基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法.pdf

为提升负荷监测中事件检测与负荷识别的准确性与适应性，提出一种基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法。基于低频数据，根据电器正常运行造成的功率波动与事件启停造成的功率跳变之间的特性差异，提出一种事件检测算法，该算法通过滑动窗内功率波动的差量特征排除波动干扰，实现事件准确定位并获取相关功率数据；建立一种双长短期记忆网络，对不同电器构建专一电器判别单元并进行训练；建立由各判别单元组成的事件识别网络，根据各判别单元输出的概率对事件进行综合判别，实现非侵入式负荷监测。基于测试数据集的仿真结果验证了所提方法的有效性与准确性。关键词：事件检测；非侵入式负荷监测；长短期记忆网络；负荷识别；低频特征中图分类号：TM73 文献标志码：ADOI：10.16081/j.epae.2022120110 引言在“双碳”目标下，数字经济正在推动能源消费结构转型，通过数字化、高度信息化的手段助力能源高效利用，是实现绿色低碳发展的有效途径之一。电力公司也在推出数字化产品以助力低碳发展，产品通过采集能耗数据、精准的监测定位、按需用电等提升能耗管理的效率。在该背景下，负荷监测通过获取电器的详细运行状态数据可以更高效地实现能耗数据的精准监测。相较于侵入式负荷监测，非侵入式负荷监测1（non-intrusive load monitoring，NILM）仅需用户的总线用电数据，而无需对各电器加装传感器，既保护了用户隐私，又降低了成本且更容易推广。目前，NILM 通常采用高频特征27以及低频特征812这2种输入特征进行监测。高频特征指在数千赫兹甚至更高的采样频率下用于负荷监测的特征数据；低频特征指在数秒、数分钟甚至更长的采样间隔下用于负荷监测的特征数据。在利用高频特征方面：文献 3 基于事件检测提取U-I轨迹曲线，利用卷积神经网络对U-I轨迹曲线进行辨识；文献 4 利用事件检测算法对原始波形进行预处理，提取瞬时 V-I 波形，并利用人工神经网络、支持向量机等算法实现NILM；文献 5 提出基于滑动窗的事件探测算法，利用事件检测提取负荷特征并建立特征库，利用反向传播（back propagation，BP）神经网络对提取的负荷特征进行识别；文献 6基于功率变化事件得到功率暂态波形，结合动态时间规整算法与动态聚类算法进行辨识，并通过关联分析确定电器的暂态特征；文献 7 基于事件投切算法提取负荷的多种高频特征并建立负荷特征数据库，结合改进最近邻法与支持向量机算法进行负荷辨识。在利用低频特征方面：文献 8 将电器状态、时间、功率信息作为特征，构建深度神经网络，实现负荷分解；文献 9 采用主成分分析法提取负荷特征进行预分类，并利用Fisher算法对负荷进行投影判别，实现负荷辨识；文献 10 考虑用户的时间特性，改进隐马尔可夫模型，并利用维特比算法进行负荷分解；文献 11 采用长短期记忆（long short-term memory，LSTM）网络对负荷总功率直接进行能量分解；文献12 在对电器功率特征进行聚类后将其分成不同的集群，对各集群分别采用隐马尔可夫模型进行求解监测。上述关于NILM的研究存在以下问题。1）采用高频特征实现NILM的研究大多采用事件机制，对事件发生时刻的暂态特征进行提取、分析，或基于事件机制提取事件前后负荷在稳态运行时的差异特征，再根据各类特征利用不同算法进行负荷辨识。高频特征蕴含的负荷信息量大，基于高频特征的负荷识别精度高，但采样频率与识别精度呈正相关的关系13且对高频特征的处理较复杂14，这使得高频特征在实际工程应用中存在局限性。2）低频特征蕴含的负荷信息量小，相较于高频收稿日期：20220615；修回日期：20220930在线出版日期：20221213基金项目：国家自然科学基金资助项目（51907097）；国家重点研发计划项目（2021YFB4000500）；四川省科技计划项目（2020JDRC0049）Project supported by the National Natural Science Foundation of China（51907097），the National Key Research and Development Program of China（2021YFB4000500）and the Science&Technology Program of Sichuan Province（2020JDRC0049）电 力 自 动 化 设 备第 43 卷特征，基于低频特征的负荷识别精度较低，目前国内外智能电表大多只支持低频数据的采集，现有研究认为利用低频数据进行NILM，是低成本、特征处理简单的高性价比方式15。但低频数据大多直接用于负荷分解，难以准确定位电器的启停事件点，并且当网络中新增电器时，整个负荷分解网络需要重新进行训练。此外，不同电器的使用频率不同，这会导致训练样本不平衡，从而使得网络难以得到充分训练。