CN106600074B - 一种基于dfhsmm非侵入式电力负荷监测方法及系统 - Google Patents

Abstract

本发明于电力负荷监测领域，尤其涉及基于DFHSMM的非侵入式电力负荷监测方法及系统，本发明将DFHMM和HSMM这两种模型结合成DFHSMM模型，利用DFHSMM模型对电力负荷及其内部所含用电设备进行建模，并提供了新方法用于求解DFHSMM模型，最终实现用电设备工作状态辨识。本发明的有益效果：能够同时考虑用电设备的稳态功率特征和工作状态持续时长特征，适用于存在未建模用电设备的场合，具有较高的实用性和鲁棒性；利用负荷事件增加约束条件大幅度减少负荷监测优化模型的解空间，提高模型的求解速度；根据功率特征对用电设备进行分类，对每个用电设备集群分别求解负荷监测优化模型，提高整体的求解速度。

Description

一种基于DFHSMM非侵入式电力负荷监测方法及系统

技术领域

本发明属于电力负荷监测利用领域，尤其涉及一种基于DFHSMM非侵入式电力负荷监测方法及系统。

背景技术

电力负荷用电细节监测能够获得电力负荷内部每个或每种用电设备的使用情况。一方面，它有助于电力公司了解负荷组成及各成分的功率消耗情况，从而合理地确定系统运行方式和系统的负荷模型，提高电网的安全性和经济性；另一方面，它有助于用户了解每个或每种用电设备的使用情况，引导用户合理用电，从而减少电能消耗和消减峰荷，降低用电开支，而峰荷消减又可进一步提高电网运行的经济性。研究表明，将精细到用电设备的用电信息反馈给用户，有助于用户采取节能措施^[1,2]，能够平均减少家庭电能消耗12％^[3]。

目前，电力负荷用电细节监测技术主要分为侵入式和非侵入式两种^[4]。侵入式电力负荷监测需要为每个待监测的用电设备单独安装传感器，这种监测方式虽然准确性高，但是安装困难、经济性差、可靠性低。非侵入式电力负荷监测(Nonintrusive LoadMonitoring，NILM)仅需在电力总口处安装传感器，通过采集和分析电力总口处的电压和电流便可获取电力负荷内部每个或每种用电设备的工作状态和耗电功率等用电信息^[5]。同侵入式监测方案相比，非侵入式监测方案具有安装简便、经济性好、可靠性高、易于推广等优势。

近年来，隐式马尔可夫模型(Hidden Markov Model，HMM)^[6]及其扩展模型是NILM技术的研究热点之一。Kim等人提出使用HMM的扩展模型对用电设备建模，以考虑用电设备的稳态功率特征及非电气特征(如工作状态持续时长、使用时间以及用电设备在使用上的依赖关系)，并分别基于四种不同的HMM扩展模型建立负荷监测模型^[7]。针对求解因子隐式马尔可夫模型(Factorial Hidden Markov Model，FHMM)的通用近似推理算法易受局部最优影响的问题^[8]，Kolter等人融合加性FHMM、差分FHMM(Difference FHMM，记为DFHMM)以及“健壮混合组件”提出了AFAMAP算法^[9]，其中引入“健壮混合组件”的目的在于提高算法在特殊条件下的准确性，如存在未建模的新增用电设备或不常用的用电设备。此外，Parson等人先利用HMM对每类用电设备建立通用模型，然后在具体应用场合利用电力负荷信号将通用模型训练成具体用电设备模型，再使用扩展Viterbi算法从电力负荷功率中迭代地逐个分离出各建模用电设备的用电功率^[10]。在以HMM对电力负荷进行整体建模的情况下，Makonin等人利用电力负荷工作状态转移的稀疏性，提出稀疏Viterbi算法用于求解非侵入式电力负荷监测问题，对于解决HMM状态数随用电设备个数及状态数增加而大幅增加的问题有一定帮助^[11]。

用电设备正常运行时通常表现出非电气信号相关的全局性统计特征，例如，工作状态持续时长特征^[7,12]。通过考虑用电设备的工作状态持续时长特征，可为区分功率混叠用电设备提供一种途径，提高NILM的性能。目前，已报道的基于HMM及其扩展模型的NILM方法不是未能考虑用电设备的工作状态持续时长特征(如文献[9]、[10]、[11])，就是需要对电力负荷内部所有用电设备建模，不适用于存在未建模用电设备的场合，实用性较差(如文献[7]和[11])。

参考文献

[1]S Darby.The effectiveness of feedback on energy consumption[R].Oxford,UK:Environmental Change Institute,University of Oxford,2006.

[2]B Neenan,J Robinson.Residential electricity use feedback:aresearch synthesis and economic framework[R].Palo Alto,CA:EPRI,2009.

[3]K Ehrhardt-Martinez,K A Donnelly,D York,el at.Advanced meteringinitiatives and residential feedback programs.a meta-review for householdelectricity-saving opportunities[R].Washington,DC:ACEEE,2010.

[4]余贻鑫，刘博，栾文鹏.非侵入式居民电力负荷监测与分解技术[J].南方电网技术，2013,7(4)：1-11.

[5]G W Hart.Nonintrusive Appliance Load Monitoring[J].Proceedings ofthe IEEE,1992,80(12):1870-1891.

[6]L R Rabiner.A Tutorial on Hidden Markov Models and SelectedApplications in Speech Recognition[J].Proceedings of the IEEE,1989,77(2):257–286.

[7]H Kim,M Marwah,M Arlitt el at.Unsupervised Disaggregation of LowFrequency Power Measurements[C].SIAM Conference on Data Mining,2011:747-758.

[8]Z Ghahramani,M I Jordan.Factorial Hidden Markov Models[J].MachineLearning,1997,29(2):245-273.

[9]J Z Kolter,T Jaakkola.Approximate Inference in Additive FactorialHMMs with Application to Energy Disaggregation[C].International Conference onArtificial Intelligence and Statistics,2012:1472-1482.

