基于ICPSO-XGBoost的非侵入式负荷辨识方法.pdf

第6 0 卷第8 期2023年8 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.8Aug.15,2023基于 ICPSO-XGBoost的非侵入式负荷辨识方法谢耀锋，周洪，周东国（武汉大学电气与自动化学院，武汉430 0 7 2）摘要：针对家庭用电负荷的电气特征相近导致基于电气量特征的非侵入式负荷辨识方法易产生误辨识的问题，提出以电器投切时间、运行时长和投切次数为代表的电器使用规律特征,结合传统电气负荷特征组合成为新的负荷特征标签。在此基础上，提出一种基于改进混沌粒子群优化的极端梯度提升树算法。在该算法中，利用回归树作为负荷特征的基分类器构建极端梯度提升树模型。进一步地，通过在目标函数中加入正则项,添加缩减系数等措施避免算法陷人过拟合。同时，将混沌思想应用于粒子群算法中提升其全局寻优能力，并得到基于改进混沌粒子群优化后的极端梯度提升树算法模型。在AMPds公用数据集上进行测试，通过对比分析测试结果，验证了文中所提出的负荷特征标签和负荷辨识算法对提升非侵人式负荷辨识的有效性。关键词：非侵入式；电器使用规律；XGBoost;粒子群算法D0I:10.19753/j.issn1001-1390.2023.08.006中图分类号：TM714A non-intrusive load identification method based on ICPSO-XGBoost(School of Electrical and Automation,Wuhan University,Wuhan 430072,China)Abstract:Considering that the misidentification of non-intrusive load identification methods often occurs when the electri-cal features of household loads are similar,combining with the traditional electrical load characteristics,this paper propo-ses a novel type of load feature label,which is represented by utilization behavior of household,including household switc-hing time,operation period and the numbers of switching.On this basis,this paper presents extreme gradient boosting al-gorithm based on improved chaotic particle swarm optimization(PSO).Firstly,extreme gradient boosting model with re-gression trees is built as the basic classifier.To avoid ease over fiting,regularization terms to object function and reduc-tion coefficient are then introduced into our method.Alternatively,chaos thought is applied to particle swarm algorithm tofind the global optimization ability,and the extreme gradient boosting algorithm model is obtained based on improved cha-otic PSO.Finally,tests are carried out on the AMPds public data set,and the validity of the proposed load feature labeland load identification algorithm to improve the non-intrusive load identification is verified through comparing and analy-zing the test results.Keywords:non-intrusive,utilization behavior of household,XGBoost,PSO0引言近年来,随着非侵人式电力负荷监测技术（NILM，Non-intrusive electric load monitoring）的发展和完善，逐步掀起了国家电网、省电力公司等对NILM试点应用的热潮,并开始着手部署电能表负荷感知模块以提升电能表智能化水平，这不仅能够促进电力公司和用户之间建立良好的互动关系，增进用户对自身用电行为的了解。同时,还能够指导用户绿色用电，为推进资源节约型社会的发展奠定基础14。