综上，本文提出一种基于低频功率差量特征事件检测的 NILM 方法。首先，通过分析用电功率波动与事件启停间的差异，提出一种基于低频功率数据的事件检测算法；然后，利用双LSTM网络，建立各电器的专一判别单元，并建立基于专一判别单元的负荷综合识别网络，实现负荷监测；最后，通过算例验证本文事件检测算法与负荷识别网络的有效性与正确性。1 事件检测事件检测算法通过对用户功率的跳变情况进行监测与识别可以获取电器启停的关键点，从而为后续的电器识别奠定基础。文献 16 提出一种NILM曲线拟合方法，可对事件准确定位到总功率的暂态区段与稳态区段，但难以排除功率波动。文献 5 设计基于滑动窗的事件探测算法，能对事件投切位置进行定位且能避免系统噪声和小功率波动的干扰，但在大功率电器的波动与事件准确定位之间存在矛盾。部分电器在正常运行时造成的功率波动为数十或数百瓦，小功率电器在启停时造成的功率跳变为数十瓦，在基于低频特征的事件检测中难以区分用户功率变化是电器正常运行造成的功率波动，还是电器启停造成的功率跳变，为此，本文提出如附录A图A1所示的事件检测算法。该算法利用电器正常运行造成的功率波动本身存在连续性且功率上下波动之间存在相似性的特性，通过设置判断条件对该功率波动进行排除。此外，事件启停过程的暂态区段短暂，低频数据无法体现事件的暂态特征，一旦小功率电器发生启停事件，经过功率跳变后的功率曲线往往趋于稳定而不会产生较大的功率波动，这与大的功率波动的特点存在差异性，利用该差异性可对大的功率波动与小功率电器启停造成的功率跳变进行区分。以开启事件的检测过程为例，算法流程中的滑动窗设置如图1所示。以Pm为中心点，将其与前、后各4个点共同构成滑动窗，其中，Pm与Pm+1用于监测是否发生功率突增，Pm周围的8个点用于判断功率突增是否为电器正常运行造成的。若滑动窗未监测到电器开启事件，则向后移动 1 格并继续监测，否则记录事件并向后移动 5 格跳过该段，避免重复判断。对功率突增的判断公式如式（1）和式（2）所示。u=Pm+1-Pm（1）u1（2）式中：u为功率突增量；1为第一阈值，其值较小，通常为数十瓦，本文取为40 W，用于触发后续检测判断机制。当用户用电功率突增满足式（1）和式（2）时，该功率突增可能是电器开启造成的，也可能是电器正常运行造成的，需要进行进一步判断。首先，利用功率波动的相似性，判断功率突增前是否存在相似大小的功率突降，从而判断该功率突增是否为已开启电器发生功率暂降后的回升，判断条件如式（3）所示。|Pm-3+i-Pm-4+i-u|1u i=0，1，2，3（3）式中：1为相似系数，本文取为0.3。若不满足式（3）所示的条件，则表明所监测到的功率突增前没有类似大小的功率下降，该功率突增并非已开启电器发生功率暂降后的回升，可进行进一步判断，如式（4）所示。u2（4）式中：2为第二阈值，其值较大，通常为数百至数千瓦，本文取为500 W。若功率突增满足式（4）所示的条件，则表明该功率突增较大，可以判断该功率突增是大功率电器开启所造成的，否则表明该功率突增较小，还需通过Pm之后的点进行进一步判断，如式（5）所示。Pm+2+i-Pm+1+i2u i=0，1，2（5）式中：2为相似系数，本文取为-0.4。若满足式（5）所示的条件，则表明功率在突增后维持稳定，没有出现明显下降，可以判断该功率突增是小功率电器开启所造成的，否则判断该功率突增是已开启的大功率电器正常运行造成的。最后，Pm所在位置即为事件发生点，将P=Pm-9，Pm-8，Pm+9作为原始功率序列。图1事件滑动窗工作过程Fig.1Working process of event sliding window第 8 期周步祥，等：基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法2 数据处理数据处理可以将事件检测获取的原始功率序列进行预处理，排除电器短时间内频繁开启对事件识别造成的干扰，从而提高识别的准确度。首先，对事件发生前的大范围功率波动进行处理，排除事件发生前其他电器启停造成的影响，处理方法如式（6）所示。Pm-i-1=Pm-1|Pm-i-1-Pm-1|1Pm-1；i=0，1，8（6）式中：1为相似系数。式（6）通过限制大于特定值的功率波动点，在保留目标电器小范围功率波动特征的同时，排除其他电器启停造成的影响。然后，对事件发生后的大范围功率波动进行处理，处理方法如式（7）所示。Pm+1+i=Pm+iPm-Pm+1+i2()Pm-Pm-1或 Pm+1+i-Pm+i 3()Pm-Pm-1 i=0，1，8（7）式中：2、3为波动与功率突增值之间的相似系数。可以看出，相较于事件发生前的功率序列处理方法，事件发生后的功率序列处理方法对功率的向上波动给予了更高的阈值，以避开开启事件造成的功率上升。最后，将处理后的功率序列减去该序列中的最小值即可得到用于网络识别的功率序列P。3 识别网络利用事件检测算法在事件定位后获取不同用电设备在事件发生前后的时间功率序列，其中包含了电器启停时及启停前后的多种特征。