基于用电模式和字典学习的电器负荷分解方法.pdf

第6 0 卷第6 期2023年6 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.6Jun.15,2023基于用电模式和字典学习的电器负荷分解方法谈竹奎,徐伟枫,刘斌，胡厚鹏，蓝超凡，丁超（1.贵州电网有限责任公司电力科学研究院，贵阳550 0 0 2；2.苏州华天国科电力科技有限公司，江苏苏州2 150 0 0）摘要：负荷分解是获取电器用电细节、分析用户用电行为的重要手段，有利于加强智能电网的需求侧管理。针对当前非侵入式负荷分解研究缺乏考虑电器用电模式、模型迁移能力弱的问题，提出一种基于用电模式和字典学习的电器负荷分解方法。通过聚类提取电器的典型用电模式，根据待测住宅内电器所含用电模式，执行字典学习算法训练各电器的模式字典，再利用模式字典对总负荷进行稀疏表示以实现负荷分解，测试数据集上的分解结果验证了所提方法的准确性以及在住宅迁移上的性能。关键词：非侵人式负荷分解；用电模式；字典学习；稀疏表示D0I:10.19753/j.issn1001-1390.2023.06.014中图分类号：TM714Tan Zhukui,Xu Weifeng,Liu Bin,Hu Houpeng,Lan Chaofan,Ding Chao(1.Electric Power Research Institute of Guizhou Power Grid Co.,Ltd.,Guiyang 550002,China.2.Suzhou Huatian Power Technology Co.,Ltd.,Suzhou 215000,Jiangsu,China)Abstract:Load decomposition is an important means to obtain electrical details of appliances and analyze the power con-suming behavior of users,which helps to strengthen demand side management of smart grid.Since the current non-intru-sive load decomposition researches lack concern about power consumption patterns of appliances and weak migration abilityof these models,a decomposition method for appliance load based on power consumption patterns and dictionary learningis proposed in this paper.Typical consumption patterns of appliance load are extracted by clustering.According to theconsumption patterns contained in the appliances from testing house to be measured,dictionary learning algorithm is usedto train pattern dictionary of the appliances.Then,sparse representation is applied to total load with pattern dictionary torealize load decomposition.Accuracy of the proposed method and its performance on house migration are verified by de-composition results on test dataset.Keywords:non-intrusive load decomposition,power consumption pattern,dictionary learning,sparse representation0引言随着智能电网和智能用电理念的发展，高级量测体系（Advanced Metering Infrastructure,AMI）等关键技术日益更新。