智能电网的迅速发展,尤其是智能电表的普及,为基于智能电表的数据分析获取用户家中各电器设备启停情况以及能耗情况提供了便利。该方法通常被称为非侵入式负荷分解(Non-Intrusive Load Disaggregation,NILD)。目前研究学者大多基于高频采样下获取的负荷数据实现NILD,但是实际投产的智能电表采样频率较低,获取的负荷数据中信息量极低,难以直接对其进行分析研究。此外,智能电表数据中还含有电量信息,目前未得到充分的挖掘和利用。因而,本文将用电量信号引入到低频采样下的NILD中,重点研究了如何利用用电量信号实现对电器启停情况识别(Electrical Appliance Operation Identification,EOI),相关的研究内容如下:1.基于低频采样下负荷设备的有功-时间特性建立了负荷特征库。本文分析了低频采样下,三类典型负荷设备的有功-时间变化特点。采用近邻传播(Affinity Propagation,AP)算法提取若干典型家用负荷设备运行特征,建立了单负荷特征库。2.针对低频采样下采样曲线中信息量过低的问题,以简单情况为例,给出了一种结合用电量信号对有功功率采样曲线进行重构的方法。本文借助用电量信号估计采样间隔内实际曲线走势,依据负荷特征及拟采用的负荷分解算法对采样曲线进行重构。仿真结果表明,与经零阶保持器作用的采样曲线相比,计及用电量信号重构后的曲线更贴近实际曲线。3.结合用电量信号、电器运行特点及居民生活用电一般规律性,构建了负荷分解模型。并通过对部分约束条件进行松弛、对目标函数线性化等方式将其转为混合整数线性规划(Mixed Integer Linear Programing,MILP)问题进行求解。仿真结果表明,与传统基于整数线性规划的负荷分解算法相比,本文所提算法能够及时检测到负荷设备的投切动作;且当负荷设备在采样间隔内动作时,算法的优势显著。4.分别采用本文算法、基于整数规划算法及基于图信号处理的算法在相对复杂用电环境中对设备启停情况进行识别,并以查全率、查准率和F1值为评价标准对识别结果进行评估。结果显示,本文所提算法具有较好适应性,在不同场景中均能保持较高的识别准确性。同时,本文结合仿真实验,简要对算法的计算效率及适应性进行分析。上述的分析探讨,对于探索研究如何针对我国智能电表获取的总负荷采样数据进行非侵入式负荷分解具有一定的现实意义。