零基础实战：基于SVM的智能“用电器识别”神器，到底是怎么炼成的？

不知道大家有没有想过这样一个场景：不需要在每个家用电器上都安装传感器，仅仅在入户的总电表处装一个小盒子，就能精准识别出家里现在是开了空调、还是在用微波炉，甚至能统计它们的耗电量 。这就是目前非常火的非侵入式负荷监测（NILM）技术 ！传统的监测方案成本高昂且布线复杂 ，而今天，我们将手把手教你如何用机器学习算法（SVM），亲手打造一个平均识别准确率高达90%的智能用电器识别装置 。无论你是硬件小白还是算法新手，跟着这篇干货，带你理清从“硬件采集”到“算法识别”的完整通关逻辑！

目录

1.NILM理论基础与关键技术

1.1非侵入式负载监控基本原理

​编辑1.2 选取那些负荷特征

线索一：稳态特征（电器平稳运行时的“指纹”）

线索二：暂态特征（开关瞬间的“微表情”）

1.3选取那些负荷特征

2.SVM家用电器识别模型

3.NILM分类实现代码

4.代码分析

4.1. 预期运行结果分析

4.2. 算法与数据处理流程拆解

A. 数据生成与事件检测 (Steps 1 & 2)

B. 核心电气特征提取 (Step 3)

C. SSA 优化 SVM 分类器 (Step 4 & 5)

4.3. 代码的可视化价值

1.NILM理论基础与关键技术

1.1非侵入式负载监控基本原理

就像世界上没有两片完全相同的树叶，不同的家用电器在工作时，它们对电能的“吃法”也是完全不一样的 。我们的监测装置，实际上就是在收集这些电器的“用电指纹” 。

根据内部工作原理，家里的电器大概可以分为三大门派，它们的“指纹”特征各不相同 ：

• “直来直去”的纯电阻派（如：白炽灯、电热水器、电饭煲）： 这类电器的原理很简单，就是通电发热 。它们的脾气非常直，通电瞬间唰的一下就进入稳定工作状态了，响应速度极快 。它们几乎只消耗“有功功率”（实实在在干活的电），功率因数接近于完美的“1” 。

• “内功深厚”的电磁感应派（如：电风扇、空调、洗衣机）： 这类设备里都有电机，靠电磁感应转动 。它们在工作时，不仅消耗干活的“有功功率”，还会产生很大一部分“无功功率”（在电网里来回跑、建立磁场但不直接做功的电） 。它们的功率因数通常在0到1之间波动 。

• “心思缜密”的复杂电子派（如：电脑、电视屏幕）： 这类电器里面装满了开关电源和非线性元件，它们吃电的方式最复杂，不仅有基础的功率变化，还会给电网的波形带来一些特殊的改变 。

具体实现方法就是在用户的电表处安装一个NILM模块，通过测量用户电表处的电气量，从而将总的负荷进行分解，估计出各个用电设备的运行状态和损耗状态

非侵入式负荷辨识技术在识别过程中，所需的负荷特征信息涵盖有功功率、无功功率、电流时域波形、相谱等各类与用电设备运行相关的电气特性数据，这类信息统一被称作负荷特征量。

负荷特征量是用于表征负荷属性的信号，按照用电设备不同的运行特点，可将其分为瞬态负荷特征量与稳态负荷特征量 。其中，瞬态负荷特征量主要体现负荷在启停、工作状态切换等暂态过程中的电气参数突变特性，稳态负荷特征量则主要反映负荷在持续稳定运行阶段的电信号变化规律。

非侵入式负荷辨识（Non-Intrusive Load Monitoring, NILM）的核心原理，是对用户电力总入口处的电压、电流等混合电气信号进行解析，进而分解与识别各类用电设备的工作状态。该技术的数学基础可概括为总功率信号的叠加模型 ，具体如下：

其中，P₀表示总功率信号，Pi表示第i类电器的功率分量，包含噪声干扰项

非侵入式负荷分解是通过总用电信号实现能耗拆分与设备状态识别的方法。其核心思路是在分析总负荷波动的基础上，捕捉设备启停等关键事件，再以事件驱动方式将混合用电信号分解为各设备的用电曲线与工作状态序列，具体流程如下：

1.2 选取那些负荷特征

简单来说，非侵入式负荷分解（NILM）就像是一个“听音辨人”的电力大侦探。

想象一下，你站在一个喧闹的房间门外，只通过听门里传出的总声音（家里的总电表数据），就能精准地分辨出张三在咳嗽、李四在唱歌、王五在拉椅子（家里各个电器开启、运行、关闭的状态和耗电量）。