LSTM网络作为循环神经网络的一种改进网络，具有很强的特征提取能力，且特别适用于处理时间序列数据17，因此，本文基于LSTM网络构建事件识别网络，用于启停事件的识别。3.1网络结构针对神经网络在处理多分类问题时存在的扩展能力不足、训练收敛速度较慢、对未知电器难以分类等问题，本文构建基于专一电器判别单元的事件识别网络。该网络将识别任务下发至各专一电器判别单元，再根据各单元输出的概率结果对电器启停类型进行综合判别，最终得到分类结果。3.1.1专一电器判别单元专一电器判别单元作为事件识别网络的子网络，经过训练后可用于判断输入的启停事件功率序列属于某一特定类别电器的概率。专一电器判别单元网络框架如图2所示。图中：t表示当前单元，t-1表示前一个单元；Xt为当前单元t的输入；ht为当前单元t的输出；ht-1为前一个单元t-1的输出；Ct为当前单元t的状态；Ct-1为前一个单元t-1的状态。专一电器判别单元网络的输入为经过数据处理后的启停事件功率序列，输出为某一特定电器类别以及功率序列属于该类别电器的概率。网络包括输入层、LSTM网络层、Dropout层、全连接层、激活函数层和分类层。输入层用于接收经过处理后的事件检测功率序列并将其传递给下一层；LSTM网络层由与功率序列长度相同的若干个计算单元构成，以当前单元为例，当前单元的输入为输入层传递的Xt、前一个单元输出的功率特征ht-1和单元状态Ct-1，输出为功率特征ht和单元状态Ct，其他单元以此类推；Dropout层临时删除部分LSTM网络单元，以防止模型过拟合；全连接层将 LSTM 网络层提取的功率特征通过加权求和的方式进行映射，并输出2个范围在（-，+）之间的实数，用于判别功率序列是否属于某一特定类别的电器；激活函数层在全连接层的基础上将2个实数映射到（0，1）范围内，分别表示功率序列属于、不属于某一特定类别电器的概率；分类层通过对激活函数层的输出值进行判断，输出分类结图2专一电器判别单元网络框架Fig.2Framework of specific appliancediscrimination unit network电 力 自 动 化 设 备第 43 卷果与从属概率。3.1.2事件识别网络事件识别网络在单个判别单元的基础上对启停功率序列所属的电器类别进行综合判别，负荷识别网络框架如图 3 所示。图中：N 为电器设备总数；Yi()PVi(i=1，2，N)为输入功率序列 P 属于电器i的概率，Vi 表示电器i，P Vi 表示输入功率序列P属于电器i；Wi(i=1，2，N)为专一电器i判别单元的可信度，其值等于对该单元进行测试时单元的判别正确率，可信度高的单元在网络输出的综合判别中具有更重要的位置。在事件识别网络中，将启停功率序列P同时输入各电器判别单元中，由每个判别单元判别该功率序列属于本类电器的概率，再由概率判别器对启停功率序列所属的电器类型进行综合判别，概率判别器的工作原理如式（8）所示。S=0 maxW1Y1，W2Y2，WNYNiWiYi且WiYi=maxW1Y1，W2Y2，WNYN（8）式中：S为概率判别器的输出；为概率阈值，本文取为0.5。式（8）表示：当各专一电器判别单元输出的概率均小于时，可认为网络输入的启停功率序列不属于任何一类已知的电器；否则，将所有判别单元中最大概率所属的电器类别作为网络输出的电器类别。值得注意的是，各家庭的电器类别和数量不同，且同类电器之间也存在差异性，判别功率序列是否属于已有类别的电器有利于识别网络的扩展。可将被判定为未知电器功率序列的数据进行保存，在未来数据量充足时将其用于训练新的判别单元，即当监测对象具有新增电器时，可以利用监测到的新增电器功率序列训练新的电器判别单元，并将其加入网络中，以实现识别网络的扩展，整个事件识别网络无需重新进行训练。3.2网络训练训练样本数据来自事件检测后经过数据处理的功率序列P，其中每个单一判别网络的训练样本数据均由50%的特定类别电器数据与50%的其他类别电器数据随机构成。训练标签为1或0。验证集样本由各电器样本等比例构成。在训练中，各参数设置情况如下：LSTM1隐含层层数为128；LSTM2隐含层层数为100；每层LSTM的Dropout比率为0.2；全连接层输出参数为2；求解器为 Adam；学习率为 0.001；最大轮数为 300；梯度阈值为1。4 算例分析本文采用目前广泛使用的公开数据集 英国家用电器级电力记录（UK recording domestic appliance-level electricity，UK-DALE）18、参考能量分 解 数 据 集（reference energy disaggregation data set，REDD）19中的低频数据进行训练和测试，其中数据集UK-DALE的采样间隔为6 s，数据集REDD的采样间隔为 1 s，需对数据集 REDD 进行降采样处理，使得数据采样间隔均为6 s。本文算例选取多种家庭常用电器进行监测，如冰箱、灯、电饭煲、水壶、微波炉、空调等。4.1事件检测各种电器正常运行时的功率从数十瓦到数千瓦不等，大功率电器的正常功率波动也有数百瓦，在事件检测判断中，小功率电器启停造成的功率跳变与大功率电器正常运行造成的功率波动容易混淆，影响后续的负荷识别。