非侵人式负荷监测与分解（Non-intru-sive Load Monitoring and Disaggregation,NILMD)是 AMI的重要组成部分，其基本功能是将用电数据细化到用户住宅内的电器负荷，可为电网公司进行用电行为分基金项目：贵州电网有限责任公司科技项目（0 6 6 6 0 0 KK52180051)一96 一文献标识码：ADecomposition method for appliance load based on powerconsumption patterns and dictionary learning文章编号：10 0 1-1390(2 0 2 3)0 6-0 0 96-0 7析、需求响应潜力挖掘、以及调度策略制定提供基础信息参考。可见,负荷监测与分解有利于加强智能电网的需求侧管理，极具研究价值和应用前景。NILMD最早由GeorgeW.Hart于2 0 世纪8 0 年代提出2】。其实施手段是采集电力人口总线（如智能电能表)的数据，利用负荷分解算法实现电器层面的功率及能量分解。与传统的侵人式监测方式相比,NILMD免去大规模安装电器监测终端，有效降低了经济成本，具有较高的用户接受度。目前，实现NILMD的方法大第6 0 卷第6 期2023年6 月15日致分为两类：“事件法”与“非事件法”。“事件法”着眼于电器状态切换（又称负荷事件）而导致的总负荷电气特征突变，通过检测突变量辨识电器种类和对应运行状态。这类方法需要采集信号的暂态波形，因此对监测装置的采样频率要求较高,如文献3 基于复合滑动窗的CUSUM检测方法，通过变权的复合滑动窗捕捉具有爬坡特性的暂态事件。文献4 利用贝叶斯迭代求解事件检测模型，具备对不同事件类型的自适应能力。“非事件法”不依赖于事件检测，直接将总负荷聚合特征分配到各电器,包括基于启发式搜索的组合优化5-6 、隐马尔科夫模型及其变体7-8 、机器学习方法9-0 ,其中文献6基于组合优化模型,以不同编码方法构造适应度函数,通过遗传算法求解负荷运行状态。文献10 通过互信息熵搜索强相关性的电器负荷，以k近邻算法为基础,对负荷的组合状态进行非侵人式分解。总体而言，当前大部分分解方法局限于负荷的电气特征,仍存在以下挑战与不足：（1）依赖电器高频暂态信息的方法会有明显的数据运算和存储压力；（2)现有研究缺乏对各类电器日用电模式的关注。（3)模型迁移能力弱,即分解模型仅适用于特定住宅的电器,若不重新进行繁琐长期的训练样本采集，模型无法直接迁移至新的住宅中使用。针对上述负荷分解研究存在的不足，文中立足于住宅电器这一研究对象，从信号拆分角度出发，提出一种基于用电模式和字典学习的电器负荷分解方法。通过对日能耗序列聚类，提取各电器的典型用电模式，然后根据待测住宅内电器所含用电模式，利用字典学习算法训练电器的模式字典，组合模式字典并对总负荷进行稀疏表示，实现负荷分解。通过居民负荷数据集的测试,验证了所提方法在住宅迁移上的有效性、以及对负荷分解的准确性。1稀疏表示模型稀疏性是自然信号的重要特征，指的是信号中含有的零元素较多。给定稀疏信号，通过一组过完备基向量的线性组合，可以实现对该信号的稀疏表示。字典学习（DictionaryLearning）作为一种无监督学习方法，研究的就是如何构建这组基向量，从而提取信号的稀疏特征。稀疏表示模型如图1所示。图中方格的颜色深浅代表元素取值的不同，零元素以白色表示；原始信号X=Rx,m 是信号维数;h 个基向量构成的矩阵DR*是过完备字典,D 的每一列基向量称为原子,其过完备性要求 km;RxI称为编码系数。电测与仪表Electrical Measurement&Instrumentation原始信号X第1维口第m维原子1图1稀疏表示模型示意图Fig.1 Schematic diagram of sparse representation model根据稀疏表示理论，信号重构的质量依赖于字典的过完备性，然而过完备性会让重构信号的原子余，所以一般通过对进行稀疏约束,来限制其可行域,对应的字典学习问题如下：(1)式中入是正则参数；。表示Lo范数。上述L范数的优化问题在数学意义上非凸,属于NP-hard 问题1。所以实际运算中常用L,范数进行凸松弛，转换为式（2)所示代价函数：(2)Ls.t.l,/1,i=1,2,.,k式中d,是D的第i列原子；1是L,范数。第一项是拟合误差，也称重构项；第二项是通过入控制的正则项,增大入可加强的稀疏性；原子单位化约束用于避免D的元素值过大以致的求解值全为零。稀疏表示的完整过程包括两个部分：（1）训练。对一组信号样本进行训练，得到过完备字典，如图2 所示为训练图像信号得到的含有2 56 个patch的字典；（2)编码。输入一个新信号,利用字典对其进行稀疏表示，求解编码系数。8x8训练样本子块滑动2 550 2 5个字典学习提取样本512512图像图2 图像信号字典Fig.2 Dictionary of image signals2基于用电模式和字典学习的负荷分解2.1用电模式聚类提取受工作模式、用户使用时段偏好影响，对电器等间隔采样的日能耗序列p）=,P,P天然具备稀疏性12 ,其中P(）表示电器j在t时刻的有功采一97 一Vol.60 No.6Jun.15,2023字典矩阵D编码系数口系数1原子k口系数k8x8原子字典（原子数2 56）第6 0 卷第6 期2023年6 月15日样值,m是采样点数。