[10]O Parson,S Ghosh,M Weal el at.Non-intrusive Load Monitoring usingPrior Models of General Appliance Types[C].Conference on ArtificialIntelligence,2012:356-362.

[11]S Makonin,I V.Bajic,F Popowich.Efficient Sparse Matrix Processingfor Nonintrusive Load Monitoring(NILM)[C].International Workshop on Non-Intrusive Load Monitoring,2014.

[12]Wilsun Xu,Ming Dong,P Meirael at.An Event Window Based LoadMonitoring Technique for Smart Meters[J].IEEE Transactions on Smart Grid,2012,3(2):787-796.

[13]Shun-Zheng Yu.Hidden Semi-Markov Models[J].ArtificialIntelligence,2010,174(4):215-243.

[14]S Kirkpatick,C D Gelatt,M P Vecchi.Optimization by SimulatedAnnealing[J].Science,1983,220(4598):671-680.

[15]S Makonin,F Popowich.Nonintrusive Load Monitoring(NILM)Performance Evaluation:A Unified Approach for Accuracy Reporting[J].EnergyEfficiency,2014,8(4):809-814.

[16]K Anderson,A Ocneanu,D Benitez el at.BLUED:AFully Labeled PublicDataset for Event-Based Non-Intrusive Load Monitoring Research[C].Workshop onData Mining Applications in Sustainability(SustKDD),2012.

发明内容

为要解决的上述问题，本发明将差分因子隐式马尔科夫模型^[9](DFHMM)和隐式半马尔可夫模型^[13](Hidden Semi-Markov Model，HSMM)结合成差分因子隐式半马尔可夫模型(Difference Factorial Hidden Semi-Markov Model)，记为DFHSMM，提供了一种基于DFHSMM非侵入式电力负荷监测方法及系统。该方法同时考虑用电设备的稳态功率特征和工作状态持续时长特征，并且适用于存在未建模用电设备的场合。

基于DFHSMM的非侵入式电力负荷监测方法，其特征在于，将DFHMM和HSMM结合成DFHSMM，并利用DFHSMM对电力负荷差分功率及其内部所含用电设备进行建模。

在电力负荷内部所有用电设备都已建模的情况下，基于DFHSMM的非侵入式电力负荷监测问题可建模为：

式中，M为建模用电设备个数；ΔY＝{Δy₂,Δy₃,…,Δy_T}表示电力负荷差分功率序列即观测序列，其中

表示时刻t的电力负荷差分功率，

表示实数域，D为功率信号的维数；

表示时刻t用电设备m的状态；S＝{S⁽¹⁾,S⁽²⁾,…,S^(M)}表示状态序列，其中

P(ΔY,S)表示观测序列ΔY和状态序列S的联合概率；ψ_init(S)表示整体初始状态概率；ψ_trans(S)表示整体状态转移概率(含工作状态持续时长概率密度)；ψ_obs(ΔY,S)表示整体观测概率密度；T为电力负荷功率序列的长度即为监测时间窗长度；V^(m)＝{1,2,…,K^(m)}表示用电设备m的状态集，其中状态1表示用电设备m的关闭状态，状态2,3,…,K^(m)分别表示用电设备m的K^(m)-1种工作状态。

在计及电力负荷内部存在未建模用电设备情况下，基于DFHSMM的非侵入式电力负荷监测问题可建模为：

式中，N_e为负荷事件个数；t_i表示第i个负荷事件的发生时刻，i∈{1,2,…,N_e}；t₀＝1；

表示在计及存在未建模用电设备情况下整体观测概率密度。

在计及存在未建模用电设备情况下整体观测概率密度计算式修正为

式中，

T₂＝{2,3,…,T}；T_e表示负荷事件时间集合(通常称用电设备的状态变化为负荷事件)；T_ume表示未建模负荷事件时间集合，未建模负荷事件定义为未建模用电设备引起的负荷事件和误检负荷事件的统称；P_umo定义为发生未建模负荷事件时的观测概率密度，0＜P_umo＜1；M＝{1,2,…,M}表示建模用电设备集合；

分别表示Δy_tD维高斯分布的均值和协方差；

表示用电设备m处于状态k时的功率参考值；

分别表示用电设备m从状态i转移到状态j和所有用电设备状态均不发生变化时电力负荷差分功率的协方差，C⁽⁰⁾、

均为对角阵，i,j∈V^(m)且i≠j。其中，P_umo取值不能太小，否则不能识别出实际未建模负荷事件；也不能过大，否则实际建模负荷事件会被误识别为未建模负荷事件。

根据负荷事件的定义可知，相邻两个负荷事件之间用电设备的状态保持不变，即对于任意m∈M

式中，T₁＝{1,2,…,T}；t_i、t_i+1分别表示第i个和第i+1个负荷事件的发生时刻，t_i,t_i+1∈T_e。

根据用电设备的功率特征对用电设备进行分类，将功率混叠的用电设备归为一个集群，对每个用电设备集群分别求解DFHSMM非侵入式电力负荷监测模型。分类时，对M个建模用电设备分别进行两两判断，以用电设备m1和m2为例，如果存在i1,j1∈V^(m1)(i1≠j1)、i2,j2∈V^(m2)(i2≠j2)使得

成立，则称用电设备m1和m2功率混叠，将用电设备m1和m2归为一个集群。式中，m1,m2∈M；diag(g)表示将向量变换成对角阵；g_∞表示无穷范数。

集群n的用电设备集合记为M_n，对于任意t∈T_e，如果存在m∈M_n、i,j∈V^(m)(i≠j)，使得：

成立，则认为时刻t为集群n的负荷事件发生时刻。

对于满足式(18)的不同状态序列S，在非负荷事件时刻的观测概率密度相同，即非负荷事件时刻的电力负荷差分功率对DFHSMM电力负荷监测模型的解没有影响。因此，非负荷事件时刻集群的等效电力负荷差分功率可直接取0。则集群n的等效电力负荷差分功率序列

