Data Loading...
_深度学习在电力领域的研究现状与展望 Flipbook PDF
_深度学习在电力领域的研究现状与展望
146 Views
141 Downloads
FLIP PDF 588.79KB
上 海
第 33 卷第 4 期 2017 年 8 月
Journal
of
电
力
Shanghai
学
University
院 of
学
报
Electric
Po w er
Vol． 33，No． 4 Aug．
2017
欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟欟
DOI： 10． 3969 / j． issn． 1006 － 4729． 2017． 04． 007
深度学习在电力领域的研究现状与展望 1 1 2 曹渝昆 ，何健伟 ，鲍自安
（ 1． 上海电力学院 计算机科学与技术学院，上海 200090； 2． 华能湖南清洁能源分公司 苏宝顶风电场，湖南 洪江 418199） 摘
要： 深度学习技术，近年来已经广受学术界和工业界的关注，已在图像处理及分类，自然语言处理和生物
医疗领域中取得卓越成果． 对于存在大量高维度数据的电力领域，引入深度学习的理论具有一定的意义． 介绍 了深度学习的几个经典模型结构、工作原理，以及相关领域的部分研究成果，并围绕深度学习在电力领域中的 研究现状展开了论述，指出了存在的不足和未来研究的方向． 关键词： 深度学习； 人工智能； 电力 中图分类号： TP273． 22； TP18； TM711． 2
文献标志码： A
文章编号： 1006 － 4729（ 2017） 04 － 0341 － 05
Status Quo and Prospect of Deep Learning in Electric Power Field CAO Yukun1 ，HE Jianw ei1 ，BAO Zi’an2 （ 1． School of Computer Science and Technology，Shanghai University of Electric Power，Shanghai 200090，China； 2． Subaoding Wind Farm，HuaNeng Hunan Clear Energy Co． ， Ltd． ，Hongjiang 418199，China）
Abstract：
Deep Learning has received considerable attention from academia and industry and
has got great result in Imagine Processing，Natural Language Processing and M edical Biology． It is significant to use DL in electric pow er field，w hich involves high dimension data． The several typical models in DL are described and some background know ledge about DL is introduced． Also，the main research and application in electric field are summarized． Finally，the some existing problems of DL in electric pow er filed are expounded，and some prospects of future w ork are presented． Key words：
deep learning； artificial intelligence； electric pow er
神经网络从出现到现在， 共出现过 3 次兴起的 浪潮． 最近的一次就在 2006 年，以 HINTON G 等
战胜人类围棋高手李世石，其核心算法正是深度 学习． 从此之后，“深度学习 ”这一计算机领域的
［1］ 人 命名的一种深度信念网络的深度神经网络，可 以使用逐层贪婪训练（ Greedy Layer-wise Training）
专业名词，已变得家喻户晓． 其实在此之前，深度 学习就已经广受学术界和工业界的青睐，在许多
的策略去训练， 解决了深度神经网络在传统的随机 初始化权值方法上出现的梯度弥散问题．
传统的识别任务上取得很高的正确率 ． 在图像处理及分类方面，最为著名的是 2012
2016 年谷歌的“AlphaGo ”以 3∶ 1 时隔 10 年，
［2］ 年 KＲIZHEVSKY A 等人 利用 GPU （ 图形处理
收稿日期： 2017 － 03 － 09 通讯作者简介： 何健伟（ 1992 － ） ，男，在读硕士，广东江门人． 主要研究方向为机器学习，智能算法，电网大数据处 理技术． E-mail： homaymay123@ 126． com．
上
342
海
电
力
器） 实现了一个深度神经网络，在 ImageNet 比赛 中取得了创纪录的结果，在大规模图像分类任务 上 Top 5（ 一次同时预测 5 个结果，其中一个符合 就算预测正确 ） 分类精度达到了 84． 7% ，比第二
学
院
1． 1
学
报
2017 年
深度信念网络 常见的深度信念网络（ Deep Belief Netw orks，
DBN） ，是由多个受限玻尔兹曼机 （ Ｒestricted Bo-
