其中早在上世纪80年代末，美国电科院和MIT就已经开始进行相关理论研究，代表文献为：

　　这一时期的文献与题主的思路接近，就是通过不同用电设备的功率差异进行分解，如下图所示（黎鹏. 非侵入式电力负荷分解与监测[D]. 天津: 天津大学, 2009.）。

　　据此开发了相关的非侵入式负荷监测系统。但是当负荷种类和数量较多时，负荷监测的正确率大幅下降。因此，本世纪初，研究者普遍采用增加负荷特征的方法，包括：

　　此类方法进一步提高了分解的正确率，但是当出现设备使用时间重叠等问题，或者同类设备数量过多的时候，无法保证在有效时间内进行正确分解。因此，近五年来研究的方向逐步转向采用模式识别的方法进行研究，包括采用隐马尔科夫模型及其他改进方法，通过大量的实际数据训练提高识别准确率。

　　2012年和2014年举办过两届NILM的专题学术会议，2016年5月第三届会议将在加拿大召开

　　，但是因为论文不会被EI检索，中国的研究者似乎只有中国电科院的栾文鹏老师出席，目前中国人的研究方法已经落伍于时代。

　　程序包含了4种用于非侵入式负荷监测的算法，算法的提出者如Zico Kolter，Oliver Parson等人都是目前该研究方向的主要研究人员，基本都是近几年因为在NILM方向的研究获得的博士学位，算法的内容在程序作者的大论文里都有详细介绍。

　　这些研究者的研究方法有一个共同点，就是在发开算法之前必选建立了一个实际采集的负荷数据库，相关的数据库介绍可参考Oliver Parson的博客，

　　通过这些公开数据库，其他研究者也可以用自己的新算法和目前这些公认的算法进行比较，成为标准算例，目前我国的研究氛围还远达不到公开数据和算法的程度。国内实测数据较多的是下面这篇论文

　　虽然NILM这个概念已经提出了近30年，但是随着数据科学的兴起，近几年又重新体现出实际价值，研究的方法也更加复杂多样，特征提取不过是其中一个环节，而基本的算法几乎都被尝试过（比如某位中国籍老师的研究生们将神将网络、支持向量机、马尔科夫模型、随机森林等等机器学习教材上的经典算法都拿来进行测试发表了论文，只不过这种四面张网又浅尝辄止的方法未在研究领域引起其他人的关注），研究者最好不能抱着与时代脱节的观念，否则研究出来的成果经不起实践的检验。

　　目前可以确定的一点是，这个研究方向充满了理论意义和实际意义。阿里已经跟浙江电网合作，用户可以查询自己近日的详细用电数据，与此同时阿里也获取了浙江电网低压用户的实际用电数据，只不过全国研究该方向的研究生不超过20个人，研究出有实用价值成果的可以说没有,所以我相信阿里目前还没能力通过现有电表的低频采样进行负荷分解，但是目前的研究方向已经转向低频化，更少的依赖明确的负荷特征，更多的通过机器学习算法和数据，或者说负荷的使用特性，同时算法的评价标准也可以从符合识别的准确率、种类的多少转向如何在较少的采样数据条件下完成用户的负荷特性分析，这也是我对题主的建议。

　　希望有可能的话，可以私信给我你们的联系方式（QQ或者微信之类）。因为研究这个的人越来越多了，大家可以一起集思广益

　　第二种是用类似于钳形万用表的东西(套在线外面的一个东西，可以直接测得电流电压等信息，并把数据传给处理器上)

　　大致意思就是，拿这个Qinergy，直接连接到电表上，读电表的数据; 然后给用户一张调查表，让他们输入家中使用的大功率电器。

　　经过三个星期的读数据，这个Qinergy可以准确分辨各个电器。并且把数据传给服务器。

　　用户可以通过登录网上账户查询自己的电器使用情况。而且支持三相电流的情况。

　　这图很清楚了。就是通过那个钳子传数据到中间蓝色的东西。然后这个蓝色的东西再连上网，把数据传到服务器上。就是价格贵了点。。。要438欧。。。。。。。。。

　　还有一个叫做OpenEnergyMonitor的，用的是树莓派，看介绍说是开源的(暂时没看出来有什么意义。。。)，也得200多欧。。。加一个钳子10欧。。。感觉这不是在省钱= =。。。