NILM技术最初在上个世纪8 0 年代由麻省理工学一32 一文献标识码：BXie Yaofeng,Zhou Hong,Zhou Dongguo文章编号：10 0 1-139 0(2 0 2 3)0 8-0 0 32-0 6院HART教授提出5,并为此开辟了一个新兴的应用领域。相比之下,国内的研究起步较晚且发展缓慢，直到2 0 0 6 年才在余贻鑫院士团队带领下开始从事这方面的研究6 。目前该领域的研究核心在于负荷特征的提取挖掘和辨识算法的优化两大块。负荷特征直接反映负荷的运行状态7 ，是实现负荷分类和辨识的依据。例如文献8-9 中选取了有功功率和无功功率作为负荷特征,文献10-11 中则选用稳态电流幅值、瞬态电流波形以及电流谐波等特征进行负荷辨识。为避免单一负荷特征用于辨识所存在的局限性,文献12 将多第6 0 卷第8 期2023年8 月15日种负荷特征构造成为特征集，通过降维处理从而得到最佳辨识特征。而文献中13 则通过高频采样点组成V-I轨迹，利用人工神经网络的高级特征提取能力，实现V-I轨迹与功率值特征的融合。随着可选辨识特征的增多，选择何种高效的辨识算法成为了当前呕待解决的难点。同时随着人工智能的快速兴起,各种监督型算法因其适用性广，寻优能力强的优点成为了研究热点14-17 ，但又同时存在训练过程中容易过拟合，过早终止迭代以及对于训练样本要求较高的问题。文献18 中作者构建了BP神经网络模型,将测量到的电压和电流作为训练样本估算负荷的电流及其谐波，结果误差小但对训练样本的电压畸变要求较高。其他如RPROP模型，Bi-LSTM模型，RNN模型等19-2 1 也相继应用在该领域。此外,支持向量机（SVM，Su p p o r t Ve c t o r M a c h i n e s），深度神经网络(DNN，D e e p Ne u r a l Ne t w o r k）,随机森林（RF，R a n d o mForest）2 2 6 等机器学习算法也在该领域得到了广泛应用。然而,由于普通家庭用电负荷中存在着诸多电气量特征类似的电器设备，因此仅凭稳态和瞬态等电气量特征很难进行完善和准确地区分。为此，在功率特征这一最基本的电气量特征基础上，融入与电器使用规律相关的特征作为综合辨识依据。同时，利用映射函数优化后的混沌思想对粒子群算法的全局寻优能力进行改进，得到改进的混沌粒子群算法（ICPSO，I m-proved Chaotic Particle Swarm Optimization），用于对极端梯度提升树（XGBoost，e Xt r e me G r a d i e n t Bo o s t i n g）分类方法的超参数寻优，从而得到ICPSO-XCBoost辨识算法用于负荷辨识。最后在AMPds公开数据集进行训练和测试,验证了所提出的电器使用规律负荷特征的可行性和此辨识算法的有效性。1负荷特征分析及建模1.1电气量负荷特征有功功率P和无功功率Q为反映各电器运行最直接有效的特征,其定义如下：P-+2V N,式中F（x，）为针对负荷当前投切次数的概率函数；为该负荷当前累计投切次数；N，为统计的该负荷单日内最大投切次数。然而，由于用户的用电行为具有随机性，容易导致负荷特征值的偏移,降低负荷辨识的准确率。为此,采用集成学习的方式，选取XGBoost算法作为分类依据，实现负荷辨识。2基于ICPSO的XCBoost算法及评价方法2.1 XGBoost 算法极端梯度提升树算法是一种对回归树模型进行增强改进的算法。与传统的梯度提升树算法不同的是，XCBoost通过在目标损失函数中添加正则项,在加法模型中加入缩减因子,并借鉴随机森林的方式支持列抽样等方式来避免过拟合。同时，运用牛顿法在函数空间中对Hessian范数求得解析解作为决策树的增益,对特征进行分块排序和并行化计算的近似直方图算法等使XGBoost的迭代效率有了极大提高。该算法模型具体构建流程如下：（1）从样本数据中提取8 0%作为训练样本集（x 1.i)，（x 2,2),（x n,y),并建立决策树模型：(4)式中为针对第i个样本,第t棵树的输出;f（x,)为树结构。(2)根据目标函数D对样本进行训练：NKJ=Zd(y.)+Z(f)式中N为样本总数;K为回归树个数；y;为样本输出值；y为预测值；f为第k个决策回归树的模型；2(fi）为正则项。由式(4)和式(5)可知,第t次迭代后,损失函数为：NJ,=Zj(y,-I+f.(x;)+2(f.)将目标函数进行泰勒展开后取前三项并移除高阶无穷小,则式(6)可以转化为：NJ,i(y,3-1)+g.f.(x)+hj2(f.)hi=2-1)式(10)定义了算法模型的正则项,表示了决策树一34一电测与仪表Electrical Measurement&InstrumentationXNNiEl求得各叶子节点的最佳值和目标函数的最佳值：CH,+入GTH+72即利用式（14）来衡量树结构的质量,其中J*越小，表示总体损失越小。(1)通过确切贪心算法找出最优的树结构。其中各个特征的切分点好坏标准为：Gain=1Gi(5)(2)将生成的新决策树添加到模型中。通过在目标函数中添加正则项,XGBoost模型有效地控制了模型复杂度和缓解了过拟合的情况。但该模型效果很大程度上取决于树形结构的超参数，因此需要有效的调优方法使其全局目标函数和复杂性达到最优。