名使用的 Fisher 向量编码算法要高大约 10 个百 分点． 此外，深度学习也逐渐在医学和生物认知领
ltzmann M achines，ＲBM ） 堆叠而成的． 与传统的人
域得到重视，并在医学图像的病变分类、分割、识 别等方面取得了一定的研究成果． 2015 年，新加
全局 微 调 两 部 分． 预 训 练 阶 段，通 过 以 最 小 化
［3］ 坡 GAO X 等人 结合使用卷积神经网络 （ Convolutional Neural Netw ork，CNN ） 和循环神经网络
工神经网络不同，DBN 的训练主要分为预训练和 ＲBM 网络能量为目标去预训练网络，且只使用了 输入数据，并没有使用数据对应的标签，属于无监 督学习； 而全局微调阶段，结合带标签数据，利用
（ Ｒecurrent Neural Netw orks，ＲNN ） ，基 于 眼 部 检 查图像对核性白内障严重程度进行分级，深度学
反向传播（ Back Propagation，BP） 算法对网络进行
习方法打破了该领域之前的记录． 在自然语言处 理方面，第 一 个 在 自 然 语 言 处 理 （ Natural Lan-
机初始化更好的结果
guage Processing，NLP） 任务中取得较好性能的是 COLLOBEＲT Ｒ 等人［4］开发的 SENNA，其在 POS Tagging（ 词性标注） ，Chunking（ 断句） ，Named entity recognition（ 命名实体识别 ） ，Semantic role la-
全局微调． 无监督的预训练会使得网络得到比随 ［5］
． DBN 常用于数据分类任
务． 1． 2
堆栈自动编码器 堆 栈 自 动 编 码 器 （ Stack Auto-Encoder，
beling（ 词义角色标注 ） 等 4 个典型自然语言处理 问题上取得的性能都与当时最好的系统相当 ．
SAE） ，与 DBN 结构相仿，不同的是组成的子单元
在电力行业， 关于深度学习的研究与应用已经 初现端倪． 本文在概述深度学习的主要思想方法和
示．
是多个自动编码器． 自动编码器的结构如图 2 所
经典模型的基础上， 介绍深度学习在电力行业的一 些研究现状以及应用例子， 并综合以上的内容提出 深度学习在电力行业中的一些研究展望．
1
深度学习的主要思想及网络模型 深度学习本质上就是具有多层隐藏层的神经
网络，是一种特定类型的机器学习，通过将世界表 示为由较简单概念定义复杂概念，从一般抽象到 高级抽象的嵌套概念体系以获得极大的能力和灵 活性，优点就是免除了人工选取特征的繁琐过程 以及高维数据所具有的“维度灾难 ”． 深度神经网 络一般分为 3 类，如图 1 所示．
图2
单层自动编码器模型
自编码器的结构可视为 3 层的神经网络结 构，即输入层、隐藏层、输出层，其中输入层和输出 层的神经元的个数相同． 通常会在自动编码器的 基础上加上一些约束，比如，隐层神经元数量应小 于输入层的神经元数量； 或者在隐层神经元数量 图1
深度学习的一般分类
下面将逐一简单介绍几个比较经典的深度学 习网络模型．
大于输入层神经元数量的时候加入稀疏性限制， 保证隐层神经元在大多数情况下处于被抑制的状 态．
曹渝昆，等： 深度学习在电力领域的研究现状与展望
1． 3
再经 层进一步降维． 经过多次的卷积和次采样层后， 过全连接层到达网络输出．
卷积神经网络 CNN 被广 作为深度学习中最常用的网络模型，
泛用于图像处理以及分类识别方面的各大国际比赛 中， 这归功于其特殊的网络设计． CNN 由卷积层和次 利用多个卷积核 采样层交叉堆叠而成． 前向计算时， 对输入的数据进行卷积运算， 生成多个特征图， 特征 图的维度对比输入维度已有所下降， 再通过次采样
图3
1． 4
343
［6］ 图 3 是香港中文大学的 SUN Y 开发的学习 人脸特征的 CNN 图，该 CNN 的网络名为 DeepID，
用于图像分类． 由图 3 可以看到， 在全连接层的后面 紧接多元分类层，在人脸验证试验中该方法的正确 率为 97． 45% ， 原作者进一步改进了 CNN， 最终得到 了 99． 15% 的正确率．
DeepID 网络结构
究与应用还处于萌芽阶段． 近年来，相关的研究虽 然不多，但也存在一些成功的例子． 研究的重点主
循环神经网络
循环神 经 网 络 （ Ｒecurrent Neural Netw orks， ＲNN） 已经在众多 NLP 中取得了巨大成功并得到
要在电力设备的故障诊断、新能源发电机的出力 预测与缺陷检测、电网的维修以及改造领域．
广泛应用． 与 SAE，DBN，CNN 不同，ＲNN 专门用 于序列数据，其结构如图 4 所示． 与传统的神经网
2． 1
络模型不同，ＲNN 的每层隐藏层神经元之间都存 在连接关系． 该结构的具体作用表现为网络会对 前面的信息进行记忆并应用于当前的输出，因此 特别适合于序列类型数据． 此外，ＲNN 和 CNN 结 合使用，可以处理样本之间的相关性问题 ．
电力设备的故障诊断 电力设备种类繁琐，其中不乏一些结构复杂
且至关重要的设备，如发电机、变压器等． 一般的 电力设备故障诊断手段采用合适的智能算法，通 过采集设备的相关特征量作为训练集合，然后输 入到合适的算法模型中，经过训练后，得出最终的 判断模型，用于检测． 智能算法包括支持向量机、 BP 神经网路、决策树以及一些经过辅助算法优化 后的神经网络算法． 而深度学习可以利用电力工 业中大量无标签的数据，对深度神经网络进行更 好的权值初始化． ［7］
石鑫等人