这种方法的好处是“非侵入式”——你不需要在每个电器插头上都安装单独的电表，只看总电表的变化就能破案。

这位“大侦探”破案主要靠两大类线索：稳态特征（平稳时的长相）和暂态特征（动作瞬间的小习惯）。

线索一：稳态特征（电器平稳运行时的“指纹”）

当电器已经打开，正在平稳、持续地工作时（比如空调一直吹着冷风），它的耗电状态基本不变（波动在5%以内）。这时候，侦探会提取它的“静态指纹”。

侦探主要看这几个指标：

• 有功功率与无功功率： 有功功率就是电器“干实事”消耗的电；无功功率就像是倒啤酒时产生的“泡沫”，虽然不解渴但必须有。有些电器耗电量差不多，光看功率分不出谁是谁，侦探就会把这俩组合起来，算出一个叫“功率因数”的指标来区分它们。

有功功率：

无功功率：

功率因数：

• 消除量纲（归一化）： 为了把大个子和小个子放在一起公平比较，侦探会用统计学公式（比如 把数据标准化。

        其中特征均值，为标准差。

• 谐波污染： 侦探会用一种叫“傅里叶变换”的魔法放大镜，把杂乱的电流拆解成一个个基础“音符”。每个电器发出的“和弦”（频域特征）都是独一无二的。

式中，c0为直流分量，cm、mw、φ分别为各次谐波的幅值、角频率与相位角参数。

• 家庭负荷曲线： 就像人的步态一样，电热毯（纯发热）和洗衣机（带电机）工作时的电压-电流轨迹完全不同。抓住这个轨迹，就能更准地认出电器。

线索二：暂态特征（开关瞬间的“微表情”）

电器在“刚打开”或“刚关上”的那零点几秒，会产生一个非常短暂但剧烈的变化，这就是暂态。就像汽车刚点火时会有一声巨大的“轰鸣”。

因为这种“轰鸣”非常短促且特征极强，所以特别好认。

侦探如何捕捉这些微表情？

• 抓切入点： 侦探使用一种叫 CUSUM 的敏感算法，专门盯着电表。一旦发现电量变化超过了设定的界限（阈值），就判定：“有人按开关了！”

• 算动作时间： 这个开关动作持续了多久？数学公式很简单，就是结束时间减去开始时间，即 

• 抓最高峰值： 在启动的这一瞬间，电流飙升到的最高点是多少？（比如老式电视机开机瞬间电流极大）

在该公式当中，符号i（k）代表着电器负荷暂态过程所引发的电流序列，参数N则是这个序列所包含的数据点总数。

1.3选取那些负荷特征

我们选取四种负荷，吸尘器、电吹风、电脑、微波炉，这四种负荷的U-I曲线图如下所示：

通过归一化后的V-I轨迹曲线，可以得到以下的主要特征量：形状特征、幅值特征、相位特征、谐波特征等。

2.SVM家用电器识别模型

支持向量机（SVM）依托结构风险最小原理构建，将间隔最大化作为核心学习准则，算法本质属于求解凸二次规划的优化方法。该算法依靠与分类平面相近的少量支持向量搭建分类边界或超平面，仅需少量样本信息就能得出当前条件下的最优解，既规避了神经网络易出现的样本量不足、易陷入局部最优的问题，也具备出色的泛化能力。

在二维特征空间中，存在一组可由超平面完整划分的数据点集 S，该集合包含 n 个二维样本，可表示为 S={(x₁,y₁),(x₂,y₂),…,(xₙ,yₙ)}。其中每个样本的特征向量 xᵢ属于二维欧氏空间（xᵢ∈R²），对应的类别标签 yᵢ仅取 + 1 或 – 1。在可视化展示时，红色标记代表正类样本，蓝色标记则对应负类样本（yᵢ=-1）。这种颜色标注方式直观反映了数据集的线性可分特性，即存在一条直线可将红色正样本与蓝色负样本的分布区域完全分隔。

假设数据集（X1，Y1）,（X2，Y2）…（Xn，Yn）如下式子：

Y表示样本类别，如下式所示：

由此可以推出

此时，各点到分界线的距离

基于结构风险最小化与间隔最大化策略，模型优化函数如下所示

标准支持向量机仅适用于数据线性可分的场景，而现实中的数据大多不具备线性分布的特征。针对非线性分类问题，常规的处理思路是将数据进行升维，在更高维度的空间中构建分离超平面。由于无法对无穷多的特征组合进行完整枚举，该方法的本质是把数据隐式映射到高维空间，让数据在高维空间中实现线性可分，再直接在原始空间中求解出最优超平面。