为

式中，

表示时刻t集群n的等效电力负荷差分功率；

表示集群n的负荷事件时间集合。

利用式(21)和式(22)计算得到

和ΔY⁽ⁿ⁾后，即可求解集群n的DFHSMM电力负荷监测模型。

基于DFHSMM的非侵入式电力负荷监测方法，其特征在于，包括以下步骤：

步骤一、基于DFHSMM的电力负荷与用电设备模型训练与用电设备集群划分：利用历史用电数据训练基于DFHSMM的电力负荷与用电设备模型参数φ，并根据用电设备的功率特征对用电设备进行分类，将功率混叠的用电设备归为一个集群，用电设备集群总数为N；

步骤二、参数预设：设置监测时间窗长度T、负荷事件差分有功功率阈值ΔP_th、未建模负荷事件观测概率密度P_umo；

步骤三、电力负荷用电功率数据获取与电力负荷功率序列预处理：实时采集电力负荷用电功率数据，包括各次谐波有功功率和各次谐波无功功率，并将不同时刻采集到的各次谐波有功功率数据点和各次谐波无功功率数据点分别共同构成对应的功率时间序列，并对实时采集到的电力负荷用电功率数据进行异常值修正和滤波；

步骤四、计算电力负荷差分功率序列ΔY，检测电力负荷事件，得到负荷事件时间集合T_e：通过判断电力负荷差分有功功率的大小来检测电力负荷事件；

步骤五、令n＝1；

步骤六、在电力负荷事件检测的基础上，根据用电设备集群划分结果对于任意第n个用电设备集群，检测集群n的负荷事件，得到负荷事件时间集合

并计算集群n的等效电力负荷差分功率序列ΔY⁽ⁿ⁾；

步骤七、求解关于集群n的基于DFHSMM的非侵入式电力负荷监测模型，得到集群n的用电设备状态辨识结果；

步骤八、判断n值，若n＜N，令n＝n+1，返回执行步骤六；否则结束流程。

本发明还提供了一种基于DFHSMM的非侵入式电力负荷监测系统，其特征在于，包括模型参数训练与用电设备分类模块、参数预设模块、电力负荷用电功率数据获取与预处理模块、负荷事件检测模块、赋值模块、用电设备集群等效电力负荷差分功率序列生成模块、用电设备工作状态辨识模块、判断与跳转模块；

模型参数训练与用电设备分类模块，利用历史用电数据训练基于DFHSMM的电力负荷及用电设备模型参数，并根据用电设备的功率特征对用电设备进行分类，将功率混叠的用电设备归为一个集群。

参数预设模块，设置方法运行所需参数的初始值，包括，监测时间窗长度T、负荷事件差分有功功率阈值ΔP_th、未建模负荷事件观测概率密度P_umo。

电力负荷用电功率数据获取与预处理模块，用于实时采集电力负荷用电功率数据，包括各次谐波有功功率和各次谐波无功功率，并将不同时刻采集到的各次谐波有功功率数据点和各次谐波无功功率数据点分别共同构成对应的功率时间序列；并对实时采集到的电力负荷用电功率数据进行异常值修正和滤波；

负荷事件检测模块，通过判断电力负荷差分有功功率的大小来检测整体的负荷事件；

赋值模块，将n赋值为1；

用电设备集群等效电力负荷差分功率序列生成模块，在电力负荷事件检测的基础上，根据用电设备集群划分结果对于任意第n个用电设备集群，检测集群n的负荷事件

并计算集群n的等效电力负荷差分功率序列ΔY⁽ⁿ⁾；

用电设备工作状态辨识模块，求解第n个用电设备集群的基于DFHSMM的非侵入式电力负荷监测模型，得到第n个用电设备集群的用电设备工作状态辨识结果；

判断与跳转模块，判断n值是否小于N；若n＜N成立，令n＝n+1，跳转至用电设备工作状态辨识模块；否则，结束。

系统还包括数据传输与信息通信模块，根据需要，数据传输与信息通信模块用于系统中不同功能模块之间的数据与信息交互。

本发明有益效果是：

(1)能够同时考虑用电设备的稳态功率特征和工作状态持续时长特征，提高NILM的性能；能够适用于存在未建模用电设备的场合，具有较高的实用性和鲁棒性；

(2)利用负荷事件增加约束条件大幅度减少负荷监测优化模型的解空间，提高负荷监测优化模型的求解速度；

(3)根据功率特征对用电设备进行分类，对每个用电设备集群分别求解负荷监测优化模型，并通过检测集群负荷事件减少解空间，提高整体的求解速度。

附图说明

图1为DFHSMM非侵入式电力负荷监测模型示意图。

图2为基于DFHSMM非侵入式电力负荷监测模型的监测方法流程图。

图3为基于DFHSMM非侵入式电力负荷监测模型的监测系统结构图。

具体实施方式

下面结合附图对本发明的具体实施方式做出说明。

本发明将差分因子隐式马尔科夫模型^[9](DFHMM)和隐式半马尔可夫模型^[13](Hidden Semi-Markov Model，HSMM)结合成差分因子隐式半马尔可夫模型(DifferenceFactorial Hidden Semi-Markov Model，记为DFHSMM)，提供了一种基于DFHSMM非侵入式电力负荷监测方法及系统。该方法同时考虑用电设备的稳态功率特征和工作状态持续时长特征，并且适用于存在未建模用电设备的场合。

本发明将DFHMM和HSMM结合成DFHSMM，并利用DFHSMM对电力负荷差分功率及其内部所含用电设备进行建模，进而提供了基于DFHSMM的非侵入式电力负荷监测方法，具体技术方案如下：