例如：作为厨房电器的抽油烟机其序列波峰基本集中在饭点时间，冰箱的周期运行特性使得序列呈现较多的近零元素等等。所以,可以利用字典学习对电器的日能耗序列进行稀疏表示，提取这类信号的内在特征。文中字典学习由电器的用电模式驱动,所谓用电模式即最能代表电器典型运行特性的有限个日能耗序列,可通过聚类来提取。因电器的用电模式数目在提取前未知，文中采用近邻传播算法做聚类处理。这是一种通过迭代传播各样本点之间的隶属信息，自动确定聚类中心和数目的半监督聚类算法13。通过近邻传播提取电器用电模式的步骤如下：(1)输人电器j标准化的n天的日能耗序列样本(p(i,1),p(i2),p）,计算相似矩阵S R,其中s(i,k)表示样本点p(j.i）和p(ik）（i k)的负欧氏距离,按算法标准计算 S的中位数并将其赋予s（i,k）（i=k)和参考度p;（2)初始化责任信息r（i,k）=0 和可信信息（i，k）=0,其中r(i,k)用于表征p(i.)适合作为pG.）隶属中心的程度,a(i,k)用于表征p(i)选择p(j.h)作为其隶属中心的程度；（3）迭代更新两两样本点之间的隶属信息，直到指定迭代次数、或隶属中心不再变化。r(i,k)=s(i,k)-maxia(i,k)+s(i,k)/(3)rmin 0,r(k,)+Zmax/0,r(i,k)i ka(i,k)Zmax,(,k)/（4)选择p(j.c）为P(j.）的聚类中心,k应满足：k=argmaxir(i,k)+a(i,k)(5)将各聚类中心作为电器j的用电模式，把每个日能耗序列样本划分到各自隶属的用电模式中,形成若干个用电模式样本集。返回（1)输入下一类电器的样本继续聚类，直到完成所有电器的用电模式提取。2.2字典学习算法字典D是稀疏表示模型的核心，可通过学习信号样本获取,相比于用现成基函数构造,通过学习得到的字典更适合表示波动形态不规律的电器日能耗序列。文中采用可逐轮提取样本做训练的在线字典学习算法14,来训练每类电器的字典。算法本质是在字典和编码系数之间交替更新，对单个电器的字典学习过程一9 8 一电测与仪 表Electrical Measurement&Instrumentation如下：（1)初始化字典D。=R 、正则参数入、最大迭代次数 T,缓存矩阵A。Rxk、B。=R x k 置零,迭代计数t=1;(2)输人该电器的标准化日能耗序列样本X,E Rm（样本个数为n,序列长度为m），利用最小角回归(LARS)15求解编码系数。2,n式中xi,;v,分别为X,的第i列样本、以及与之对应的编码系数；(3)计算缓存矩阵A,、B,:A,=A.1+2.ai1ni1B,=B.1+2Xt,;,;n(4)构建=(D eRmxkl Vi=1,.,k,d,d,1)集合，更新字典：(9)采用按列更新原子的方法求解式（9）,以d,为例，其计算公式为：k+k1W;=(b;-Da,)+d;A(i,i)1i=k式中A(i,i)是A,的对角元素；、b;分别是A,、B,(4)的第i列；(5)令t=t+1,返回步骤(2)输人新一组样本继续(5)学习，直至达到最大迭代次数。字典学习中的LARS是典型的特征选择算法,对步骤(2)每一列样本 t,i,求解,;的步骤如下：（1)输入样本（即t,）、字典D（即D,-1），信号拟合值o和编码估算值置零，偏差ro=x，待启动集L=1,2,k,启动集H=,迭代计数t=1;(2)计算偏差r,=Tox i-1,查找L中与r,相关系数最大的原子d,将该原子的序号从L移至Hc,=argmax|dfr,|=argmax|(EL式中c,是相关系数；表示取内积;（3)定义符号值s；=s i g n（c,）=1、启动原子矩Vol.60 No.6Jun.15,2023(6)(7)T(8)(10)(11)(12)第6 0 卷第6 期2023年6 月15日阵Y=，s;d;,ie H,则搜索方向u,与步长为u,=Yu=YI(YY)-I-1/2(YY)-(13)c,-dtr.c,+dt,=min()j-du,()j-2+du)ieL(14)式中=()-1/2（)-I;I是长度与H的势相同的全1列向量;min*表示取正数的最小值；（4)如下更新信号拟合值，和编码估算值，：X,=Xi-1+,u,=t-1+,8,式中8,RxI,8,中序号ieH的元素等于中对应序号的元素，其它元素为0；（5)令t=t+1,重复执行步骤（2）步骤（4）,达到最大迭代次数后，即为最终所求结果。2.3负荷分解方法以电器某几个用电模式样本集进行字典学习，所得字典定义为模式字典，如抽取电视机1、3、4三种用电模式对应的样本集训练得到D(1.3.4),则把D(1.3.4)称为电视机的一种模式字典。