2.2 基于ICPSO-XGBoost 的辨识算法(6)粒子群算法核心思想源于对鸟群捕食行为的研究,是一种比遗传算法更优异的优化算法。传统的粒子群搜索算法中，初始种群随机产生，很难保证在解空间内均匀分布,因而容易陷入局部最优,并且收敛速度2慢。而混沌变量有着随机性和遍历性等优良特点，能够有效地改善粒子群算法种群粒子的分布和提升其变(7)异过程中的随机性，因而融入混沌思想后的混沌粒子(8)群算法有着较普通粒子群算法更强的全局寻优能力。(9)混沌映射函数的不同对混沌轨迹有着极大影响，T为进一步提升混沌粒子群算法的寻优能力，选用了tent(10)j=Vol.60 No.8Aug.15,2023的复杂程度，和入均为系数，T为每棵树的叶子节点(3)数量，为每棵树叶子节点的分数所组成的集合。根据CART树的另一种模型定义可知：f.(x)=W(a),w e R即CART树的T个叶子节点值组成向量W,通过q（x）映射到1T之间的某个值，Wa(x）即表示这棵树对样本x的预测值。忽略损失函数展开后的高阶无穷小，并将正则项式（10)带入目标函数式(7）,则目标函数可表示为：T2Ge,+(H,)aj+yTT式中C,=Zgi,H,=Zh:,对,求偏导,进而(13)(14)-(G,+GR)21入(15)映射替代传统的Logistic作映射,得到改进后的混沌粒子群算法。其映射函数具体如下：(11)q（(12)iel第6 0 卷第8 期2023年8 月15日Wi+1(1-w;)/(1-),w;=,1IWCPSO算法的主要思想为：在每次迭代时选取当前最优的粒子点混沌化，从混沌化后的多个粒子中选取适应值最大的粒子与原粒子群中随机一粒粒子进行替换，从而提升全局寻优能力。整体算法步骤如下：Stepl：以总分类准确率作为适应度函数,构建训练集；Step2：XG Bo o s t 算法的超参数和粒子群算法初始群体、各粒子初始化；Step3：更新各粒子的速度和位置，根据混沌映射函数将适应度最优粒子混沌化，并重新计算适应度；Step4：将混沌化后的最优粒子与原种群中随机粒子互换；Step5：判断迭代终止条件,若满足条件则跳出循环，保存当前最优参数，继续下一步。若不满足，则返回Step3继续迭代；Step6:将超参数寻优后的XGBoost算法应用于测试集进行测试。2.3算法评价指标针对算法的辨识效果的评价，常用的评价指标有准确率、精确度和召回率,其定义如下：TP+TNAccuracyP+NTPPrecisonTP+FPTPRecall:TP+FN这里将每次负荷事件的发生视为一次检验。其中,P和N分别表示总的正例和反例,TP和TN分别表示辨识正确的正例和反例,FP和FN则分别代表辨识错误的正例和反例。具体来讲，准确率即正确辨识的样本占总样本数的比例,精确度指实际正样本中被预测为正样本的比例，召回率是所有被预测正确的样本中正样本所占的比例。因此,这三种指标能够在一定程度上对辨识算法进行合理地评价。3实验结果与分析3.1 CPSO算法调优AMPds数据集记录了加拿大某居民用户为期两年的用电数据，包含了有功，无功，日期，天气等多种信息，从中选取了8 种具有代表性的常用家庭用电设备作为测试集。在测试中,从AMPds 中所提取的样本特征数据中随机选取8 0%作为训练集，剩余2 0%作为测试集。具体设备信息见表1。同时以训练集的分类准确率作为目标函数,利用电测与仪表Electrical Measurement&Instrumentation改进混沌粒子群算法对XGBoost的超参数进行全局寻w;=0,(16)(17)(18)(19)Vol.60 No.8Aug.15,2023优，进而应用在测试集上进行辨识。其中改进混沌粒子群寻优迭代次数为40，初始种群规模设置为10 0。XGBoost算法学习步长为0.1,迭代初始起点为0.5。对比分析普通PSO寻优和改进混沌粒子群寻优的速率,如图3 所示。表1负荷信息表Tab.1Information chart of load电器P/W卧室电器80110地下室电器300 400千衣机4 000 5 000洗衣机100300餐厅电器600 800冰箱100 200热泵1 200 2.000娱乐设备80 250烤炉2.500 3.6000.140.120.100.080.060图3参数寻优对比图Fig.3 Comparison chart of parameter optimization从图3可以看出，受初始群体的随机初始化和迭代参数设置的影响，文中算法针对训练目标函数初始误差率和达到训练目标时的迭代次数略高于粒子群算法，但经过额外4次迭代后，训练误差率能够达到稳定水平,并且趋稳性和准确率均优于粒子群算法。3.2电器使用规律特征验证将测试集中数据按照包含电器使用规律特征和不含电器使用规律特征两大类进行处理,分别使用所提算法、文献2 5 的深度神经网络算法、文献2 6 中的随机森林算法以及KNN（K-Ne a r e s t Ne i g h b o r）算法进行对比测试,其中标签1表示考虑电器使用规律特征，标签2则代表不考虑电器使用规律特征，具体结果见图4。