隐式马尔可夫模型(Hidden Markov Model，HMM)是在马尔可夫链基础上发展起来的一种统计模型，具有双重随机过程，其中一个随机过程描述状态之间的转移规律，是不可观测的齐次马尔可夫链；另一个随机过程描述各个状态与其产生的观测之间的统计关系，是可观测的^[6]。因子隐式马尔可夫模型(Factorial Hidden Markov Model，FHMM)是HMM的扩展模型，由多个独立的HMM并行演化而来，观测取决于同一时刻所有马尔可夫链的状态^[8]。差分FHMM(Difference FHMM，记为DFHMM)是FHMM的变形，观测是FHMM观测的差分^[9]。隐式半马尔可夫模型(Hidden Semi-Markov Model，HSMM)是在HMM中引入状态驻留时长，能够对状态驻留时长显式建模^[13]。本发明将DFHMM和HSMM结合成DFHSMM，即在DFHMM的马尔可夫链中引入状态驻留时长，并利用DFHSMM对电力负荷差分功率及用电设备进行建模。

根据对隐式半马尔可夫模型(HSMM)的状态转移概率、状态驻留时长概率分布或观测概率分布作不同假设，隐式半马尔可夫模型(HSMM)具有不同的形式^[13]。本发明采用的隐式半马尔可夫模型(HSMM)具有以下假设：(1)马尔可夫链由当前状态转移到下一状态时，状态转移概率只取决于其当前所处的状态，而与当前状态驻留时长无关；(2)状态转移到自身的概率为0；(3)当前状态驻留时长取决于当前马尔可夫链所处的状态。

本发明采用的电力负荷功率信号为低频(如0.1～1Hz)、多维功率信号(如有功功率、无功功率和/或谐波功率)，且进行中值滤波预处理，以滤除用电设备的启动尖峰。对预处理后的电力负荷功率序列Y＝{y₁,y₂,…,y_T}作差分，有

Δy_t＝y_t-y_t-1，t＝2,3,…,T (1)

可得电力负荷差分功率序列ΔY＝{Δy₂,Δy₃,…,Δy_T}。式中，

表示时刻t的电力负荷功率，其中

表示实数域，D为功率信号的维数；

表示时刻t的电力负荷差分功率；T为电力负荷功率序列的长度，也即监测时间窗长度。

图1为本发明基于DFHSMM的电力负荷监测模型示意图，在基于DFHSMM的电力负荷模型中，每个已建模用电设备对应一个隐式半马尔可夫模型(HSMM)，电力负荷差分功率序列ΔY对应观测序列，模型参数及说明如下：

1)已建模用电设备的总数M。

若以用电设备1,2,…,M分别表示M个已建模的用电设备，则已建模用电设备集合可表示为M＝{1,2,…,M}。

2)用电设备状态数K＝{K^(m)}，其中K^(m)为用电设备m的状态数，m∈M。

若以状态1表示用电设备m的关闭状态，状态2,3,…,K^(m)分别表示用电设备m的K^(m)-1种工作状态，则用电设备m的状态集可表示为V^(m)＝{1,2,…,K^(m)}，工作状态集可表示为

3)用电设备状态转移概率

其中

表示用电设备m从状态i转移到状态j的概率，即

式中，

表示时刻t用电设备m的状态；i,j∈V^(m)；m∈M。

4)用电设备初始状态概率

其中

表示用电设备m初始状态为k的概率，即

式中，k∈V^(m)；m∈M。

5)用电设备工作状态持续时长Gamma分布参数

其中

分别表示用电设备m状态k持续时长Gamma分布的形状参数和尺度参数，

m∈M。

根据已有研究，本发明采用Gamma分布对用电设备的工作状态持续时长建模^[7]。假设用电设备m状态k持续时长为d的概率密度为：

式中，

Γ(·)为Gamma函数。

6)用电设备功率参考值

和电力负荷差分功率协方差

其中，

表示用电设备m处于状态k时的功率参考值，

分别表示用电设备m从状态i转移到状态j和所有用电设备状态均不发生变化时电力负荷差分功率的协方差，i,j,k∈V^(m)且i≠j，m∈M。

假设Δy_t服从D维高斯分布，不同维度之间相互独立，且均值和协方差取决于电力负荷内部用电设备的状态变化。另外，为了降低NILM解法的计算复杂度，假设任意采样间隔内至多只有一个用电设备发生状态变化，即

式中，T₂＝{2,3,…,T}。

在所有用电设备都已建模的情况下，基于DFHSMM的电力负荷模型在时刻t的观测概率密度为：

式中，t∈T₂；

分别表示D维高斯分布Δy_t的均值和协方差；C⁽⁰⁾、

均为对角阵。

一般来说，M、K可以直接确定。为了简便，将基于DFHSMM的电力负荷模型的参数记为φ＝{A,π,α,β,W,C}。φ可由历史用电数据训练得到。

在所有用电设备都建模的情况下，基于DFHSMM的电力负荷监测模型的观测序列ΔY和状态序列S的联合概率为：

P(ΔY,S)＝ψ_init(S)·ψ_trans(S)·ψ_obs(ΔY,S) (9)

式中，S＝{S⁽¹⁾,S⁽²⁾,…,S^(M)}，其中

ψ_init(S)为整体初始状态概率：

ψ_trans(S)为整体状态转移概率(含工作状态持续时长概率密度)，若令

(m∈M)，则：

式中，T₁＝{1,2,…,T}；T₃＝{1,2,…,T-1}；

表示终止于时刻_t的用电设备m状态k的持续时长。

ψ_obs(ΔY,S)为整体观测概率密度

在已知基于DFHSMM的电力负荷模型参数φ和电力负荷差分功率序列ΔY的条件下，通过选择用电设备状态序列S最大化联合概率P(ΔY,S)，找到ΔY对应的最佳用电设备状态序列S^*，即可辨识用电设备及其状态，实现电力负荷监测的目标。因此，在所有用电设备都建模的情况下，NILM问题可建模为：