　　第三种，就显得高端多了。查到了好几个高洋上的。其中有TOSHIBA的PLUZZY。也得250欧。。。

　　这就有点智能的意思了。就是利用智能插座和智能家具(比如说，飞利浦公司出的一种智能灯:Philips Hue API)。

　　还有个叫做zipato的，在这基础上来添加了一个小程序，可以自己定义在不同情况下,各种插在智能插座上电器不同运行方式。

　　价格上比第二种便宜，也的的确确实现了监测数据的功能(虽然主要功能是家具智能。。。)而且目测是未来家具市场的主流。

　　但主要研究的是第一种，也就是已知总线路的数据，依靠算法来分析出支线负载的使用情况。

　　根据匿名知友(不知名的神级人物啊!!)所提供的信息，我初步看了一下非侵入式电力负荷分解。

　　居民家电能源消耗的非侵入式负载监测，其实就是: 将通到住宅的电 的电压电流 的模拟信号转成数字信号并进行处理，以检测一些参数的变化。其中，聚类分析技术(Cluster analysis technique)被用于某些类别下的 一组数据的变化量 的测量，其逻辑可被运用在识别各个设备及其所消耗的能量。

　　上图（黎鹏. 非侵入式电力负荷分解与监测[D]. 天津: 天津大学, 2009.）

　　（如转变为热能、光能或机械能）称为有功功率，用“P”表示，单位是瓦（W）。

　　它反映了交流电源在电阻元件上做功的能力大小，或单位时间内转变为其它能量形式的电能数值。

　　在交流电路中，凡是具有电感性或电容性的元件, 在通过后便会建立起电感线圈的磁场或电容器极板间的电场。

　　因此，在交流电每个周期内的上半部分（瞬时功率为正值）时间内，它们将会从电源吸收能量用建立磁场或电场；而下半部分（瞬时功率为负值）的时间内，其建立的磁场或电场能量又返回电源。

　　就是说，电源的能量与磁场能量或电场能量在进行着可逆的能量转换，而并不消耗功率。

　　为了反映以上事实并加以表示，将电感或电容元件与交流电源往复交换的功率称之为无

　　无功功率是交流电路中由于电抗性元件（指纯电感或纯电容）的存在，而进行可逆性转换的那部分电功率，它表达了交流电源能量与磁场或电场能量交换的最大速率。

　　实际工作中，凡是有线圈和铁芯的感性负载，它们在工作时建立磁场所消耗的功率即为无功功率。如果没有无功功率，电动机和变压器就不能建立工作磁场。

　　交流电源所能提供的总功率，称之为视在功率或表现功率，在数值上是交流电路中电压与电流的乘积。视在功率用S表示。单位为伏安（VA）。它通常用来表示交流电源设备（如变压器）的容量大小。

　　视在功率（S）、有功功率（P）及无功功率（Q）之间的关系，可以用功率三角形来表

　　，斜边为S。S与P之间的夹角Ф为功率因数角，它反映了该交流电路中电压与电流之间的相位差（角）。

　　第一种:ON / OFF（二态）设备，如灯泡或烤面包机。在任何给定的时刻，不是打开就是关闭状态。

　　第二种:多态设备，如洗衣机或洗碗机。ON状态明显有区别，例如，加水，漂洗，旋转等。（根据评论，现在的产品都卡在这一块上）

　　第三种: 连续可变的设备，就是那种在ON状态下，可以手动调的电器设备。这些都是难以用非侵入性监测方法来监测的。

　　状态机是表示有限个状态以及在这些状态之间的转移和动作等行为的数学模型()