同时，事件发生点的定位准确与否直接关系到负荷特征的提取，从而也影响后续的负荷识别。选取文献 16 算法作为对比算法 1 以及文献5 算法作为对比算法2，将这2种事件检测算法与本文的事件检测算法进行对比，结果如图 4 所示。图 4（a）为某天 24 h 的负荷总功率波形，图 4（b）（d）、（f）功率波形对应图 4（a）中的区段 1，图 4（e）、（g）功率波形对应图4（a）中的区段2。算法1基于滑动窗内功率曲线的斜率值进行拟合，得到曲线斜率拟合值Si，通过设置功率阈值得到拟合值阈值Sth，在事件发生时刻，斜率会陡升降，因此，当曲线斜率拟合值Si大于阈值Sth时，认定有事件发生。该算法能较准确地定位事件的发生时刻，并排除电器正常运行造成的较为平缓的功率波动，但难以排除电器正常运行造成的较大的功率波动，如图4（b）所示，当存在电器正常运行造成的较大的功率波动时，由于该功率波动与小功率电器启停造成的功率跳变非常相似，直接通过由功率阈值得到的拟合值阈值Sth难以对其进行区分，部分电器正常运行造成的功率波动与实际事件均会被判断为有事件发生，导致误判。可以通过增大阈值Sth排除电器正常运行造成的较大的功率波动，如图4（c）所示，小图3负荷识别网络框架Fig.3Framework of load identification network第 8 期周步祥，等：基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法功率电器启停事件斜率拟合值Si不会触发阈值Sth，部分小功率电器启停造成的功率跳变会被当作电器正常运行造成的功率波动而被排除，导致漏判。在算法2下，事件发生时刻功率的陡升降会使得滑动窗内的方差Svar陡增，而滑动窗内均值Smean却不会陡增，利用这一特点设置判定条件Svar Smean（0，1 为阈值控制系数）来判断滑动窗内发生了功率跳变，再利用滑动窗前段功率均值与后段功率均值之差来判断该跳变是由事件发生导致的，该算法在排除电器正常运行造成的功率波动方面具有优势。在实际仿真中，令Svar=T(Smean)（T为控制系数），通过控制T的取值来设置判定条件SvarSmean，T取值过大会导致无法监测到如图4（d）所示的功率跳变，减小T的取值会使得判断阈值降低，导致如图4（e）所示的事件检测敏感度升高，可能过早判断事件发生，使得事件定位的准确度降低。相较于算法 1，本文算法能克服电器正常运行造成的功率波动与小电器启停造成的功率跳变间的矛盾；相较于算法2，本文算法能克服电器正常运行造成的功率波动与事件定位间的矛盾。4.2评价指标本文采用准确率Aacc与精度F1作为识别的评价指标，Aacc与F1的计算公式分别为：Aacc=AtrueAtotal=TP+TNTP+TN+FP+FN（9）F1=TPTP+FP+FN2（10）式中：Atrue为所有识别正确的样本数；Atotal为识别的总样本数；TP为判别为正类的正样本数；TN为判别为负类的负样本数；FP为判别为正类的负样本数；FN为判别为负类的正样本数。4.3负荷识别4.3.1识别算法对比选取文献 5，9，11 的负荷监测算法与本文算法进行对比，其中文献 5 采用BP神经网络进行负荷识别，从而实现功率信号的分解，文献 9 采用Fisher判别算法实现对家用电器的分类辨识，文献11 直接采用单LSTM网络算法进行功率分解。不同负荷识别算法的结果对比如图5所示。由图5可知：Fisher作为线性判别器，对于具备明显特征的大功率电器，如空调，具有较高的识别准确率，而当出现电器种类增加、电器运行功率相似等情况时，该算法的识别准确率大幅降低；BP神经网图4不同事件算法的检测结果Fig.4Detection results of different event algorithms图5不同负荷识别算法的结果对比Fig.5Results comparison among differentload identification algorithms电 力 自 动 化 设 备第 43 卷络对于微波炉、空调、水壶这类运行功率曲线差异明显的电器识别准确率较高，但由于BP神经网络不能深入挖掘功率曲线的时序关联性，难以区分电饭煲与厨房灯、冰箱与电视这些运行功率相近的电器；单LSTM网络算法挖掘功率曲线的时序关联性，识别准确率较高，但挖掘负荷特征的能力不够，对于电视、电饭煲等电器仍存在识别效果不稳定的问题。综上，相较于Fisher这类线性判别器，神经网络在处理分类问题时的能力更强，这使得其识别准确率大幅提升，而相较于BP神经网络与单LSTM网络，本文的双LSTM网络处理时序信息的能力更强，识别准确率更高，且识别效果更稳定。4.3.2网络结构对比将本文的双LSTM网络算法与文献 11 算法进行比较，结果如图6所示。从左至右每新增1台电器，文献 11 算法需要对网络进行重新训练，随着电器数量的增加，在训练参数不变的条件下，训练样本也随之增加，这使得每次网络的训练时长不断增长，且由于不同电器的样本数不同，训练样本会出现不平衡，一味平衡样本数也可能导致训练不充分等问题。