3.NILM分类实现代码

import numpy as np
import pandas as pd
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score, train_test_split
from sklearn.metrics import accuracy_score, confusion_matrix
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt
import seaborn as sns
import warnings

# 设置 seaborn 美观的主题和调色板
sns.set_theme(style="whitegrid", palette="muted")
plt.rcParams['font.sans-serif'] = ['Fangsong'] # 解决中文显示问题 (如有)
plt.rcParams['axes.unicode_minus'] = False # 解决负号显示问题

warnings.filterwarnings('ignore')

# ==========================================
# 步骤 1: 数据准备 (模拟单家庭用电负荷数据)
# ==========================================
def generate_simulated_data(n_events=400):
"""
生成模拟的家庭用电总负荷序列，包含4类典型家电的投切事件。
同时也返回电器参数字典，用于后续可视化。
"""
np.random.seed(42)
window_size = 60 # 每个事件分配60个采样点的时间窗口
total_length = n_events * window_size
total_power = np.zeros(total_length)
true_event_indices = []
labels = []

# 定义4种电器的电气参数 (稳态功率, 暂态方差, 暂态时长, 谐波系数)
appliances = {
0: {'name': 'Fridge', 'P': 150, 'var': 15, 'trans_len': 5, 'harm': 0.05},
1: {'name': 'AC', 'P': 1500, 'var': 100, 'trans_len': 12, 'harm': 0.20},
2: {'name': 'WashingMachine', 'P': 500, 'var': 200, 'trans_len': 15, 'harm': 0.35},
3: {'name': 'Lighting', 'P': 60, 'var': 2, 'trans_len': 2, 'harm': 0.01}
}

for i in range(n_events):
app_id = np.random.choice([0, 1, 2, 3])
labels.append(app_id)
start_idx = i * window_size
event_idx = start_idx + 10 # 设定事件在窗口的第10个采样点发生
true_event_indices.append(event_idx)

# 生成基础白噪声
segment = np.ones(window_size) * 10 + np.random.normal(0, 2, window_size)
app = appliances[app_id]

# 1. 加入稳态功率阶跃
segment[10:] += app['P']
# 2. 加入暂态波动
trans_end = 10 + app['trans_len']
segment[10:trans_end] += np.random.normal(0, app['var'], app['trans_len'])
# 3. 加入模拟谐波分量
t = np.arange(window_size)
segment += app['harm'] * app['P'] * np.sin(2 * np.pi * 0.15 * t)

total_power[start_idx:start_idx + window_size] = segment

return total_power, true_event_indices, labels, appliances

# ==========================================
# 步骤 2: 负荷分解与事件检测
# ==========================================
def detect_events_and_segment(total_power, true_indices, true_labels):
"""
使用一阶差分阈值法检测功率阶跃事件，并截取对应的负荷片段
"""
# 计算功率差分
diff_power = np.diff(total_power)
# 设定阈值检测事件 (照明最低为60W，阈值设为30W)
peaks = np.where(diff_power > 30)[0]

# 简单的事件去重
detected_events = []
last_peak = -100
for p in peaks:
if p – last_peak > 40:
detected_events.append(p)
last_peak = p

segments = []
valid_labels = []

# 将检测到的事件与真实标签对齐并切片
for det_idx in detected_events:
distances = [abs(det_idx – te) for te in true_indices]
min_idx = np.argmin(distances)
if distances[min_idx] < 5: # 允许的检测误差范围
# 截取事件发生前10点到发生后50点的片段
seg = total_power[max(0, det_idx – 10):min(len(total_power), det_idx + 50)]
if len(seg) == 60:
segments.append(seg)
valid_labels.append(true_labels[min_idx])

return segments, valid_labels

# ==========================================
# 步骤 3: 特征提取
# ==========================================
def extract_features(segments):
"""
从每个负荷片段中提取核心电气特征
特征包含：有功功率均值变化、功率方差、暂态时长、谐波幅值估算
"""
features = []
for seg in segments:
pre_event = seg[0:10] # 投切前稳态
transient = seg[10:25] # 暂态区间
post_event = seg[25:60] # 投切后稳态