　　图片很不清晰。。。只能猜测每个状态圈内，第一行是功率，但第二行是什么就不知道了（个人猜测是状态圈的编号）。。。作者的意思是说，通过仪器的模式识别的算法(个人认为这并非是神经网络的模式识别)，检测出这四种状态。

　　近期看了一点数据库，个人感觉初有小成，于是乎又重新研读了一下匿名大神的回答。

　　这些研究者的研究方法有一个共同点，就是在发开算法之前必选建立了一个实际采集的负荷数据库，相关的数据库介绍可参考Oliver Parson的博客，

　　通过这些公开数据库，其他研究者也可以用自己的新算法和目前这些公认的算法进行比较，成为标准算例，目前我国的研究氛围还远达不到公开数据和算法的程度。

　　链接：已知一段时间的总功率，能不能分辨出正在使用的电器种类？ - 匿名用户的回答

　　我稍微翻译一下Oliver Parson的那篇博客:（翻译得不太好。。。请见谅...不过感觉大致上能看得懂。。）

　　当比较 NIALM技术性能的时候，真实的数据是必要的。然而，这样的数据集是耗时，昂贵，并且常常不方便收集。为此，研究人员已经开始公开发布自己的数据集，从而使其他研究人员他们对共同已经认准的方法进行比较。下面是数据集我所知道的一些简短描述：

　　Stephen Makonin发布了Almanac of Minutely Power Data set的第一个版本。该数据集包含1分钟总线个独立电路的直线读数。每个读数包括电压，电流，频率，功率因数，有功功率，无功功率和视在功率。

　　除了对每个人所使用的每种工具进行测量，还每分钟测定一次总燃气和总水的消耗。该数据集是从一个在the greater Vancouver area, BC, Canada的家庭从2012年4月2013年3月整整一年时间内测得的。该数据集免费提供给任何人。使用者被要求输入用户名和密码，以用于使用情况跟踪的目Kaiyun 开云的。

　　该数据集从一个的美国家庭Kaiyun 开云在一段约8天的时间内采集得到，包含高频（12 kHz）的家用等级的数据。该数据集还包含了每个家庭内的电器改变状态时的一个事件清单（例如微波炉中灯亮）。这组数据收集主要是针对基于NIALM方法进行项目评估。作者设密码保护数据集的访问来跟踪其使用。

　　Pecan Street Inc已经通过Dataport initiative计划发布了大量的国内电力数据。在写这篇文章的时候，该数据已包含来自669家，其中有家庭总电电源和每个独立家电电源的以1分钟的间隔监测的数据。该装置开始于2011年1月，并且仍在收集大多数建筑物的数据。该数据是免费提供给社区WikiEnergy大学的成员，以及数据库访问完整的详细信息可以在Dataport的主页上找到。Dataport homepage.

　　Delft University of Technology（TUDelft）已经发布DRED数据集，其中包含住房等级和家电的能耗信息。现场部署由多个传感器在测量家庭用电，居民入住率和环境参数。该DRED数据集包括电量数据（总能源消耗和电器级别的能源消耗），环境信息（室级室内温度，室外温度，环境参数），占用信息（居住者的位置信息，WiFi和用于定位的BT RSSI信息）和家庭信息（户型，监控设备，家电，位置映射等）的数量。数据集是公开的，并且可以从DRED网站获得。DRED website.

　　对ECO数据集是一个对非侵入式负荷监视和占用检测研究的数据集。它历时8个月的收集了6个瑞士家庭的信息。对于每个家庭，对ECO数据集提供1赫兹总消费数据（电流，电压，和在家庭中的三相的每个相移），并从所选择的电器测量也1赫兹插件级数据。此外，该数据组还包括通过平板计算机（手动贴标）测量占用信息和无源红外传感器（在一些家庭中）。数据集中详细在BuildSys 2014年发表的一篇论文中描述。a paper

