AI非侵入式负荷辨识定制：高频采样与设备指纹

在存量配电场景里加装分路互感器成本高，非侵入式负荷辨识（NILM）是硬件IoT里性价比较高的一条路径。本阶段实验聚焦采样与指纹两件事。

硬件侧做了一版 6.4 kHz 采样的单相采集模块，在设备端完成抗混叠滤波与事件触发，只在有功/无功出现阶跃时上传约 0.5 s 的波形窗口，把上行数据从持续流压到每户每天约 200 KB。算法侧不做逐点分解，而是先检事件再分类：提取启动暂态前 3 个周波的谐波包络、稳态有功无功差值与持续时间，构成设备指纹，用轻量一维卷积判别，最后用状态机约束负荷启停的时序合理性。

要点：

• 进展：自建 12 户测试台，覆盖空调、冰箱、电热水壶、洗衣机等 9 类负载。单设备事件召回约 0.93，事件级分类 F1 约 0.86；当 3 s 内多台设备同时启动时，F1 降至 0.71，叠加事件仍是主要误差来源。
• 下一步：将模型量化后部署到采集网关做 1 Hz 级在线复判，并引入电压与温漂的在线校准，观察长期漂移对指纹稳定性的影响。