文献 2021 在进行NILM时，为了解决训练样本不平衡的问题，通过人工少数类过采样技术（synthetic minority over-sampling technique，SMOTE）、Mixup 数据增强方法对少量样本进行扩充，但这会进一步增加训练的时间成本。在本文算法下，训练时长为识别网络对新增电器所需的训练时间，如新增厨房灯时，识别网络已有空调、冰箱、水壶，构建识别网络所需的训练时间为9 min 6 s。每新增1台电器，本文算法仅需建立该电器的专一判别单元对该电器的特征进行学习，且各网络的训练互不干扰，不存在训练样本不平衡的情况，当将某一事件判别为不属于已有的专一判别单元时，会将其归类在标签为新电器的类别中，为未来新增专一判别单元提供训练样本。4.4负荷监测以冰箱某天的运行状态监测结果为例，如图7所示，通过监测总功率曲线的变化提取功率事件相应区段进行识别，当识别结果为冰箱的开启或停止时，记录为冰箱的运行事件，此时冰箱的运行状态改变为开启或停止，实现对冰箱的监测。对所有电器的监测结果如附录 A 图 A2 所示。本文算法可以在较低的采样频率下利用用户总线处的功率数据进行启停事件检测，在处理事件相关数据后，提取事件点时刻电器的低频特征，并利用特征对事件进行识别，从而获取各电器的运行状态情况，实现在保护用户隐私的情况下获取用户详细的用电数据。5 结论本文基于低频功率数据，提出一种 NILM 的深度学习方法。首先，监测功率跳变点并利用跳变前后的功率差量特征排除电器正常运行造成的功率波动，实现事件的准确定位；然后，采用双LSTM网络建立各判别单元综合判别的事件识别网络；最后，利用公开数据集中的多种电器进行仿真验证。主要得出以下结论：1）利用滑动窗中的功率跳变差量排除跳变前后功率波动的事件检测算法，能克服小功率电器启停造成的功率跳变与大功率电器正常运行造成的功率波动之间的矛盾，实现事件关键点的精准定位；2）相较于线性判别器、BP神经网络与单LSTM网络算法，采用双LSTM网络算法进行负荷辨识的识别结果更加准确，且识别效果更加稳定；3）在对各电器建立专一判别网络后进行综合判别时，无需对不平衡样本进行扩充，对训练数据的处理更简单，有利于在新增电器时减少网络训练时间，同时可为后续新增电器积累训练样本。NILM 技术在不断发展，电器种类也在不断增多，由于目前 NILM 技术的泛化能力有限，这使得NILM技术在家庭用能管理、居民侧需求响应等应用场景中还未得到大规模的推广，后续研究将考虑提升 NILM 技术的泛化能力，同时在不同应用场景中图6新增电器训练时长对比Fig.6Training duration comparison ofnew added appliances图7冰箱监测结果Fig.7Refrigerator monitoring results第 8 期周步祥，等：基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法运用NILM技术提升系统的灵活性。附录见本刊网络版（http：）。参考文献：1HART G W.Nonintrusive appliance load monitoring J.Pro-ceedings of the IEEE，1992，80（12）：1870-1891.2KONG W C，DONG Z Y，WANG B，et al.A practical solu-tion for non-intrusive type load monitoring based on deep learning and post-processing J.IEEE Transactions on Smart Grid，2020，11（1）：148-160.3汪颖，杨维，肖先勇，等.基于 U-I轨迹曲线精细化识别的非侵入式居民负荷监测方法 J.电网技术，2021，45（10）：4104-4113.WANG Ying，YANG Wei，XIAO Xianyong，et al.Non-intrusive residential load monitoring method based on refined identification of U-I trajectory curve J.Power System Technology，2021，45（10）：4104-4113.4HASSAN T，JAVED F，ARSHAD N.An empirical investi-gation of V-I trajectory based load signatures for non-intrusive load monitoring J.IEEE Transactions on Smart Grid，2014，5（2）：870-878.5周明，宋旭帆，涂京，等.基于非侵入式负荷监测的居民用电行为分析 J.