结合电力变压器在线监测油中溶
解气体分析数据，提出了基于分类深度自编码网 络的变压器故障诊断方法，实验表明，该方法与基 图4
ＲNN 网络结构
于 BP 神 经 网 络 和 支 持 向 量 机 （ Support Vector M achine，SVM ） 的故障诊断方法相比，正确率更
深度学习在电力行业的研究现状
高； 石鑫等人
虽然深度学习已经在图像识别以及自然语言
的分类模型，并利用 Iris（ 鸢尾花卉数据集 ） 等经
处理等方面取得重大突破，但其在电力行业的研
典数据集对分类性能进行测试，以此为基础，结合
2
［8］
基于 DBN 构建了深度信念网络
上
344
海
电
力
学
院
学
报
2017 年
变压器的溶解气体分析 （ Pissolved Gas Analysis，
权值 ； 然后 通 过 BP 算 法 微 调 网 络 参 数 ，取 得 训
DGA） 数据，提出了基于 DBN 的变压器故障分类
练样本到 无 缺 陷 模 板 之 间 的 映 射 关 系 ； 最 后 利
新方法． 测试结果显示，该方法适用于变压故障分
用重构图 像 与 缺 陷 图 像 之 间 的 对 比 关 系 ，实 现
类，具有较强的从样本中提取特征的能力和容错
测试样本 的 缺 陷 检 测 ． 该 文 提 出 的 方 法 及 模 型
特性，且性能优于 BP 神经网络和支持向量机．
在较低像 素 级 别 的 图 像 处 理 下 ，平 均 每 幅 图 像
TAM ILSELVAN P 等人［9］ 基于 DBN 建立了 一个设备健康状态估计的模型，并通过飞机发动 机和电力变压器的故障诊断两个工程实例，对比 支持向量机、二值神经网络、自组织映射网络等算 ［10］
法，DBN 的分类正确率最高． 林锦波
结合聚类
融合和深度学习算法的稀疏自编码器对 6 500 家 工业用户用电负荷进行电负荷的模式识别，对比 BP 神经网络、随机森林算法和支持向量机，该方 法的测试集准确率和预测集准确率均为最高 ． 图 5 为一个电力变压器的故障诊断系统， 利用
的检测时 间 为 0． 151 s，速 度 较 快 ，但 仍 存 在 不 足 ，该方法面对百万像素级别图片时 ，对网络的 训练将造成挑战 ． ZHAO Z 等人［12］ 提出一个基于深度分类神 经网络（ Deep Classify Neural Netw ork，DCNN） 的 绝缘子状态判别方法，利用了文献［13］中基于中 层特征构建红外图像中绝缘子定位的方法，并采 用了 AlexNet 的模型． 实验结果显示，平均故障分 类准确率由 91． 83% 提升至 98． 71% ，测试结果远 超 BoF（ Bag of Feature） 等人工提取特征． ［14］
刘志浩等人
基于文献［15］提出了一种基
无标签数据对网络进行逐层贪婪无监督预训练，再
于回归的 深 度 学 习 目 标 检 测 算 法 ，针 对 河 南 省
利用少量的带标签数据，结合 BP 算法进行网络权
10 kV 的电力线路电线杆的图像数据 集 进 行 电
值的微调， 最后输入测试集以测试模型的精确率．
线杆的定 位 以 及 分 类 ，构 建 对 应 的 卷 积 神 经 网
SAE 和 DBN 模型均可以进行无监督的预训练，而
络进行训练并测试 ，最终获得 98． 77% 最高定位
两者进行无监督预训练的训练策略有所不同，DBN
准确率及 59% 的电 线 杆 分 类 检 测 准 确 率 ． 其 分
是以最小化 ＲBM 的网络能量作为训练目标，而
类检测率 虽 不 如 定 位 准 确 率 高 ，但 也 基 本 能 满
SAE 则是以最小化重构误差为目标．
足电线杆 勘 察 的 实 际 需 求 ，提 高 了 农 网 改 造 的 工作效率 ． 2． 3
风电的负荷预测 风电，作为国家大力扶持的新能源之一 ，其出
力的不稳定，一直给稳定性要求极高的电网并网 带来一定的影响． 我国对风电功率的预测研究仍 处于初步研究阶段． 国内的研究对未来 48 h 的行 风速和功率预测的研究误差为风电场总装机容量 的 18% ～ 25% 左右，可见风电的短期功率预测在 图5
2． 2
电力变压器故障诊断系统
电力行业的图像处理
预测精度以及方法上还有提升的空间 ． ［16］
潘志刚
通过 DBN 深度学习模型对数值天
气预测（ Numerical Weather Prediction，NWP） 数据 进行校正，把校正后的数据结合风场记录的历史
深度学习最初广泛应用于图像的识别处理以
风速风向及出力数据，建立基于 DBN 的风力功率
及分类，电力行业也有不少任务需要其强大的图
预测模型，图 6 为该模型的预测流程． 实验结果表
像处理的能力．
明，单一模型下，DBN 模型比 SVM 模型和自回归 ［11］
王宪保等人
提出一种基于深度学习的太
移 动 平 均 （ Auto Ｒegressive Integrated M oving
阳能电池 片 表 面 缺 陷 检 测 方 法 ，该 方 法 首 先 根
Average，AＲIM A） 模型效果要好； 而在混合模型
据样本特征建立 DBN，并训练获取网络的 初 始
中，DBN 和 AＲIM A 模型的预测模型效果最好．
曹渝昆，等： 深度学习在电力领域的研究现状与展望
