基于级联宽度学习与麻雀算法的非侵入式负荷分解方法

深度学习被广泛应用于非侵入式负荷分解中，其分解精度高但存在网络结构复杂、训练过程极度耗时等问题，并且对计算资源有一定要求，难以与嵌入式设备集成使用。对此，面向低频数据，提出一种基于级联宽度学习与麻雀算法的非侵入式负荷分解方法。首先，改进宽度学习特征节点的连接方式，构建各目标设备的级联宽度学习负荷分解网络。然后，通过麻雀搜索算法确定各目标设备分解网络的最优特征节点和增强节点数，实现负荷的高效分解。最后，基于实际数据集UK-DALE进行了仿真实验，通过与常用的非侵入式负荷分解方法进行比较，验证了所提方法的优越性。