辨识准确率/%XGBoost12辨识准确率/%DNN100100808060604040202000主卧电器洗衣机冰箱娱乐电器主卧电器洗衣机冰箱娱乐设备(a)(b)一3 5一Q/var01030 504005000500400102203400 300150ICPSOPSO510送代次数15202530112第6 0 卷第8 期2023年8 月15日辨识准确率/%RF川1001008080606040200主卧电器洗衣机冰箱娱乐设备(c)图4电器辨识结果图Fig.4 Results of household identification结合表1可知，主卧电器、洗衣机、冰箱和娱乐电器在有功和无功功率上均存在重叠区域。图4则展示了四种算法分别在包含电器使用规律特征和不含电器使用规律特征下对功率相近电器的辨识结果。可以看到,在不含电器使用规律特征时，四种算法对于洗衣机的辨识效果都较差，而加入电器使用规律特征后，四种算法对以上四种电器的辨识基本上均有所提升,并且文中算法和随机森林算法针对洗衣机的辨识准确率提升达到了较优水平。由此可见，电器投切时间，电器运行时长等使用规律可以作为一种有效的负荷特征用于非侵人式辨识。3.3同类算法对比为了更好地展示文中算法模型的性能,将ML、R F、KNN算法与所提算法模型在训练集上训练,并计算在测试集上的总分类准确率和各项评价指标，具体对比结果见表2 和表3。表2 不同算法对比Tab.2Comparison chart of different alghrithms电器测试次数XGBoost/%主卧电器431地下室电器289干衣机198洗衣机637餐厅电器307冰箱4 051热泵261娱乐电器1 078烤炉177总辨识准确率7429表3评价指标对比Tab.3Comparison chart of evaluation index设备/算法XGBoost总辨识准确率/%94.91精确度0.92召回率0.88从表2 可以看到，无论是各电器的辨识准确率还一36 一电测与仪表Electrical Measurement&Instrumentation12辨识准确率/%KNN1240200主卧电器洗衣机冰箱娱乐电器(d)DNN/%RF/%KNN/%93.2823.9098.2796.8988.8989.9089.3225.1294.4683.3998.0394.6985.8261.6992.67%80.89%91.37%80.8997.1888.1497.1888.14DNN88.140.780.57Vol.60 No.8Aug.15,2023是总的辨识准确率，文中算法和随机森林算法表现均比较优异。KNN算法和深度神经网络算法在有功无功电气特征区分性较大的电器辩识（如地下室电器、干衣机和烤炉等）上效果较好，对于电气特征相似，电器使用规律特征也较为模糊的电器则分类效果不佳。而文中算法和随机森林算法都是基于弱分类器的模型融合,具有良好的非线性映射能力,在本测试集下能够较好地进行电器分类。表3展示了三种算法的评价指标对比，可以看到，无论是总样本的正确辨识比例，还是正确辨识样本中正样本的比例，相较于深度神经网络算法和KNN算法，文中算法和随机森林算法表现更优。并且综合整体而言，文中算法较随机森林算法略优，说明文中算法在该测试集中分类效果较好，具备良好的分类性能和泛化能力。4结束语为了解决家庭用电负荷的电气负荷特征相近导致基于电气量特征的非侵入式负荷辨识方法易产生误辨识的问题，提出基于电器投切时间、运行时长和投切次数为代表的电器使用规律特征和传统电气负荷特征相结合的负荷特征组合作为辨识依据。同时，提出了基于ICPSO-XGBoost的负荷辨识算法。该算法将回归树作为负荷特征的基分类器构建极端提升树模型，并利用混沌思想改善粒子群算法中初始种群的均匀划分布和变异过程中的随机化,增强了粒子群算法对XGBoost超参数的全局寻优能力。最后，在AMPds公用数据集上进行测试，通过对比分析验证了电器使用规律特征对于非侵入式负荷辨识的可用性，以及所提算法的有效性，为非侵人式负荷辨识提供了新的扩展思路。在90.9590.7298.6296.8990.4088.8986.1953.2294.4694.4697.4897.4181.9970.1196.6195.4896.6189.46RFKNN93.9789.460.940.780.860.76下一步工作中，我们将继续完善算法，并将其应用于实际场景。参考文献1狄曙光，刘峰，孙建宇，等基于改进ABC和IDPC-MKELM的短期电力负荷预测J智慧电力，2 0 2 2，50（9）：7 4-8 1.Di Shuguang,Liu Feng,Sun Jianyu,et al.Short Term Power LoadForecasting Based on Improved ABC and IDPC-MKELM J.SmartPower,2022,50(9):74-81.2关书怀，沈艳霞基于粒子群优化径向基函数神经网络的电力负荷预测J：传感器与微系统，2 0 2 1，40（5）：12 8-131.Guan Shuhuai,Shen Yanxia.Power load forecasting based on PSORBF-NN JJ.Transducer and Microsystem Technologies,2021,40(5):128-131.【3易淑智，刘云凯，杨帆，等基于改进门控循环单元分位数回归的短期负荷概率预测J.