电网技术，2018，42（10）：3268-3274.ZHOU Ming，SONG Xufan，TU Jing，et al.Residential electri-city consumption behavior analysis based on non-intrusive load monitoring J.Power System Technology，2018，42（10）：3268-3274.6赵文清，张诗满，李刚.基于聚类和关联分析的居民用户非侵入式负荷分解 J.电力自动化设备，2020，40（6）：8-19.ZHAO Wenqing，ZHANG Shiman，LI Gang.Non-intrusive load decomposition of residential users based on cluster and association analysis J.Electric Power Automation Equipment，2020，40（6）：8-19.7刘然.结合改进最近邻法与支持向量机的住宅用电负荷识别研究 D.重庆：重庆大学，2014.LIU Ran.Research on household load identification combi-ning improved nearest neighbour method and support vector machine D.Chongqing：Chongqing University，2014.8燕续峰，翟少鹏，王治华，等.深度神经网络在非侵入式负荷分解中的应用 J.电力系统自动化，2019，43（1）：126-132，167.YAN Xufeng，ZHAI Shaopeng，WANG Zhihua，et al.Application of deep neural network in non-intrusive load disaggregation J.Automation of Electric Power Systems，2019，43（1）：126-132，167.9祁兵，程媛，武昕.基于Fisher有监督判别的非侵入式居民负荷辨识方法 J.电网技术，2016，40（8）：2484-2491.QI Bing，CHENG Yuan，WU Xin.Non-intrusive household appliance load identification method based on Fisher supervised discriminant J.Power System Technology，2016，40（8）：2484-2491.10蔡宇，董树锋，徐航，等.基于行为影响因子的非侵入式负荷实时分解算法 J.电力自动化设备，2021，41（12）：193-199.CAI Yu，DONG Shufeng，XU Hang，et al.Real-time disaggregation algorithm of nonintrusive load based on usage influen-cing factor J.Electric Power Automation Equipment，2021，41（12）：193-199.11TONGTA A，CHOORUANG K.Long short-term memory（LSTM）neural networks applied to energy disaggregation C 2020 8th International Electrical Engineering Congress.Chiang Mai，Thailand：IEEE，2020：1-4.12陈鸿川.基于HMM及其扩展模型的非侵入式电力负荷监测技术研究 D.天津：天津大学，2017.CHEN Hongchuan.Study on nonintrusive load monitoring technology based on HMM and its variants D.Tianjin：Tianjin University，2017.13ZEIFMAN M，ROTH K.Viterbi algorithm with sparse tran-sitions（VAST）for nonintrusive load monitoringC2011 IEEE Symposium on Computational Intelligence Applications in Smart Grid.Paris，French：IEEE，2011：1-8.14郭红霞，陆进威，杨苹，等.非侵入式负荷监测关键技术问题研究综述 J.