通常，用电设备的状态变化被称为负荷事件。用电设备状态发生变化时，电力负荷功率随即发生相应的变化，通过分析电力负荷功率的变化情况可检测出负荷事件。本发明通过判断电力负荷差分有功功率的大小来检测负荷事件，即对于任意t∈T₂，如果

|Δy_t,P|＞ΔP_th (14)

成立，则认为时刻t为负荷事件发生时刻。式中，Δy_t,P表示Δy_t的有功功率分量；ΔP_th为负荷事件差分有功功率阈值，ΔP_th＞0。

由式(14)可得负荷事件时间集合T_e为：

T_e＝{t||Δy_t,P|＞ΔP_th,t∈T₂} (15)

在实际应用中，通常存在一些未建模的用电设备，如不感兴趣的设备或新使用的设备。定义建模负荷事件为建模用电设备引起的负荷事件，未建模负荷事件为未建模用电设备引起的负荷事件和误检负荷事件的统称。则对于给定的电力负荷差分功率序列ΔY和状态序列S，未建模负荷事件的发生时间的集合T_ume为：

为了建立计及存在未建模用电设备情况的NILM问题模型，将整体观测概率密度的计算式修正为：

式中，P_umo定义为发生未建模负荷事件时的观测概率密度，0＜P_umo＜1。P_umo取值不能太小，否则不能识别出实际未建模负荷事件；也不能过大，否则实际建模负荷事件会被误识别为未建模负荷事件。

另外，根据负荷事件的定义，相邻两个负荷事件之间用电设备的状态保持不变，即对于任意m∈M：

式中，t_i、t_i+1分别表示第i个和第i+1个负荷事件的发生时刻，t_i,t_i+1∈T_e。

由式(13)、式(17)和式(18)可得，计及存在未建模用电设备情况的NILM问题可建模为：

式中，N_e为负荷事件个数；t_i表示第i个负荷事件的发生时刻，i∈{1,2,…,N_e}；t₀＝1；

在实际应用中，负荷事件在时间上通常具有稀疏性，即N_e＜＜T。因此，利用式(18)可大幅度减小所建立的基于DFHSMM的电力负荷监测模型的解空间。

根据用电设备的功率特征对用电设备进行分类，将功率混叠的用电设备归为一个集群，对每个用电设备集群分别求解基于DFHSMM的电力负荷监测问题，并通过检测集群负荷事件减小解空间，可提高整体的求解速度。

分类时，对M个建模用电设备分别进行两两判断，以用电设备m1和m2为例，如果存在i1,j1∈V^(m1)(i1≠j1)、i2,j2∈V^(m2)(i2≠j2)使得：

成立，则称用电设备m1和m2功率混叠，将用电设备m1和m2归为一个集群。式中，m1,m2∈M；diag(g)表示将向量变换成对角阵；||g||_∞表示无穷范数。

将集群n的用电设备集合记为M_n。对于任意t∈T_e，如果存在m∈M_n、i,j∈V^(m)(i≠j)，使得下式成立，则认为时刻t为集群n的负荷事件发生时刻。

对于满足式(18)的不同状态序列S，在非负荷事件时刻的观测概率密度相同，即非负荷事件时刻的电力负荷差分功率对DFHSMM电力负荷监测模型的解没有影响。因此，非负荷事件时刻集群的等效电力负荷差分功率可直接取0。则集群n的等效电力负荷差分功率序列

为

式中，

表示时刻t集群n的等效电力负荷差分功率；

表示集群n的负荷事件时间集合。

利用式(21)和式(22)得到

和ΔY⁽ⁿ⁾后，即可求解集群n的DFHSMM电力负荷监测模型。当集群负荷事件个数较少时，可采用枚举法求解；当集群负荷事件个数较多时，可采用智能优化算法求解，如模拟退火法^[14]。

图2为基于DFHSMM的非侵入式电力负荷监测模型的监测方法流程图，本发明提供的基于DFHSMM的非侵入式电力负荷监测方法步骤如下：

步骤一、基于DFHSMM的电力负荷与用电设备模型训练与用电设备集群划分：利用历史用电数据训练基于DFHSMM的电力负荷与用电设备模型参数φ，并根据用电设备的功率特征对用电设备进行分类，将功率混叠的用电设备归为一个集群，用电设备集群总数为N；

步骤二、参数预设：设置监测时间窗长度T、负荷事件差分有功功率阈值ΔP_th、未建模负荷事件观测概率密度P_umo；

步骤三、电力负荷用电功率数据获取与电力负荷功率序列预处理：实时采集电力负荷用电功率数据，包括各次谐波有功功率和各次谐波无功功率，并将不同时刻采集到的各次谐波有功功率数据点和各次谐波无功功率数据点分别共同构成对应的功率时间序列，并对实时采集到的电力负荷用电功率数据进行异常值修正和滤波；

步骤四、计算电力负荷差分功率序列ΔY，检测电力负荷事件，得到负荷事件时间集合T_e：通过判断电力负荷差分有功功率的大小来检测电力负荷事件；

步骤五、令n＝1；

步骤六、在电力负荷事件检测的基础上，根据用电设备集群划分结果对于任意第n个用电设备集群，检测集群n的负荷事件，得到负荷事件时间集合

并计算集群n的等效电力负荷差分功率序列ΔY⁽ⁿ⁾；

步骤七、求解关于集群n的基于DFHSMM的非侵入式电力负荷监测模型，得到集群n的用电设备状态辨识结果；

步骤八、判断n值，若n＜N，令n＝n+1，返回执行步骤六；否则，结束流程。

在实际应用中，可通过连续移动监测时间窗来实现在线连续的电力负荷监测。

图3为基于DFHSMM的非侵入式电力负荷监测系统的结构图，本发明提供了一种基于DFHSMM非侵入式电力负荷监测系统，包括模型参数训练与用电设备分类模块、参数预设模块、电力负荷用电功率数据获取与预处理模块、负荷事件检测模块、赋值模块、用电设备集群等效电力负荷差分功率序列生成模块、用电设备工作状态辨识模块、判断与跳转模块；

