，并利用组合分类器组提升辨识准确率。在构建负荷图谱及组合SVM 分类器模型基础上，即可通过事件波形检测与分离、组合支持向量机分类辨识和结构化特征图谱构建3 个过程对不同用户自动执行非侵入式负荷监测。实验部分展示了6 种典型负荷的图谱构建过程，并利用3 个实际用户的采集数据进行辨识，平均负荷辨识准确率达到97.6%，且对不同用户中的负荷数据均具有适用性，验证了所提方法对同类负荷具有通用性，对不同类负荷具有可分性。

结合本文算法可见，关于结构化负荷特征图谱的构建仍有许多难题需要进一步探索，在后续的研究工作中，需要将负荷图谱持续更新以适应目前快速迭代的家用电器，从而提高非侵入式负荷辨识的准确率。

附录见本刊网络版（http：//www.aeps-info.com/aeps/ch/index.aspx），扫英文摘要后二维码可以阅读网络全文。