电力自动化设备，2021，41（1）：135-146.GUO Hongxia，LU Jinwei，YANG Ping，et al.Review on key techniques of non-intrusive load monitoringJ.Electric Po-wer Automation Equipment，2021，41（1）：135-146.15ADABI A，MANTEY P，HOLMEGAARD E，et al.Status and challenges of residential and industrial non-intrusive load monitoring C 2015 IEEE Conference on Technologies for Sustainability（SusTech）.Ogden，UT，USA：IEEE，2015：181-188.16李亚前，杨滨，杨宇全，等.非侵入式负荷事件监测的曲线拟合方法 J.电力系统及其自动化学报，2021，33（5）：100-105.LI Yaqian，YANG Bin，YANG Yuquan，et al.Curve fitting me-thod for non-intrusive load event monitoringJ.Proceedings of the CSU-EPSA，2021，33（5）：100-105.17LIU Y Q，SU Z F，LI H，et al.An LSTM based classification method for time series trend forecasting C 2019 14th IEEE Conference on Industrial Electronics and Applications.Xi an，China：IEEE，2019：402-406.18KELLY J，KNOTTENBELT W.The UK-DALE dataset，do-mestic appliance-level electricity demand and whole-house demand from five UK homes J.Scientific Data，2015，2：150007.19KOLTER J Z，JIHNSON M J.REDD：a public data set for energy disaggregation research C Workshop on Data Mining Applications in Sustainability.San Diego，CA，USA：s.n.，2011：59-62.20于超，覃智君，阳育德.基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解 J.电网技术，2021，45（11）：4540-4550.YU Chao，QIN Zhijun，YANG Yude.Non-intrusive load disaggregation with improved factorial hidden Markov model considering ON-OFF status recognitionJ.Power System Technology，2021，45（11）：4540-4550.21易灵芝，黄其森，刘文翰，等.基于分治策略的NP-MLSTM非侵入式负荷辨识方法 J.电力系统及其自动化学报，2021，33（10）：112-118.YI Lingzhi，HUANG Qisen，LIU Wenhan，et al.Non-intrusive load identification method for NP-MLSTM network model based on divide-and-conquer strategyJ.Proceedings of the CSU-EPSA，2021，33（10）：112-118.作者简介：周步祥（1965），男，教授，博士研究生导师，博士，主要研究方向为调度自动化、配电网自动化、电网规划、综合能源新技术（E-mail：hiway_）；赵雯雯（1998），女，硕士研究生，主要研究方向为非侵入式负荷监测（E-mail：）；臧天磊（1986），男，副教授，博士，通信作者，主要研究方向为综合能源系统运行优化与控制（E-mail：）。（编辑 王锦秀）周步祥（下转第209页 continued on page 209）第 8 期刘经纬，等：极端灾害下的电力系统预防-紧急协调调度Preventive and emergency coordinated dispatching of power system under extreme disasterLIU Jingwei，KANG Haipeng，YAN Wenting，CHEN Zhao，LI Changcheng（School of Electrical Engineering，Guangxi University，Nanning 530004，China）Abstract：The preventive and emergency coordinated dispatching method of power system considering line failure rate is proposed for extreme disasters.The three-level optimal