模型参数训练与用电设备分类模块，利用历史用电数据训练基于DFHSMM的电力负荷及用电设备模型参数，并根据用电设备的功率特征对用电设备进行分类，将功率混叠的用电设备归为一个集群。

参数预设模块，设置方法运行所需参数的初始值，包括，监测时间窗长度T、负荷事件差分有功功率阈值ΔP_th、未建模负荷事件观测概率密度P_umo。

电力负荷用电功率数据获取与预处理模块，用于实时采集电力负荷用电功率数据，包括各次谐波有功功率和各次谐波无功功率，并将不同时刻采集到的各次谐波有功功率数据点和各次谐波无功功率数据点分别共同构成对应的功率时间序列；并对实时采集到的电力负荷用电功率数据进行异常值修正和滤波；

负荷事件检测模块，通过判断电力负荷差分有功功率的大小来检测整体的负荷事件；

赋值模块，将n赋值为1；

用电设备集群等效电力负荷差分功率序列生成模块，在电力负荷事件检测的基础上，根据用电设备集群划分结果对于任意第n个用电设备集群，检测集群n的负荷事件，得到负荷事件时间集合

并计算集群n的等效电力负荷差分功率序列ΔY⁽ⁿ⁾；

用电设备工作状态辨识模块，求解第n个用电设备集群的基于DFHSMM的非侵入式电力负荷监测模型，得到第n个用电设备集群的用电设备工作状态辨识结果；

判断与跳转模块，判断n值是否小于N；若n＜N成立，令n＝n+1，跳转至用电设备工作状态辨识模块；否则，结束。

系统还包括数据传输与信息通信模块，根据需要，数据传输与信息通信模块用于系统中不同功能模块之间的数据与信息交互。

本发明采用F-Measure来衡量非侵入式电力负荷监测方法的性能^[15]，计算式如下：

式中，TP表示被正确分类为正例的个数；FP表示被错误分类为正例的个数；FN表示被错误分类为负例的个数；Precision为精度；Recall为召回率；F-Measure为Precision和Recall的调和平均数。

对于二状态设备，ON状态为正例，OFF状态为负例；对于多状态设备，指定的工作状态为正例，其余状态为负例。

实施例1通过仿真数据来验证本发明方法的有效性。该实施例总监测时长为28天，总负荷功率信号为有功功率，标准差为3W，采样频率为1/3Hz，用电设备的工作状态有功功率参考值及持续时长Gamma分布参数如表1所示，选取电冰箱、家庭影院及显示器为建模用电设备，工作状态持续时长单位为分钟。辨识结果如表2所示。

表1 实施例1用电设备的工作状态有功功率参考值及持续时长Gamma分布参数^[7]

表2 实施例1辨识结果

用电设备	Precision	Recall	F-Measure
				电冰箱	100％	99.04％	99.52％
家庭影院	83.02％	82.04％	82.53％
				显示器	87.71％	93.46％	90.49％
总体	89.83％	92.27％	91.03％

从表2可以看出，本发明方法，在存在未建模用电设备(电视机)时仍然有效，即适用于存在未建模用电设备的场合；对于功率特征独特的用电设备(电冰箱)有较高的辨识准确度；能够有效辨识工作状态持续时长特征不同的功率混叠用电设备(家庭影院、显示器)。

实施例2通过实测数据来验证本发明方法的有效性。实施例采用公开BLUED数据集的A相数据^[16]，电力负荷功率信号采用有功功率和无功功率，采样频率为1/3Hz，选取电冰箱、空压机、电吹风、切碎机、后院照明及洗手间照明为建模用电设备，其中切碎机为多状态设备，有两种工作模式。辨识结果如表3所示。

表3 实施例2辨识结果

用电设备	Precision	Recall	F-Measure
				电冰箱	99.64％	94.79％	97.15％
空压机	100％	100％	100％
				电吹风	100％	100％	100％
切碎机(模式1)	71.74％	76.74％	74.16％
				切碎机(模式2)	100％	100％	100％
后院照明	100％	76.71％	86.82％
				洗手间照明	100％	100％	100％
总体	99.68％	91.36％	95.34％

在BLUED的A相中除了上述6个建模用电设备外，还存在其他用电设备，如卧室照明、楼上浴室照明。从表3可以看出，本发明方法无需对电力负荷内部所有用电设备建模仍能有效辨识其中的建模用电设备，且辨识准确度较高。

尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护范围之内。

Claims (3)

1.基于DFHSMM的非侵入式电力负荷监测方法，其特征在于，包括以下步骤：

步骤一、基于DFHSMM的电力负荷与用电设备模型训练与用电设备集群划分：利用历史用电数据训练基于DFHSMM的电力负荷与用电设备模型参数φ，并根据用电设备的功率特征对用电设备进行分类，将功率混叠的用电设备归为一个集群，用电设备集群总数为N；将DFHMM和HSMM模型结合成DFHSMM模型，并利用DFHSMM模型对电力负荷及用电设备进行建模；

