无监督学习的居民负荷分解：聚类与关联分析提升精度

本文主要探讨了一种创新的非侵入式负荷分解方法，针对现有监督学习模型在处理非侵入式负荷监测中的局限性，即需要大量有针对性的训练数据且难以识别新出现的负荷问题。研究者在深入分析家用电器负荷特征的基础上，特别关注了负荷投切过程中的暂态功率波形和功率变量，因为这些特征能够提供关于电器工作状态的重要线索。 方法论上，该研究提出了一个无监督学习的策略。首先，通过实时采集电流和电压数据，计算得到每个负荷操作对应的暂态功率波形。接下来，采用动态时间规整算法来比较当前暂态功率波形与历史波形的相似度，这有助于识别不同的负荷事件。动态聚类算法在此过程中扮演关键角色，通过对不同功率波形的分组，确定它们可能对应的具体电器类型。此外，还结合了其他暂态负荷特征进行综合判断。 进一步地，作者将负荷操作按周为周期进行关联分析，这样可以挖掘出同一电器在不同时间点的共同行为模式，从而为每个电器建立一个多维度的暂态特征模型。这种方法的优势在于它无需依赖预先标记的训练数据，降低了实施难度，同时提高了准确性和可靠性。 仿真结果显示，该基于聚类和关联分析的非侵入式负荷分解方法在实际应用中表现出了良好的效果，不仅实现了对家用电器使用的精细测量，而且具有较高的实用价值。这种无监督学习方法对于电力需求侧管理、节能减排以及智能电网的发展具有重要意义，因为它能够在不增加用户负担的前提下，提升电力数据分析的效率和精度。 关键词：暂态分析、聚类分析、关联分析、无监督学习和非侵入式负荷分解。这种方法被归类在TM73类别，文献标志码为A，DOI为10.16081/j.epae.202005011，表明其在电力自动化设备领域的研究价值得到了认可。 这项工作不仅解决了传统 NILM 方法的挑战，还为未来电力系统中的智能用电管理和环境可持续性提供了强有力的技术支持。