1 非侵入式负荷监测（NILM）的定义

        NILM是指在用户总线入口处安装一台监测设备，通过智能算法将所采集的总负荷电气量分解为各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。与侵入式监测相比，NILM更经济、可靠，更容易普及。通过用户用电器信息、电能使用情况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。NILM算法根据技术路线的不同，可以分为基于事件检测和非事件检测的方法。两者的目的不同，前者是检测用电器投切事件并对事件进行分类来实现负荷监测，称为负荷识别。后者是根据总线功率序列或者其他特征，直接预测目标电器的功率序列或推测可能的激活电器的组合，称为负荷分解。根据算法的结果可以分为多个技术路线，常见的有负荷识别、负荷分解、组合优化和隐马尔可夫以及目标检测。

1.1　负荷识别

        负荷识别路线包括数据量测、数据处理、事件检测、特征提取、负荷辨识五个部分。其中后面三大环节是负荷识别的核心，一直以来都是研究热点。

1.2　负荷分解

        负荷分解另一种技术路线是不再包括负荷识别的几个步骤，而是用分解算法或模型替代，通常来说使用深度学习的算法来实现。有文献还提到隐马尔可夫模型和组合优化，我将其分为第三个技术路线。

1.3　组合优化和隐马尔可夫

        组合优化不建立总线特征与目标电器之间的映射关系，不需要训练，而是设计目标函数对解的匹配程度进行量化，迭代、检验最后得到最优解。隐马尔可夫模型(Hidden markov model, HMM)可以对时序数据进行建模并表征不可观测状态。

1.4　目标检测

        除了以上的三种常见技术路线外，也有文献也将NILM建模为目标检测任务。

2  何为负荷识别

        在NILM系统的典型框架中，负荷识别路线包括数据量测、数据处理、事件检测、特征提取、负荷辨识五个部分。现有的事件检测方法主要分为两类：规则检测和概率模型检测。特征提取主要分为稳态特征和暂态特征。负荷辨识主要是分类网络，一般分为传统机器学习和深度学习算法，涉及的算法有K最近邻、人工神经网络、支持向量机、决策树、稀疏编码技术等。

3 何为负荷分解

        负荷分解就是提出一个模型，这个模型表征了总负荷和目标电气之间的映射关系。深度学习神经网络具有足够强的表达能力，因此可以处理大负荷空间下的负荷分解问题。

4 何为组合优化和隐马尔可夫

        组合优化是设计目标函数对解的匹配程度进行量化，迭代、检验最后得到最优解，关键在其目标函数和寻优的逻辑。现有的寻优方法有遗传算法、粒子群优化算法、灰狼算法、鸡群算法等。但随着用电器种类的增加，出现了解的数量呈指数级上升的问题，求解效率难以得到保证；个别电器的运行数据波动较大也会导致解的不确定性增加。

        因子隐马尔可夫模型(Factor hidden markov model, FHMM)用于对所有用电器的隐藏状态进行建模。而非功率特征如用电器状态持续时间，用电器之间的依赖关系通过其他3种变型对用电器进行建模，最后将4种变型结合为负荷分解模型。随着研究的进行，基于FHMM模型及其变型的方法得到了持续关注。这类算法其不足之处是只考虑了具有开关状态的用电器，在用电器较多时，分解精度不高。

5 何为目标检测

        该方向目前研究的人不多，目前还没有比较系统的文献。基于目标检测的非侵入式负荷监测的逻辑是对总负荷的目标电器进行检测，检测到该电器出现的位置（也就是打开和关闭）。有点儿像是负荷识别中的事件检测和负荷辨识。

        之后我会针对每个技术路线，做出更详细的复现和分析。欢迎大家交流！