电力负荷与用电设备模型参数φ＝{A,π,α,β,W,C}，各参数含义为：

用电设备状态转移概率

其中

表示用电设备m从状态i转移到状态j的概率，即

式中，

表示时刻t用电设备m的状态；i,j∈V^(m)；m∈M；

用电设备初始状态概率

其中

表示用电设备m初始状态为k的概率，即

式中，k∈V^(m)；m∈M；

用电设备工作状态持续时长Gamma分布参数

其中

分别表示用电设备m状态k持续时长Gamma分布的形状参数和尺度参数，

m∈M，

表示用电设备m的工作状态集，

用电设备功率参考值

和电力负荷差分功率协方差

其中，

表示用电设备m处于状态k时的功率参考值，

分别表示用电设备m从状态i转移到状态j和所有用电设备状态均不发生变化时电力负荷差分功率的协方差，i,j∈V^(m)且i≠j，m∈M；

其中，将功率混叠的用电设备归为一个集群，分类时，对M个已经建模的用电设备分别进行两两判断，对任意已经建模的用电设备m1和m2，如果存在i1,j1∈V^(m1)，i1≠j1，i2,j2∈V^(m2)，i2≠j2使得下式成立，则称所述用电设备m1和m2功率混叠，将所述用电设备m1和m2归为一个集群；

， 式中，m1,m2∈M；diag(·)表示将向量变换成对角阵；‖·‖_∞表示无穷范数；V^(m1)＝{1,2,…,K^(m1)}表示用电设备m1的状态集，其中状态1表示用电设备m1的关闭状态，状态2,3,…,K^(m1)分别表示用电设备m1的K^(m1)-1种“功率非零”的工作状态，V^(m2)＝{1,2,…,K^(m2)}同理；

步骤二、参数预设：设置监测时间窗长度T、负荷事件差分有功功率阈值△P_th、未建模负荷事件观测概率密度P_umo；

步骤三、电力负荷用电功率数据获取与电力负荷功率序列预处理：实时采集电力负荷用电功率数据，包括各次谐波有功功率和各次谐波无功功率，并将不同时刻采集到的各次谐波有功功率数据点和各次谐波无功功率数据点分别共同构成对应的功率时间序列，并对实时采集到的电力负荷用电功率数据进行异常值修正和滤波；

步骤四、计算电力负荷差分功率序列△Y＝{△y₂,△y₃,…,△y_T}，其中，将实时采集到的电力负荷用电功率数据进行异常值修正和滤波后得到的电力负荷功率序列记为Y＝{y₁,y₂,…,y_T}，对其进行差分，△y_t＝y_t-y_t-1，t＝2,3,…,T，得到电力负荷差分功率序列△Y；检测电力负荷事件，得到负荷事件时间集合T_e，其中，通过判断电力负荷差分有功功率的大小来检测电力负荷事件，具体为：对于任意t∈T₂＝{2,3,…,T}，如果|△y_t,P|>△P_th成立，则认为时刻t为负荷事件发生时刻，式中，△y_t,P表示△y_t的有功功率分量；△P_th为负荷事件差分有功功率阈值，△P_th>0；负荷事件时间集合T_e为：T_e＝{t||Δy_t,p|>ΔP_th,t∈T₂}；

步骤五、令n＝1；

步骤六、在电力负荷事件检测的基础上，根据用电设备集群划分结果对于任意第n个用电设备集群，检测集群n的负荷事件，得到负荷事件时间集合

并计算集群n的等效电力负荷差分功率序列△Y⁽ⁿ⁾；若将集群n的用电设备集合记为M_n，对任意t∈T_e，如果存在m∈M_n、i,j∈V^(m),i≠j，使得式

成立，则认为时刻t为集群n的负荷事件发生时刻；对于集群n的等效电力负荷差分功率序列

有

式中，

表示时刻t集群n的等效电力负荷差分功率，

表示实数域，D为功率信号的维数；

表示集群n的负荷事件时间集合，集群n的所有负荷事件发生时刻构成其负荷事件时间集合；

步骤七、求解关于集群n的基于DFHSMM的非侵入式电力负荷监测模型，得到集群n的用电设备工作状态辨识结果；基于DFHSMM的非侵入式电力负荷监测模型，在电力负荷内部所有用电设备都已建模的情况下，基于DFHSMM的非侵入式电力负荷监测问题的求解可以建模为：

max lnP(△Y,S)＝lnψ_init(S)+lnψ_trans(S)+lnψ_obs(△Y,S)

s.t.

t＝2,3,…T

t＝1,2,…T,m＝1,2,…,M，

式中，M为电力负荷内部已建模的用电设备总数；△Y＝{△y₂,△y₃,…,△y_T}表示电力负荷差分功率序列，即观测序列，其中

表示时刻t的电力负荷差分功率，

表示实数域，D为功率信号的维数；

表示时刻t用电设备m的状态；S＝{S⁽¹⁾,S⁽²⁾,…,S^(M)}表示状态序列集合，其中

P(△Y,S)表示观测序列△Y和状态序列集合S的联合概率；ψ_init(S)表示整体初始状态概率，

ψ_trans(S)表示整体状态转移概率，

表示终止于时刻t的用电设备m状态k的持续时长；ψ_obs(△Y,S)表示整体观测概率密度，

T为监测时间窗长度；V^(m)＝{1,2,…,K^(m)}表示用电设备m的状态集，其中状态1表示用电设备m的关闭状态，状态2,3,…,K^(m)分别表示用电设备m的K^(m)-1种“功率非零”的工作状态，T₁＝{1,2,…,T}，T₃＝{1,2,…,T-1}，

表示用电 设备m状态k持续时长为d的概率密度，式中，

Г(·)为Gamma函数；

基于DFHSMM的非侵入式电力负荷监测模型，在计及电力负荷内部存在未建模用电设备的情况下，基于DFHSMM的非侵入式电力负荷监测问题的求解可以建模为：

， 式中，N_e为监测时间窗内负荷事件总数；t_i表示第i个负荷事件的发生时刻，i∈{1,2,…,N_e}；t₀＝1；

表示在计及电力负荷内部存在未建模用电设备情况下的整体观测概率密度；

在计及存在未建模用电设备情况下整体观测概率密度计算式修正为：

， 式中，

T₂＝{2,3,…,T}；T_e表示负荷事件时间集合；T_ume表示未建模负荷事件时间集合，未建模负荷事件定义为未建模用电设备引起的负荷事件和误检负荷事件的统称；P_umo定义为发生未建模负荷事件时的观测概率密度，0<P_umo<1；M＝{1,2,…,M}表示已建模用电设备集合；