文中以用电模式作驱动来学习每类电器的模式字典，并利用模式字典对总负荷进行稀疏表示，实现负荷分解，具体步骤如下：(1)样本预处理。从样本住宅中获取每类电器的日能耗序列样本,利用近邻传播聚类提取用电模式,进而划分样本集；(2)用电模式判别。对待测住宅各电器采集一个典型周(7 天)的日能耗序列,通过计算欧氏距离依次判别每个序列归属的用电模式，从而确定该住宅各电器各自含有的用电模式组合；(3)字典学习。区别于其它负荷分解方法，为验证文中方法在住宅迁移上的性能，模型的训练样本并非来源于待测住宅,而是根据步骤(2)的用电模式判别结果,从样本住宅中抽取对应样本集，利用字典学习算法训练每个电器的模式字典；（4)负荷分解。对每个电器的模式字典进行组合，并用该字典对待测住宅总负荷的日能耗序列进行稀疏表示,解得编码系数,实现负荷分解：171minPL-D,.DM:1,.,M2p(i)=D;i式中D,和；分别是电器i的模式字典和编码系数;M是电器数目;P(i)是电器i的分解结果。电测与仪表Electrical Measurement&Instrumentation文中负荷分解方法的完整流程包括训练阶段、测试阶段，具体如图3所示。厂样本住宅各电器的日能耗序列训练阶段近邻传播聚类电器1用电模式1用电模式N样本集1样本集M(15)各电器短期日能耗序列采集(16)待测住宅日能耗序列测试阶段图3负荷分解流程图Fig.3 Flow chart of load decomposition3算例分析3.1测试数据集文章采用开源数据集REFIT16进行算例分析，REFIT收集了英国2 0 个住宅独立电器约两年的有功功率数据，采样间隔为8 秒到十几分钟不等。选择5种电器做研究：WM（洗衣机）、TV（电视机）、DW（洗碗机）、FG（冰箱）、MC（微波炉），住宅选取如表1所示，每种电器的样本来源于9 个住宅各50 0 天的功率序列,选择非样本来源的2 号住宅做测试,验证模型在住宅迁移上的性能。表1各电器的住宅选取Tab.1Houses selected for each appliance电器类型样本住宅序号WM1,3,4,5,6,7,8,9,11TV1,6,7,8,9,16,17,18,20DW1,3,5,6,9,13,16,18,20FG1,3,4,5,7,8,9,11,17MC3,4,5,6,8,9,11,17,183.2用电模式提取及判别+入(17)M-112Vol.60 No.6Jun.15,2023电器M用电模式1用电模式NM样本集1样本集NM用电模式判别字典学习电器1模式字典电器M模式字典总负荷稀疏表示模式字典组合分解结果测试住宅序号22222对REFIT的数据进行重采样：每15min计算一次Mlli平均功率，作为一个新的采样点,将原始序列转换为96(18)维长度的日能耗序列。利用近邻传播对每种电器的序列样本进行聚类，提取用电模式如图4所示（曲线已标准化）。可以看出各电器的典型用电特性：作为厨电的一9 9 一(21)第6 0 卷第6 期2023年6 月15日洗碗机、微波炉的能耗峰值大多集中于饭点期间；电视机白天为待机状态而到晚上能耗显著上升，符合住户的正常作息规律；冰箱的运行模式为间断启动，使其用电曲线呈现波动特性；洗衣机用电时段无明显偏向性，原因可能是各住户的使用习惯偏差较大。0.80.60.40.2000.80.60.40.200Fig.4 Extraction result of power consumption patterns采集2 号住宅内上述各电器一周时长的日能耗序列，依次计算每个序列与已有用电模式的欧氏距离，得到该住宅各电器所含用电模式编号为：WM（1/2/7）、TV(2/3)、D W(3/4/7)、FG(1/2)、M C(2/4/5/6)。可以看出每个电器在单一住宅内也会呈现多种用电模式,这也是文中将采集时长设置为一个典型周的原因。3.3字典原子数根据2 号住宅的用电模式判别结果,从样本住宅中抽取对应样本集，训练每个电器的字典。字典的原子数是一个关键参数,原子数过多会增加训练时间，且易产生过拟合,原子数太少又难以有效学习日能耗序列的波动特性。此处引人拟合优度RL17,计算公式如下：2(y.-y.)2mRNL=1m2式中y,是采样点t的拟合值；y,是实际值；m是序列长度。综合考虑拟合效果和训练时间,文中预设R阀值一10 0 一电测与仪 表Electrical Measurement&Instrumentation为0.8 5，字典原子数按如下规则确定：原子数按序列长度的整数倍依次递增及训练，直至所得字典对序列样本稀疏表示的R平均值超过预设阀值,得到各电器的字典原子数分别为：WM（2 8 8）、T V（192）、D W（2 8 8）、FG(960)、M C(2 8 8)。