SOGABE T［17］等人建立了一个基于深度学习 的 ＲNN-LSTM 模型，通过对 20 万条 （ 每条记录采 集间隔 5 min） 一维的基于时间序列的单人家户用 得到了较好的用电量预测 电量的数据处理与训练， 结果． 文 献［18］基 于 标 准 的 LSTM （ Long Short Term Memory） 模型和 LSTM -S2S 模型进行电力负 荷预测； 文献［19］采用两种不同的深度神经网络， 对需求侧的短期负荷预测进行建模， 其中一种是包 含 ＲBM 的预训练， 另一种是以受限线性单元（ Ｒectified Linear Unit， ＲeLU） 函数为激活函数的不含预 训练的神经网络，并对比浅层神经网络，AＲIMA， 双 季 三 次 指 数 平 滑 法 （ Double Seasonal HoltWinter， DSHW） 等 3 种传统的负荷预测方法， 其中含 无监督预训练的 DBN 模型获取到最好成 绩． 文 献［20］通过结合启发式的模糊算法和深度学习算 法， 利用 GPU 对大规模的时间序列预测进行研究， 并利用普通家庭用电量作为数据集对模型进行训练 并评估， 取得较好的预测结果和更快的训练速度．
345
［3］ GAO X，LIN S，WONG T． Automatic feature learning to grade nuclear cataracts based on deep learning ［J］． IEEE Transactions on Biomedical Engineering，2015，62 （ 11 ） ： 2 693-2 701． ［4］ COLLOBEＲT Ｒ，WESTON J，BOTTOU L，et al． Natural language processing （ almost ） from scratch［J］． Journal of 2011， 12（ 1） ： 2 493-2 537． Machine Learning Ｒesearch， ［5］ EＲHAN D，BENGIO Y，COUＲVILLE A，et al． Why does unsupervised pre-training help deep learning？ ［J］． Journal of 2010， 11（ 3） ： 625-660． Machine Learning Ｒesearch， ［6］ SUN Y，WANG X，TANG X． Deep learning face representation from predicting 10，000 classes［C］/ / IEEE Conference on Computer Vision and Pattern Ｒecognition． IEEE Computer Society， 2014： 1 891-1 898． ［7］ 石鑫，朱永利，宁晓光，等． 基于深度自编码网络的电力变 压器故障诊 断［J］． 电 力 自 动 化 设 备，2016，36 （ 5 ） ： 122126． ［8］ 石鑫，朱永利，王刘旺，等． 基于深度信念网络的电力变压 器故障分类建模［J］． 电力系统保护与控制，2016 （ 1） ： 7176． ［9］ TAMILSELVAN P，WANG P． Failure diagnosis using deep belief learning based health state classification［J］． Ｒeliability 2013， 115（ 7） ： 124-135． Engineering ＆ System Safety， ［10］ 林锦波． 聚类融合与深度学习在用电负荷模式识别的应用
图6
3
结
基于 DBN 的风电功率预测流程
语
在我国大力发展新能源的背景下，深度学习 可以结合自身特征提取以及模型拟合方面的优 势，针对时下抑制新能源发展的问题 ，如风力发电 中弃风率高、调峰能力不足、新能源汽车充电桩地 点设置分布等问题，做出一个科学的决策方案． 另外，还可以利用深度学习在机器学习及人 工智能方面的优点，结合电网中庞大的用户数据， 分析用户的用电行为，从而针对特殊用户制定出 对应的用电鼓励政策，提高电网的收益，减少调峰 的压力； 通过分析用户的数据，鉴别出部分窃电的 用户并作出相应处理，提高电网的收益．
2014． 研究［D］． 广州： 华南理工大学， ［11］ 王宪保，李洁，姚明海，等． 基于深度学习的太阳能电池片 表面 缺 陷 检 测 方 法［J］． 模 式 识 别 与 人 工 智 能，2014， 27（ 6） ： 517-523． ［12］ ZHAO Z，XU G，QI Y，et al． Multi-patch deep features for pow er line insulator status classification from aerial images ［C］/ / International Joint Conference on Neural Netw orks． IEEE， 2016： 3 187-3 194． ［13］ ZHAO Z，LIU N，WANG L． Localization of multiple insulators by orientation angle detection and binary shape prior know ledge［J］． IEEE Transactions on Dielectrics and Electrical Insulation， 2015， 22（ 6） ： 3 421-3 428． ［14］ 刘志浩， 冯柳平，曹晓鹤． 基于深度学习的电线杆检测方法 ［J］． 北京印刷学院学报， 2016，（ 6） ： 44-47． ［15］ ＲEDMON J，DIVVALA S，GIＲSHICK Ｒ，et al． You only look once： unified，real-time object detection［C］/ / Proceedings of the IEEE Conference on Computer Vision and Pattern Ｒecognition． 2016： 779-788．