智慧电力，2 0 2 1，49（8）：8 4-90.Yi Shuzhi,Liu Yunkai,Yang Fan,et al.Short-term load probabilityforecasting based on improved quantile regression of gated recurrent UnitJ.Smart Power,2021,49(8):84-90.4杨海柱，江昭阳，李梦龙，等基于CS-GRU模型的短期负荷预测第6 0 卷第8 期2023年8 月15日方法研究J.传感器与微系统，2 0 2 2，41（9）：54-57.Yang Haizhu,Jiang Zhaoyang,Li Menglong,et al.Study on short-termload forecasting method based on CS-GRU model J.Transducer andMicrosystem Technologies,2022,41(9):54-57.5 HART G W.Residential energy monitoring and computerized surveil-lance via utility powerflowsJ.IEEE Technology&Society Magazine,1989,8(2):12-16.6余贻鑫，黎鹏，郭金川非侵人式感应电动机参数辨识J天津大学学报，2 0 0 8,41(11)：12 6 9-12 7 4.Yu Yixin,Li Peng,Guo Jinchuan.Non-intrusive parameter identifica-tion method of induction motor J.Journal of Tianjin University,22008,41(11):1269-1274.7】余贻鑫，刘博，栾文鹏。非侵人式居民电力负荷监测与分解技术J.南方电网技术，2 0 13,7(4)：1-4.Yu Yixin,Liu Bo,Luan Wenpeng.Nonintrusive residential load moni-toring and decomposition technology J.Southern Power System Tech-nology,2013,7(4):1-4.8 S.Drenker,A.Kader.Nonintrusive monitoring of electric loads J.IEEE Computer Applications in Power,1999,12(4):47-51.9 HART G W.Nonintrusive appliance loadmonitoringJ.Proceedings oftheIEEE,1992,80(12):1870-1891.10黎鹏，余贻鑫。非侵人式电力负荷在线分解J天津大学学报，2009,42(4):303-308.Li Peng,Yu Yixin.Nonintrusive method of on-Line power load decom-positionJ.Journal of Tianjin University,2009,42(4):303-308.11杨秀，李安，孙改平，等基于改进GMM-CNN-GRU混合的非侵入式负荷监测方法研究J电力系统保护与控制，2 0 2 2，50（14）：65-75.Yang Xiu,Li An,Sun Gaiping,et al.Non-invasive load monitoringbased on an improved GMM-CNN-GRU combinationJ.Power SystemProtection and Control,2022,50(14):65-75.12祁兵，韩璐基于负荷空间划分的非侵入式辨识算法J电测与仪表，2 0 18,55(16)：19-2 5.13王守相，郭陆阳，陈海文，等基于特征融合与深度学习的非侵入式负荷辨识算法J电力系统自动化，2 0 2 0，44（9：10 3-110.14王晓换，李如意，周东国，等基于决策融合的非侵人式电力负荷辨识方法及应用J：电力系统保护与控制，2 0 16，44（7）：115-120.15李如意，黄明山，周东国，等基于粒子群算法搜索的非侵人式电力负荷分解方法J.电力系统保护与控制，2 0 16，44（8）：30-35.16余登武，刘敏，汪元芹.基于GRNN与注意力机制模型的非侵人式家用负荷分解J智慧电力，2 0 2 1，49（3）：7 4-7 9.Yu Dengwu,Liu Min,Wang Yuanqin.Non-invasive Household LoadDecomposition Based on GRNN and Attention Mechanism Model J.Smart Power,2021,49(3):74-79.17王家驹，王竣平，白泰，等基于设备特征多层优选和CNN-NL-STM模型的非侵入式负荷分解J电力科学与技术学报，2 0 2 3，38(1):146-153.Wang Jiaju,Wang Junping,Bai Tai,et al.Non-intrusive load disag-gregation based on multiple optimization of appliance features and CNN-NLSTM modelJ.Joumal of Electric Power Science and Technology,2023,38(1):146-153.18张炳达，荆志朋一种基于BP神经网络的负荷谐波电流辨识方法J.