0.53.4负荷分解测试0.4为定量评价负荷分解性能，引人单电器分解准确0.30.20.102448采样点(a)WM244872采样点(c)DW10.80.60.40.200图4用电模式提取结果Vol.60 No.6Jun.15,2023度p;和总体分解准确度Ptolal4182 I P(-P(0 729600.30.20.196024采样点(d)FG424采样点(e)MC24采样点(b)TV48724872489672(19)9696Pi=1-Ptotal=1 式中P(）是第i个电器在采样点t的功率实际值；P(是功率估计值。从2 号住宅对5种电器抽取连续90 天的日能耗序列，将其叠加作为总负荷，同时增加随机噪声成分Rsn=10 dB,以模拟实际场景中存在的照明设备、充电适配器等未被训练的低功耗电器。将文献6 立足于组合优化的遗传算法（GA,文献10 针对组合状态样本的k近邻算法（kNN）,以及不考虑用电模式直接用全样本做训练的普通字典学习作为对比，各电器9 0 天的p;平均值如图5所示。MCFG器DWTVWM0模式字典普通字典Ek近邻遗传算法图5负荷分解测试结果Fig.5 Test results of load decomposition由图5可见GA和kNN的准确率明显较低,分析知GA等组合优化类方法仅着眼于电气特征，当总负荷的状态包含多个特征组合情况时，分解判断易出错。kNN考虑了特征的分布特性,使准确率总体上稍有提高，但该方法本质上依赖于电器的离散化状态，由于训练样本来源于样本住宅，其电器的运行状态和测试住(20)2ZIP(i)tt=1mM2Z1P(0-P(i=1mM2P()1=1=120.040.0P:平均值/%7981.077.084.184.290.6167.581.9P-056.473.448.279.989.165.758.960.080.0100第6 0 卷第6 期2023年6 月15日宅一般存在差别，所以该方法也不具备良好的住宅迁移能力，准确率同样偏低。字典学习方法不受制于电器的离散化状态，将关注对象转移到其时序用电的全局特性上，即以日能耗序列作为训练样本进行无监督学习，从而取得较高的准确率。模式字典的表现总体优于普通字典，原因在于前者的学习由用电模式进行驱动，训练样本集的抽取依赖于待测住宅各电器所含具体用电模式，因此该字典实质上学习了电器在特定几种用电模式组合下日能耗序列的动态变化特性,所以相比于后者,能以较少训练样本取得更好的分解性能。注意到模式字典的训练样本并非来源于测试的2号住宅，而是从样本住宅中抽取，但各电器的p,均值仍达8 1%以上，从而验证了其住宅迁移能力。此外，该模型归属于“分解法”范畴，即不需要采集电器的高频暂态信息，因此数据存储及运算成本压力较小，工程实施可行性良好。电能分项计量是负荷分解最直观的作用，在测试时段5种电器逐天的电能消耗实际值和估计值对比如图6 所示。(4M)/碧申0(4MD/申.20(4M)/碧申MAMW030天数(4M)/审(c)DW030天数(d)FG(4M)/碧申AANAAAAAAAVAAA030天数(e)MC一实际值.估计值图6电能消耗实际值和估计值对比Fig.6 Comparison between actual valueand estimate of power consumption电测与仪表Electrical Measurement&Instrumentation从图6 可以看出，文中方法对于间断运行的冰箱以及长时间多状态的洗衣机、洗碗机都能取得较好的能耗追踪效果，对于小功率的电视机和短时运行的微波炉，能耗估计值相比于实际值总体偏小，但曲线趋势基本一致。在对总负荷进行稀疏表示时，正则项的重要程度由入控制,该参数会影响负荷分解的总体性能，不同入下总体分解准确度Ptotal的变化如图7 所示。0.890.880.870.860.850.840图 7 Piolal 与 入关系图Fig.7 Diagram of relationship between Ptotal and 入由图7 可见，Ptotal随着入的改变呈现先上升后下降的趋势,在入=0.0 50.0 7 附近达到最大值。分析知编码系数的稀疏程度由入控制,高入限制了用于稀疏表示的原子数量，以致不能较好地拟合总负荷,Ptolal相对偏低；随着入减小，可选原子增加,Ptolal随之上升；但MLA3060天数(a)WMAAMAMMAMAA3060天数(b)TV606060Vol.60 No.6Jun.15,20230.020.0490过小的入容易导致不同电器的原子选择上产生混淆，Protal也会下降。非相干性字典学习可以降低字典原子之间的耦合性,有望在文中基础上进一步提高负荷分解性能。904结束语文中针对当前负荷分解方法缺乏考虑电器用电模式、模型迁移能力弱的问题,从住宅电器日能耗序列的90稀疏性出发,提出一种基于用电模式和字典学习的电器负荷分解方法。