隨著國民經濟的快速發展，社會對電能的需求日益增加，對電能質量的要求也越來越高。改善電能質量對于電網及電氣設備的安全運行、保障產品質量以及人們的正常生活具有重要意義。電力負荷的分解及分類識別有助于了解電力系統的負荷組成，有利于掌握電力負荷的變化規律和發展趨勢，也有利于對電力負荷的科學管理，在建設智能電網等方面具有重要意義。

現有的負荷識別方法主要分為侵入式和非侵入式兩種。近年來，非侵入式的負荷識別方法引起了人們更多的關注，也取得了許多研究成果。一些學者使用聚類算法對電力負荷進行分類研究，例如董瑞將減法聚類的模糊C均值聚類算法用于電力負荷的分類；黃麒元、趙國生分別提出了模糊聚類和自適應模糊C均值算法對電力負荷進行分類。

人工神經網絡也被廣泛應用于電力負荷的預測及分類識別，例如：李龍、陳亞等使用神經網絡對電力負荷進行預測；朱桂川等使用神經網絡對電器設備進行分類；杜亮等將自組織映射神經網絡擴展到有監督框架下對電力負荷進行分類識別；常學賢等使用粒子群算法優化神經網絡并用于電力負荷的分類識別；J.D.S. Guedes等先從電流信號中提取多階特征量，再將提取的特征輸入到神經網絡進行負荷分類識別。

以上方法雖然取得了有意義的分類效果，但在不同程度上存在一些缺陷。例如：模糊聚類算法需要事先確定類別的數目，而類別數目的不正確容易造成分類結果的不準確；改進的模糊C均值聚類算法在分類準確度上仍有待進一步提高。此外，神經網絡訓練過程中收斂易于陷入局部最小是一直存在的一個問題。

隨著非侵入式負荷識別研究的不斷進展，一些學者開始使用負荷暫穩態信息作為特征進行識別分析。例如：R.Cox等使用用電設備投切時對電壓的擾動信息進行負荷識別，但這種方法受電壓波動影響較大。高云、楊洪耕提出一種利用家用負荷開關時的暫態功率特征貼近度來匹配家用負荷的方法，但當多個家電開啟時間很近導致暫態特征混疊時，其識別準確率會受較大影響。

曲朝陽、于華濤等提出一種基于開啟瞬時負荷特征的家電負荷識別方法，取得了非常好的識別效果，但當負荷種類較多時難以準確地提取負荷特征，從而影響識別效果。杜亮等在2016年提出了一種負荷識別方法，他提取電壓、電流軌跡的相似性并映射到具有二進制值的單元網格中，減小了計算成本并取得了不錯的識別效果，但這種方法難以區分相角可控類與電阻類負荷，因為兩者標準化后軌跡相似度高。

目前負荷識別的研究對象大多以家用電器為主。針對目前電力負荷自動識別中存在的人工選擇特征困難的問題并且為了進一步提高識別精度，本文引入深度置信網絡（Deep Belief Network, DBN）對現場采集的工業電力負荷數據進行分類識別。DBN是一種深度神經網絡架構，由多個受限玻耳茲曼機（Restricted Boltzmann Machines, RBMs）和一層后向傳播神經網絡組成。

深度學習與以往神經網絡訓練方法不同之處在于深度學習采用了分層預訓練機制，而且可以自動從大量數據中學習到特征。深度學習的應用已從最初的圖像識別領域擴展到機器學習的各個領域，在圖像識別、圖像診斷、語音識別、電機性能分析、變壓器故障分類、電容器介損角辨識和電能擾動識別等多個領域均有很好的應用。

圖3 基于DBN的電力負荷識別實驗流程

結論

以非侵入式的方式實地采集江西省內多個地點的電網負荷運行數據，采用深度學習理論中的DBN對8種電力負荷進行分類識別。從表2可以看出，基于DBN的電力負荷識別有較好的識別效果，采樣的8種電力負荷的平均識別率達到98.38%，其中對整流設備的識別率最高，達到99.40%，這和整流器類負荷的諧波特征明顯有關，識別率相對較低的攪拌機+電焊機也取得了96.04%的不錯效果。對比實驗表明，基于DBN的負荷識別率比NN高出4.57個百分點，其識別精度明顯優于NN。

本文提出的基于DBN的電力負荷識別框架，采用深度學習方法提高了電力負荷的分類準確度。DBN雖然沒有明確的特征選擇和提取過程，但具有很好的電力負荷識別能力。傳統的神經網絡容易陷入局部最小值，而DBN通過學習可以訓練成為非常好的網絡模型。

實驗結果表明，訓練的DBN模型對電力負荷的識別率超過98%。當然，由于實際設備的工況比較復雜，且實測數據有限，若要對更多負荷進行精確分析，還需依據實際情況建立更加完備的負荷數據庫。

以非侵入方式感知負荷用電信息進行負荷類型的分類識別，在建設智能化電能表、智能電網等方面意義深遠，它不僅可為分析電能消耗構成、提高負荷管理能力等提供數據支撐，未來還可為工業以及居民用戶提供負荷運行狀況報告、節能建議等多項服務。下一步將研究多個采樣點的同種負荷類型的識別以及采樣頻率，即一個周波內采樣點數對電力負荷識別率的影響等問題。