电力系统保护与控制，2 0 12，40（2 0）：94-98.Zhang Bingda,Jing Zhipeng.An identification method of load harmonic电测与仪表Electrical Measurement&Instrumentationcurrent based on BP neural network J.Power System Protection andControl,2012,40(20):94-98.19李如意，王晓换，胡美璇，等.RPROP神经网络在非侵人式负荷分解中的应用J电力系统保护与控制，2 0 16，44（7）：55-6 0.Li Ruyi,Wang Xiaohuan,Hu Meixuan,et al.Application of RPROPneural network in nonintrusive load decomposition J.Power SystemProtection and Control,2016,44(7):55-60.【2 0】姚浩然，李成鑫，郑秀娟，等。集成自适应啾模态分解和BiLSTM的短期负荷组合预测模型J电力系统保护与控制，2 0 2 2，50(19):58-66.Yao Haoran,Li Chengxin,Zheng Xiujuan,et al.Short-term load com-bination forecasting model integrating ACMD and BiLSTM J.PowerSystem Protection and Control,2022,50(19):58-66.21刘恒勇，史帅彬，徐旭辉，等一种关联RNN模型的非侵人式负荷辨识方法J.电力系统保护与控制，2 0 19，47(13)：16 2-17 0.Liu Hengyong,Shi Shuaibin,Xu Xuhui,et al.A non-intrusive load i-dentification method based on RNN modelJ.Power System Protectionand Control,2019,47(13):162-170.22 Lin G-Y,Lee S-C,Hsu J Y-J,et al.Applying power meters for appli-ance recognition on the electric panel C.2010 5th IEEE Conferenceon Industrial Electronics and Applications,2010:2254-2259.23县国成，王永攀，高俊，等基于ELM-SVM模型与电能计量大数据的窃电识别技术研究J智慧电力，2 0 2 2，50(9)：8 2-8 9.Xian Guocheng,Wang Yongpan,Gao Jun,et al.Power Theft Identifi-cation Technology Based on ELM-SVM model and big data of electricenergy measurementJ.Smart Power,2022,50(9):82-89.24张雷，王光华，曹磊，等.基于GAN模型与随机森林算法的保护系统智能状态评价与预警J电力科学与技术学报，2 0 2 1，36（6）：104-112.Zhang Lei,Wang Guanghua,Cao Lei,et al.Smart status evaluationand early warning approach for highly-reliable protection systems basedon GAN model and random forest algorithm J.Journal of ElectricPower Science and Technology,2021,36(6):104-112.25马临超，杨捷，肖鹏，等基于新型卷积神经网络的非侵人式负载监测方法J智慧电力，2 0 2 2，50（4）：96-10 2.Ma Linchao,Yang Jie,Xiao Peng,et al.Non-invasive load monitoringmethod based on novel convolutional neural networkJ.Smart Power,2022,50(4):96-102.26秦领基于小波变换和随机森林的非侵人式住宅用电负荷识别研究D重庆：重庆大学，2 0 18：47-7 0.作者简介：谢耀锋（198 9一），男，硕士研究生，研究方向为智能电网。Email:周洪（196 2 一），男，教授，博士生导师，博士，研究方向为多变量过程控制系统，发电厂电网控制系统等。周东国（198 5一），男，讲师，博士，研究方向为智能电网，模式识别。Vol.60 No.8Aug.15,2023收稿日期：2 0 2 0-0 5-19；修回日期：2 0 2 3-0 3-0 7(田春雨编发）一37 一