参考文献： ［1］ HINTON G，SALAKHUTDINOV Ｒ． Ｒeducing the dimensionality of data w ith neural netw orks［J］． Science， 2006， 313 （ 7） ： 504-507． ［2］ KＲIZHENVSKY A，SUTSKEVEＲ I，HINTON G． ImageNet
［16］ 潘志刚． 基于深度学习网络的风电场功率预测研究及应用 ［D］． 上海： 上海电机学院， 2016． ［17］ SOGABE T，ICHIKAWA H，SAKAMOTO K，et al． Optimization of decentralized renew able energy system by w eather forecasting and deep machine learning techniques［C］/ / Inno-
classification w ith deep convolutional neural netw orks［C］/ /
vative Smart Grid Technologies-Asia （ ISGT-Asia ） ． IEEE，
Advances in neural information processing systems． 2012：
2016： 1 014-1 018．
1 097-1 105．
（ 下转第 361 页）
汪四仙，等： 非侵入式电力负荷监测技术研究 IEEE Proc． ， 1992（ 80） ： 1 870-1 891． ［7］ COLLINS K，MALLICK M ，VOLPE G，et al． Smart energy
361
［17］ KOLTEＲ J Z，JOHNSON M J． ＲEDD： a public data set for energy disaggregation research［C］/ / Proceedings of 1st KDD
monitoring and management system for industrial applications
Workshop on Data Mining Applications in Sustainability，San
［C］/ / Electrical Pow er and Energy Conference， 2012 IEEE．
2011． Diego，CA，USA，
London： IEEE， 2012： 92-97． ［8］ SUZUKI K，INAGAKI S，SUZUKI T，et al． Non-intrusive
［18］ ANDEＲSON K，OCNEANU A，BENITEZ D，et al． BLUED： a fully labeled public dataset for event-based non-intrusive
appliance load monitoring based on integer programming
load monitoring research ［C］/ / Proceedings of end KDD
［C］/ / Int． Conference on Instrumentation，Control and Infor-
Workshop on Data Mining Applications in Sustainability，Bei-
mation Technology，Tokyo，Japan， 2008： 2 742-2 747． ［9］ MAＲCHIOＲI A，HAKKAＲINEN D，HAN Q，et al． Circuit-
jing，China， 2012： 12-16． ［19］ BAＲKEＲ S，MISHＲA A，IＲWIN D，et al． Smart* ： an open
level load monitoring for household energy management［J］．
data set and tools for enabling research in sustainable homes
2011（ 10） ： 40-48． IEEE Pervas Computer，
［C］/ / Proceedings of end KDD Workshop on Data Mining
［10］ KATO T，CHO H S，LEE D． Appliance recognition from e-
Applications in Sustainability，Beijing，China， 2012．
lectric current signals for information-energy integrated net-
［20］ ZIMMEＲMANN J P，EVANS M ，GＲIGGS J，et al． House-
w ork in home environments［C］/ / Proceedings of the 7th In-
hold electricity survey： a study of domestic electrical product