# 特征1: 有功功率变化量 (Delta P)
delta_P = np.mean(post_event) – np.mean(pre_event)

# 特征2: 暂态功率方差
power_var = np.var(transient)

# 特征3: 暂态时长 (功率收敛至稳态均值±5%所需的时间)
steady_mean = np.mean(post_event)
settled_condition = np.abs(transient – steady_mean) < 0.05 * steady_mean
if np.any(settled_condition):
trans_duration = np.where(settled_condition)[0][0]
else:
trans_duration = len(transient)

# 特征4: 谐波幅值 (利用FFT提取)
fft_vals = np.abs(np.fft.fft(post_event – np.mean(post_event)))
harm_amp = np.mean(fft_vals[1:6])

features.append([delta_P, power_var, trans_duration, harm_amp])

return np.array(features)

# ==========================================
# 步骤 4: 麻雀搜索算法 (SSA) 优化 SVM
# ==========================================
def ssa_optimize_svm(X_train, y_train, bounds, pop_size=15, max_iter=30, dim=2):
"""
实现麻雀搜索算法，寻找SVM的最佳惩罚系数C和核参数gamma
"""
lb = np.array([b[0] for b in bounds])
ub = np.array([b[1] for b in bounds])

# 定义目标函数
def objective(params):
C, gamma = params
model = SVC(C=C, gamma=gamma, kernel='rbf')
scores = cross_val_score(model, X_train, y_train, cv=3)
return -scores.mean()

# 初始化种群
X = np.random.uniform(lb, ub, (pop_size, dim))
fitness = np.array([objective(x) for x in X])

pBest = np.copy(X)
pBestFitness = np.copy(fitness)
gBestIdx = np.argmin(fitness)
gBest = np.copy(X[gBestIdx])
gBestFitness = fitness[gBestIdx]

pNum = int(pop_size * 0.2) # 发现者比例 20%
SD = int(pop_size * 0.2) # 警戒者比例 20%

for t in range(max_iter):
sort_idx = np.argsort(fitness)
X_best = X[sort_idx[0]]
X_worst = X[sort_idx[-1]]

# 1. 更新发现者
for i in range(pNum):
if np.random.rand() < 0.8: # 安全值 ST=0.8
X[sort_idx[i]] = X[sort_idx[i]] * np.exp(-i / (np.random.rand() * max_iter))
else:
X[sort_idx[i]] = X[sort_idx[i]] + np.random.randn() * np.ones(dim)
X[sort_idx[i]] = np.clip(X[sort_idx[i]], lb, ub)

# 2. 更新加入者
for i in range(pNum, pop_size):
if i > pop_size / 2:
X[sort_idx[i]] = np.random.randn() * np.exp((X_worst – X[sort_idx[i]]) / (i ** 2))
else:
A = np.random.choice([-1, 1], size=dim)
A_plus = A / dim
X[sort_idx[i]] = X_best + np.abs(X[sort_idx[i]] – X_best) * A_plus
X[sort_idx[i]] = np.clip(X[sort_idx[i]], lb, ub)

# 3. 更新警戒者
scout_idx = np.random.choice(pop_size, SD, replace=False)
for i in scout_idx:
if fitness[i] > gBestFitness:
X[i] = gBest + np.random.randn() * np.abs(X[i] – gBest)
else:
K = np.random.uniform(-1, 1)
X[i] = X[i] + K * (np.abs(X[i] – X_worst) / (fitness[i] – fitness[sort_idx[-1]] + 1e-8))
X[i] = np.clip(X[i], lb, ub)

# 4. 评估并更新全局最优
for i in range(pop_size):
fitness[i] = objective(X[i])
if fitness[i] < pBestFitness[i]:
pBestFitness[i] = fitness[i]
pBest[i] = np.copy(X[i])
if fitness[i] < gBestFitness:
gBestFitness = fitness[i]
gBest = np.copy(X[i])

return gBest, -gBestFitness

# ==========================================
# 步骤 5: 主流程 – 模型训练与验证
# ==========================================
def main():
print(">>> 1. 正在生成模拟单家庭总负荷数据…")
total_power, true_indices, true_labels, appliances = generate_simulated_data(n_events=400)
print(f"— 生成总数据点数: {len(total_power)}, 包含事件数: {len(true_labels)}\\n")