通过对电器日能耗序列的近邻传播聚类,提取典型用电模式，以驱动各电器的模式字典学习，利用组合模式字典对非侵人式总负荷执行稀疏表90示，由此实现负荷分解，最后在住宅负荷数据集REFIT上进行算例测试,并引人负荷分解准确率指标，从单个电器和电器总体的角度评估模型性能,验证其有效性和准确性。训练样本来源于非测试住宅，使得模型在90住宅迁移上具备良好性能，且模型不依赖于高频信息，便于与当前低采样频率的智能电能表相结合,具备一定的工程实施可行性。文中工作立足于电器种类和数量已知的前提，后续研究将着眼于电器未知的情况，进一步增强模型性能及其工程实用性。一10 1一0.060.080.1第6 0 卷第6 期2023年6 月15日1温克欢，黄怀东，李伟华，等基于云平台的智能计量系统典型设计与应用J.电测与仪表，2 0 16，53（5）：118-12 3.Wen Kehuan,Huang Huaidong,Li Weihua,et al.The typical design andapplication of intelligent measurement system based on cloud platform J.Electrical Measurement&Instrumentation,2016,53(5):118-123.2 Hart G W.Nonintrusive appliance load monitoringJ.Proceedings oftheIEEE,1992,80(2):1870-1891.3史帅彬，张恒，邓世聪，等基于复合滑动窗的CUSUM暂态事件检测算法J.电测与仪表，2 0 19，56（17）：13-18.Shi Shuaibin,Zhang Heng,Deng Shicong,et al.CUSUM transient e-vent detection algorithm based on compound sliding window J.Elec-trical Measurement&Instrumentation,2019,56(17):13-18.【4】陈中，方国权，赵家庆，等基于贝叶斯迭代的非侵入式负荷事件检测方法J.电测与仪表，2 0 2 1，58(4)：1-8Chen Zhong,Fang Guoquan,Zhao Jiaqing,et al.An approach for non-intrusive load event detection based on Bayesian iteration J.ElectricalMeasurement&Instrumentation,2021,58(4):1-85程志友，汪德胜。基于机器学习与疫情关联特征的短期负荷预测J.电力系统保护与控制，2 0 2 2，50(2 3）：1-8.Cheng Zhiyou,Wang Desheng.Short-term load forecasting based onmachine learning and epidemic association featuresJ.Power SystemProtection and Control,2022,50(23):1-8.6祁兵，韩璐。基于遗传优化的非侵入式居民负荷辨识算法J电测与仪表，2 0 17，54(17)：11-17.Qi Bing,Han Lu.A non-intrusive residential load identification algo-rithm based on genetic optimizationJ.Electrical Measurement&In-strumentation,2017,54(17):11-17.7 Bonfigli R,Principi E,Fagiani M,et al.Non-intrusive load monitoringby using active and reactive power in additive factorial hidden MarkovmodelsJ.Applied Energy,2017,208:1590-1607.8马临超，齐山成，牛赛，等考虑小区发展不均衡性和不确定性的多阶段空间负荷预J电力系统保护与控制，2 0 2 1，49（1）：91-97.Ma Linchao,Qi Shancheng,Niu Sai,et al.Multi-stage spatial loadforecasting considering the imbalance and uncertainty of the developmentof the sub-areaJ.Power System Protection and Control,2021,49(1):91-97.9席亮，王瑞东基于自适应遗传算法的神经网络结构优化算法J哈尔滨理工大学学报，2 0 2 1，2 6（1）：3944.Xi Liang,Wang Ruidong.Optimization Algorithm of Neural NetworkStructure Based on Adaptive Genetic Algorithm J.Journal of HarbinUniversity of Science and Technology,2021,26(1):39-44.10徐伟枫，华锦修，余涛，等计及电器状态关联规则的非侵入式负荷分解J电力自动化设备，2 0 2 0，40（4）：197-2 0 3.