ternational Conference on Smart Homes and Health Telemat2009： 150-157． ics，Tours，France， ［11］ 王志超． 住宅用电负荷的非侵入式监测方法研究［D］． 重 2015． 庆： 重庆大学， ［12］ KIM Frequency H，MAＲWAH M ，AＲLITT M ，et al． Unsu-
usage［Ｒ］． Technical Ｒeport 866141，DEFＲA，May 2012． ［21］ BATＲAL N，KELLYZ J，PAＲSON O，et al． NILMTK： an open source toolkit for non-intrusive load nonitoring［J］． Future Energy Systems， 2014（ 4） ： 265-276． ［22］ HOLCOMB C． Pecan Street Inc： a test-bed for NILM［C］/ /
pervised disaggregation of low pow er measurements［C］/ / On
International Workshop on Non-Intrusive Load Monitoring，
data mining Mesa，AZ，USA，Proceedings of the 11th SIAM
Pittsburgh，PA，USA， 2012．
2011： 28-30． International Conference， ［13］ KOLTEＲ J Z，JAAKKOLA T． Approximate inference in additive factorial HMMs w ith application to energy disaggregation［J］． Mach Leran． Ｒes， 2012（ 22） ： 1 472-1 482． ［14］ MAＲTINS J F，LOPES Ｒ，LIMA C，et al． A novel nonintrusive load monitoring system based on the S-transform［C］/ / Optimization of Electrical and Electronic Equipment （ OPTIM ） ，2012 /13th International Conference on． IEEE，2012： 973-978． ［15］ 黎鹏． 非侵入式 电 力 负 荷 分 解 与 监 测［D］． 天津： 天 津 大 2009． 学，
［23］ ZEIFMAN M ． Disaggregation of home energy display data using probabilistic approach［C］/ / IEEE Traps． Consum． Electron， 2012： 23-31． ［24］ LIANG J ，NG S，KENDALL G，et al． Load signature study Part I： Basic concept，structure methodology［J］． IEEE Trans． Pow er Del， 2010， 25（ 2） ： 551-560． ［25］ KOLTEＲ J Z，BATＲA S，NG A Y． Energy disaggregation via discriminative sparse coding［C］/ / Internation Conference on Neural Information Processing Systems，2010： 1 1531 161．
（ 编辑
白林雪）
［16］ 牛卢璐， 贾宏杰． 一种适用于非侵入式负荷监测的暂态事 2011， 35（ 9） ： 30-35． 件检测算法［J］． 电力系统自动化，
櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅 side short term load forecasting［J］． Energies， 2016， 10（ 1） ： 3． （ 上接第 345 页） ［18］ MAＲINO D L，AMAＲASINGHE K，MANIC M ． Building
［20］ COELHO V N，COELHO I M ，ＲIOS E，et al． A hybrid deep
energy load forecasting using deep neural netw orks［C］/ / In-
learning forecasting model using gpu disaggregated function
dustrial Electronics Society． IECON 2016-42nd Annual Con-
evaluations applied for household electricity demand forecas-
2016： 7 046-7 051． ference of the IEEE． IEEE，
ting［J］． Energy Procedia， 2016， 103： 280-285．
［19］ ＲYU S，NOH J，KIM H． Deep neural network based demand
（ 编辑
桂金星）