# >>> 【可视化 1】: 绘制总负荷数据及真实事件标记 <<<
print(">>> [可视化] 绘制前20个事件的总负荷数据及真实事件标签…")
# 仅绘制前20个窗口的数据
plot_samples = 20 * 60
plot_time = np.arange(plot_samples)
plot_power = total_power[:plot_samples]
plot_indices = [idx for idx in true_indices if idx < plot_samples]

plt.figure(figsize=(14, 6))
plt.plot(plot_time, plot_power, label='Total Power', color='cornflowerblue', alpha=0.8)
# 使用散点图标记事件，不同颜色表示不同电器
event_colors = sns.color_palette("husl", 4)
for i, idx in enumerate(plot_indices):
label_id = true_labels[true_indices.index(idx)]
app_name = appliances[label_id]['name']
plt.scatter(idx, total_power[idx], color=event_colors[label_id], s=120, edgecolors='black', zorder=5,
label=app_name if i < 4 else "")

# 整理图例 (只显示前4个，避免重复)
handles, labels = plt.gca().get_legend_handles_labels()
by_label = dict(zip(labels, handles))
plt.legend(by_label.values(), by_label.keys(), title="Appliance Type")

plt.title('Simulated Total Household Power Load and Identified Events (First 20 Events)')
plt.xlabel('Time (Samples)')
plt.ylabel('Power (W)')
plt.tight_layout()
plt.show()

print(">>> 2. 执行事件检测与负荷片段拆分…")
segments, valid_labels = detect_events_and_segment(total_power, true_indices, true_labels)
print(f"— 成功检测并截取有效负荷片段数量: {len(segments)}\\n")

# >>> 【可视化 2】: 绘制各类电器的典型负荷片段暂态 <<<
print(">>> [可视化] 绘制各类电器的典型负荷片段及暂态过程…")
# 找到每一类的第一个有效样本用于绘图
sample_indices = []
sample_labels = []
found_labels = set()
for i, label_id in enumerate(valid_labels):
if label_id not in found_labels:
sample_indices.append(i)
sample_labels.append(label_id)
found_labels.add(label_id)
if len(found_labels) == 4:
break

# 将找到的样本按标签ID排序，确保Fridge在第一个
sorted_idx_label = sorted(zip(sample_indices, sample_labels), key=lambda x: x[1])
sample_indices, sample_labels = zip(*sorted_idx_label)

fig, axs = plt.subplots(2, 2, figsize=(12, 10), sharex=True)
plot_colors = sns.color_palette("muted", 4)
for i, (ax, seg_idx, label_id) in enumerate(zip(axs.ravel(), sample_indices, sample_labels)):
seg = segments[seg_idx]
app_name = appliances[label_id]['name']
t = np.arange(-10, 50) # 事件点为0
ax.plot(t, seg, label=f'{app_name}', color=plot_colors[i], lw=2)
ax.axvline(0, color='gray', linestyle='–', alpha=0.7)
ax.set_title(f'Typical Load Segment: {app_name} (Event at t=0)')
ax.set_ylabel('Power (W)')
ax.grid(True, linestyle='-', alpha=0.5)

fig.text(0.5, 0.04, 'Time relative to Event (Samples)', ha='center', fontsize=12)
plt.suptitle('Typical Transient Power Shapes for Four Appliances', fontsize=15)
plt.tight_layout(rect=[0, 0.05, 1, 0.96])
plt.show()

print(">>> 3. 进行关键电气特征提取…")
X = extract_features(segments)
y = np.array(valid_labels)

# 数据标准化 (SVM对量纲敏感)
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# >>> 【可视化 3】: 绘制标准化特征空间的散点图矩阵 <<<
print(">>> [可视化] 绘制特征空间的数据分布散点图矩阵…")
feature_names = ['Delta P', 'Power Var', 'Trans Duration', 'Harm Amp']
df_scaled = pd.DataFrame(X_scaled, columns=feature_names)
df_scaled['Appliance'] = [appliances[l]['name'] for l in y]

# 使用 pairplot 观察两两特征之间的关系
sns.pairplot(df_scaled, hue='Appliance', palette='viridis', diag_kind='kde', corner=True)
plt.suptitle('Pairwise Feature Distribution for Scaled NILM Data', y=1.02, fontsize=15)
plt.show()

