基于多目标蛇优化算法的非侵入式负荷监测研究

随着经济社会的发展和节能环保的要求，负荷监测已成为一个研究重点，安装简单、经济安全的非侵入式负荷监测(Non-Intrusive Load Monitoring, NILM)更是成为近年研究的热门领域。该文针对NILM研究中存在的负荷分解准确率不高及实际应用所需时间较长的问题，通过将有功功率与稳态电流作为识别特征，引入了由Fatma A. Hashim和Abdelazim G. Hussien于2022年提出的多目标蛇优化算法(Multiple Objective Snake Optimizer, MOSO)并建立数学模型，经过选取家中最常见的电器进行实验测量并分析，得出该方法有效提升了负荷分解的准确率并大大缩减了实验时间的结论。通过与不同算法在同一数据上进行实验分析并对比实验结果，验证了该文算法在准确率及实验效率上有明显提升，证明了该文算法具有优越性。

近年来，随着智能电网的发展和人工智能技术在家庭中的应用，通过开展对用户用电模式的分析， 深入挖掘用户用电节能的潜力，减少家庭电费的同时实现电网电量的削峰填谷，促进区域内电网地安全稳定运行已成为目前新的科研发展趋势。为了建立一个高效的能源管理系统来评估用户的电能消耗和使用习惯，负荷监测已经成为了目前的一个研究热点。根据监测传感器的安装方式，负荷监测一般可分为侵入式负载监测(Intrusive Load Monitoring, ILM)和非侵入式负载监测(Non-Intrusive Load Monitoring, NILM) [1]。ILM 需要在每个电器上安装一个或多个传感器来获取其工作状态信息，这不仅成本高，而且可能对用户的隐私造成威胁。相比之下，NILM 只需要在主电源入口安装一个传感器就可以获取不同电器的总功耗，通过智能算法将采集的总负荷电气量分解为各个用电器的独立运行数据，并识别各个用电器工作状态以及分析用户用电行为。ILM、NILM 工作原理如图1、图2 所示。与ILM 相比，NILM 更经济、可靠，更容易普及。通过用户电能使用情况、电器信息以及用电偏好进行居民用户画像，对电网、居民用户、社会等主体在多方面有重要的实际价值与意义[2]。

非侵入式负荷监测按照工作流程主要分为数据的采集与处理、事件检测、特征提取、负荷识别等步骤。近年来，研究者主要从负荷特征的提取以及负荷识别算法优化两个方面开展研究。文献[3]以家庭用电成本、温度、时间、舒适度为目标函数建立家庭智慧用能多目标优化模型，对可控负荷、电动汽车、储能系统进行分析建立数学模型，利用粒子群算法对模型进行求解。文献[4]针对研究中存在的分解准确