电测与仪 表Electrical Measurement&Instrumentation参考文献2002,(1):9-11.Zhang Shiqiang.Approach on the Fitting Optimization Index of CurveRegressionJ.Chinese Journal of Health Statistics,2002,（1):9-11.18 Makonin S,Popowich F.Nonintrusive load monitoring（NILM)p e r-formance evaluationJ.Energy Efficiency,2015,8(4):809-814.作者简介：谈竹奎（197 5一），男，高级工程师，硕士，主要从事智能电网、配网自动化工作。Email：t a n z k 16 3.c o m徐伟枫（1994一），男，通信作者，硕士研究生，研究方向为智能配电网、智能用电技术。Email:刘斌(198 8 一）,男，工程师，硕士，主要从事配网自动化、新能源发电工作。Email:胡厚鹏（1992 一），男，工程师，硕士，研究方向为非电量计量与计量自动化。Email:蓝超凡（1996 一），男，硕士，研究方向为智能配电网、智能用电技术。Email:cflanscut 丁超（198 8 一），男，工程师，硕士，研究方向为计算机、电能计量。Email:870550642 Vol.60 No.6Jun.15,2023Xu Weifeng,Hua Jinxiu,Yu Tao,et al.Non-intrusive load decomposi-tion considering association rules of appliances state J.Electric PowerAutomation Equipment,2020,40(4):197-203.11 Boyd S,Parikh N,Chu E,et al.Distributed optimization and statisticallearning via the alternating direction method of multipliers J.Founda-tions and Trends?in Machine Learning,2010,3(1):1-122.12 Kolter J Z,Batra S,Ng A Y.Energy disaggregation via discriminativesparse coding JJ.Advances in Neural Information Processing Systems,2010,(23):1153-1161.13 Frey B J,Dueck D.Clustering by passing messages between data pointsJ.Science,2007,315(5814):972-976.14 Mairal J,Bach F,Ponce J,et al.Online dictionary learning for sparsecoding C/Proceedings of the 26th Annual International Conferenceon Machine Learning,2009:689-696.15 Efron B,Hastie T,Johnstone I,et al.Least angle regressionJ.TheAnnals of Statistics,2004,32:407499.16JMurray D,Stankovic L,Stankovic V,An electrical load measurementsdataset of United Kingdom households from a two-year longitudinal studyJ.Scientific Data,2017,4:160122.17张世强曲线回归的拟合优度指标的探讨J中国卫生统计，收稿日期：2 0 2 0-0 5-0 9；修回日期：2 0 2 3-0 1-0 7（任美辉编发）102一