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

print(">>> 4. 启动 SSA 算法优化 SVM 超参数…")
bounds = [(0.1, 100), (0.001, 10)]
best_params, best_cv_acc = ssa_optimize_svm(X_train, y_train, bounds, pop_size=12, max_iter=25, dim=2)
best_C, best_gamma = best_params
print(f"— SSA 优化完成！最佳参数组合: C = {best_C:.4f}, gamma = {best_gamma:.4f}")
print(f"— 训练集上的最佳交叉验证准确率: {best_cv_acc * 100:.2f}%\\n")

print(">>> 5. 基于最优参数重训模型并验证测试集…")
final_svm = SVC(C=best_C, gamma=best_gamma, kernel='rbf')
final_svm.fit(X_train, y_train)
y_pred = final_svm.predict(X_test)

acc = accuracy_score(y_test, y_pred)
cm = confusion_matrix(y_test, y_pred)

print("=" * 40)
print(f"最终负荷识别准确率 (Accuracy): {acc * 100:.2f}%")
print("混淆矩阵 (Confusion Matrix):")
df_cm = pd.DataFrame(cm,
index=['True_冰箱', 'True_空调', 'True_洗衣机', 'True_照明'],
columns=['Pred_冰箱', 'Pred_空调', 'Pred_洗衣机', 'Pred_照明'])
print(df_cm)
print("=" * 40)

# >>> 【可视化 4】: 绘制分类混淆矩阵热力图 <<<
print(">>> [可视化] 绘制混淆矩阵热力图…")
# 使用真实的英文电器名称作为标签
class_names = [appliances[i]['name'] for i in range(4)]
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', cbar=False,
xticklabels=class_names, yticklabels=class_names)
plt.title('Confusion Matrix: SSA-SVM NILM Classification')
plt.xlabel('Predicted Appliance')
plt.ylabel('True Appliance')
plt.tight_layout()
plt.show()

if __name__ == "__main__":
main()

4.代码分析

4.1. 预期运行结果分析

基于代码中设定的模拟参数，可以预见该模型的最终分类准确率将会非常高（极大概率接近或达到 100%）。以下是具体的原因分析：

• 数据区分度极高： 代码中设定的四种电器在稳态功率 ($\\Delta P$) 上有显著差异：空调 (1500W) > 洗衣机 (500W) > 冰箱 (150W) > 照明 (60W)。仅凭有功功率变化量这一维特征，就几乎足以将四个类别完美区分。

• 多维特征互补： 除了稳态功率，代码还提取了暂态方差、暂态时长和估算谐波幅值。例如，洗衣机的暂态方差最大（200），且谐波系数最高（0.35）；而照明设备的暂态几乎不存在（方差为2，时长为2）。这些物理特征在特征空间中会形成四个距离极远、互不交叉的簇。

• 事件检测零遗漏： 一阶差分阈值设定为 30W，而最小的阶跃事件（照明）为 60W。在设定的白噪声水平下（正态分布，标准差为2），背景噪声的波动远低于 30W 的阈值，因此所有的投切事件都会被准确捕捉，不会产生假阳性 (False Positives) 或假阴性 (False Negatives)。

在代码最后输出的混淆矩阵 (Confusion Matrix) 中，对角线上的数值将占据绝大多数甚至全部，而非对角线上的数值将接近于 0。

4.2. 算法与数据处理流程拆解

A. 数据生成与事件检测 (Steps 1 & 2)

代码通过叠加白噪声、稳态阶跃、暂态正态波动和正弦谐波，成功模拟了真实世界中电器的投切过程。

• 事件检测方法： 使用了一阶差分法。这是一种经典且计算开销极小的边缘检测方法，非常适合处理信噪比较高的负荷阶跃。

B. 核心电气特征提取 (Step 3)

这一步是整个 NILM 系统的核心。代码提取了 4 个物理意义明确的特征：

C. SSA 优化 SVM 分类器 (Step 4 & 5)

标准的 SVM 模型对超参数非常敏感。

• 为什么用 SSA？ 传统的网格搜索 (Grid Search) 耗时较长。麻雀搜索算法 (SSA) 作为一种新兴的群智能优化算法，通过模拟麻雀的觅食和反捕食行为（发现者、加入者、警戒者），能够在连续的超参数空间中快速寻优。

• 优化目标： 寻找最佳的惩罚系数 $C$（控制容错率）和径向基核函数参数 $\\gamma$（控制单个样本的影响范围），以最大化 3 折交叉验证的准确率。

4.3. 代码的可视化价值

代码中设计了四个非常高质量的可视化环节，它们在实际的数据科学项目中至关重要：

3.特征散点矩阵 (Pairplot)： 降维展示了特征工程的有效性。在预期输出中，不同颜色的数据点（代表不同电器）会在不同的特征组合下形成界限分明的聚类。

4.混淆矩阵热力图： 最终直观呈现分类模型的评估结果，能够快速看出模型在哪些类别上容易发生混淆（尽管在此模拟中混淆概率极低）。