文献类型：期刊文章

作　　者：邓晓平[1,2] 张桂青[1,2] 魏庆来[3] 彭伟[1,2] 李成栋[1,2]

DENG Xiao-Ping;ZHANG Gui-Qing;WEI Qing-Lai;PENG Wei;LI Cheng-Dong(School of Information and Electrical Engineering,Shandong Jianzhu University,Jinan 250101;Shandong Provincial Key Laboratory of Intelligent Buildings Technology,Jinan 250101;State Key Laboratory for Management and Control of Complex Systems,Institute of Automation,Chinese Academy of Sciences,Beijing 100190)

机构地区：[1]山东建筑大学信息与电气工程学院,济南250101 [2]山东省智能建筑技术重点实验室,济南250101 [3]中国科学院自动化研究所复杂系统管理与控制国家重点实验室,北京100190

出　　处：《自动化学报》

基　　金：国家自然科学基金(61903226,61573225);山东省泰山学者计划(TSQN201812092);山东省重点研发计划(2019GGX101072,2019JZZY010115);山东省高等学校青创科技计划(2019KJN005)资助。

年　　份：2022

卷　　号：48

期　　号：3

起止页码：644-663

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：非侵入式负荷监测通过对总负荷电表数据进行分析处理,能够实现对各个用电设备及其工作状态的辨识,可广泛应用于建筑节能、智慧城市、智能电网等领域.近年来,随着智能电表的大规模部署以及各类机器学习算法的广泛应用,非侵入式负荷监测引起了学术界与工业界的共同关注.本文对非侵入式负荷监测方面的研究进行综述.首先提炼非侵入式负荷监测的问题模型及基本框架;然后分别对非侵入式负荷监测的数据采集与预处理过程、负荷分解模型与方法、常用数据集及评估指标进行归纳总结;最后,对目前研究中存在的挑战进行分析,并对未来的研究方向进行展望.

关 键 词：非侵入式负荷监测  负荷分解 特征提取 隐马尔科夫模型 深度学习  

分 类 号：TM714]