　　信息技术研究所的Indraprastha近日公布的iAWE数据集，33个家用传感器传来的总线与支线的电与天然气数据。该数据集涵盖了在印度德里的一个房子的73天。数据的每个通道可以分别在SQL或CSV格式从网页底部的下载区下载。

　　EDF在2012年公布了一组一个法国家庭4年时间所取得的数据。取这个家庭总有功功率，无功功率，电压和电流，以及3个支线电路有功功率每分钟的平均值。虽然每个电路只包含几个设备，这是在测量的持续时间方面的最大的数据集。完整的数据集是公开可从UCI Machine Learning Repository下载。

　　REDD含有在不同时间段内（几个星期和几个月之间）的6个美国家庭的家用级和电路级的数据。每个房子有两相电源输入，以及10-25单独监控电路。高频（kHz）的电流和电压数据可用于两个电源的电路，而低频功率测量（3-4秒间隔）可用于该设备的电路。此数据集收集主要是针对非基于NIALM方法的项目评估。作者使用的密码保护来跟踪其数据集的访问。

　　杰克·凯利发布的UK-DALE的第一个版本于2015年一月。该数据集包含从3个英国家庭收集的16 kHz的电流和电压的总表读数和每六秒收集的独立设备的电源数据，以及来自于另两个家庭的1个总电源和1个6秒测一次的子电源。到数据集的更新在2015年8月发布已扩大可用于住宅1-2.5年的数据。低频数据可以CSV或NILMTK HDF5格式下载，而高频数据可以FLAC file 的格式下载

　　该tracebase repository库包含独立电器的数据与训练NILM算法 (此处用到了机器学习？) 。该库共包含1883天的功率读数，对43个不同类型的158个电器每秒检测一次。由于目的是创建一个设备数据库，没有总线数据被收集。数据由Reinhardt et al. 2012等人提出。 2012年可从tracebase库tracebase repository下载。这些文件都是密码保护，但密码可以通过下载页面download page请求。

　　3.法国EDF的Individual household electric power consumption Data Set。不过对我来说用处不大，他只有总线和支线的数据。而且完全不知道支线所使用的电器。。。用来测试或者训练神经网络可能有不少的用处。

　　第三个是完全免费的。第一第二个基本能算是完全免费，需要和他们联系一下，回复邮件很快，不过写论文之类的别忘记写上他们。

　　第四个是免费提供给学生或者研究机构研究，如果是商业用途，则需要收费。看了看价格。。。还挺贵的。。。

　　因为数据收集耗时费力费钱，但仍旧有这么多人愿意免费提供给一个素不相识的人，实在是令人感动！虽然邮件里面已经感谢过了，不过在这里再次感谢Stephen Makonin, Akshay.Narashiman, Grant Fisher等!

　　国内外一些人已经把科学视作为全人类的事业了！！想想自己。。如果换做是我的话，可能目前为止还做不到这一点吧。

　　通过实时电压电流曲线，可判断瞬时功率，功率因数，容性感性负载，再取微分可判断用电设备的功率变化，取积分可采集电量，通过这些信息结合家里常用的几类用电器，我觉得应该可以判断出正在使用的设备。只要采样信息足够精确！

　　未来如果电力公司想要知道你家里的情况，完全可以通过监测你的用电数据来获知，那些说没意义的，真正知道数据的重要性吗

　　你说的问题应该是一段多个电器的功率-时间函数图像进行叠加之后，能否根据叠加后的图像再将他们分离出来。

　　理论上是可行的，这比较接近数字语音上的应用，比如人声消除，噪声消除等等。

　　我没搞过数字语音，相关领域研究我不是很清楚。不过我个人的直觉是可以提取各种电器的功率曲线的pattern，然后定义一个目标函Kaiyun 开云数来确定pattern组合的叠加图到给定的功率-时间叠加图的距离，然后用找到某个pattern组合使得这个pattern组合的叠加图与给定的图像最接近。开云体育 kaiyun.com 官网入口开云体育 kaiyun.com 官网入口开云体育 kaiyun.com 官网入口