分别表示△y_tD维高斯分布的均值和协方差；

表示用电设备m处于状态k时的功率参考值；

分别表示用电设备m从状态i转移到状态j和所有用电设备状态均不发生变化时电力负荷差分功率的协方差，C⁽⁰⁾、

均为对角阵，i,j∈V^(m)且i≠j；

步骤八、判断n值，若n<N，令n＝n+1，返回执行步骤六；否则，结束流程。

2.根据权利要求1所述一种基于DFHSMM的非侵入式电力负荷监测方法，其特征在于，对于所述的步骤四中的负荷事件，

根据定义，相邻两个负荷事件之间用电设备的状态保持不变，即对于任意m∈M，有：

t∈T₁∩(t_i,t_i+1)， 式中，T₁＝{1,2,…,T}；t_i、t_i+1分别表示第i个和第i+1个负荷事件的发生时刻，t_i,t_i+1∈T_e。

3.基于DFHSMM的非侵入式电力负荷监测系统，用于实现权利要求1所述的基于DFHSMM的非侵入式电力负荷监测方法，其特征在于，包括模型参数训练与用电设备分类模块、参数预设模块、电力负荷用电功率数据获取与预处理模块、负荷事件检测模块、赋值模块、用电设备集群等效电力负荷差分功率序列生成模块、用电设备工作状态辨识模块、判断与跳转模块；

模型参数训练与用电设备分类模块，利用历史用电数据训练基于DFHSMM的电力负荷及用电设备模型参数，并根据用电设备的功率特征对用电设备进行分类，将功率混叠的用电设备归为一个集群；将DFHMM和HSMM模型结合成DFHSMM模型，并利用DFHSMM模型对电力负荷及用电设备进行建模；

电力负荷与用电设备模型参数φ＝{A,π,α,β,W,C}，各参数含义为：

用电设备状态转移概率

其中

表示用电设备m从状态i转移到状态j的概率，即

式中，

表示时刻t用电设备m的状态；i,j∈V^(m)；m∈M；

用电设备初始状态概率

其中

表示用电设备m初始状态为k的概率，即

式中，k∈V^(m)；m∈M；

用电设备工作状态持续时长Gamma分布参数

其中

分别表示用电设备m状态k持续时长Gamma分布的形状参数和尺度参数，

m∈M，

表示用电设备m的工作状态集，

用电设备功率参考值

和电力负荷差分功率协方差

其中，

表示用电设备m处于状态k时的功率参考值，

分别表示用电设备m从状态i转移到状态j和所有用电设备状态均不发生变化时电力负荷差分功率的协方差，i,j∈V^(m)且i≠j，m∈M；

其中，将功率混叠的用电设备归为一个集群，分类时，对M个已经建模的用电设备分别进行两两判断，对任意已经建模的用电设备m1和m2，如果存在i1,j1∈V^(m1)，i1≠j1，i2,j2∈V^(m2)，i2≠j2使得下式成立，则称所述用电设备m1和m2功率混叠，将所述用电设备m1和m2归为一个集群；

， 式中，m1,m2∈M；diag(·)表示将向量变换成对角阵；‖·‖_∞表示无穷范数；V^(m1)＝{1,2,…,K^(m1)}表示用电设备m1的状态集，其中状态1表示用电设备m1的关闭状态，状态2,3,…,K^(m1)分别表示用电设备m1的K^(m1)-1种“功率非零”的工作状态，V^(m2)＝{1,2,…,K^(m2)}同理；

参数预设模块，设置方法运行所需参数的初始值，包括，监测时间窗长度T、负荷事件差分有功功率阈值△P_th、未建模负荷事件观测概率密度P_umo；

电力负荷用电功率数据获取与预处理模块，用于实时采集电力负荷用电功率数据，包括各次谐波有功功率和各次谐波无功功率，并将不同时刻采集到的各次谐波有功功率数据点和各次谐波无功功率数据点分别共同构成对应的功率时间序列；并对实时采集到的电力负荷用电功率数据进行异常值修正和滤波；

负荷事件检测模块，通过判断电力负荷差分有功功率的大小来检测整体的负荷事件；计算电力负荷差分功率序列△Y＝{△y₂,△y₃,…,△y_T}，其中，将实时采集到的电力负荷用电功率数据进行异常值修正和滤波后得到的电力负荷功率序列记为Y＝{y₁,y₂,…,y_T}，对其进行差分，△y_t＝y_t-y_t-1，t＝2,3,…,T，得到电力负荷差分功率序列△Y；检测电力负荷事件，得到负荷事件时间集合T_e，其中，通过判断电力负荷差分有功功率的大小来检测电力负荷事件，具体为：对于任意t∈T₂＝{2,3,…,T}，如果|△y_t,P|>△P_th成立，则认为时刻t为负荷事件发生时刻，式中，△y_t,P表示△y_t的有功功率分量；△P_th为负荷事件差分有功功率阈值，△P_th>0；负荷事件时间集合T_e为：T_e＝{t||△y_t,P|>△P_th,t∈T₂}；

赋值模块，将n赋值为1；

用电设备集群等效电力负荷差分功率序列生成模块，在电力负荷事件检测的基础上，根据用电设备集群划分结果对于任意第n个用电设备集群，检测集群n的负荷事件时间集合

并计算集群n的等效电力负荷差分功率序列△Y⁽ⁿ⁾；若将集群n的用电设备集合记为M_n，对于任意t∈T_e，如果存在m∈M_n、i,j∈V^(m)，i≠j，使得式

成立，则认为时刻t为集群n的负荷事件发生时刻；对于集群n的等效电力负荷差分功率序列

有

式中，

表示时刻t集群n的等效电力负荷差分功率，

表示实数域，D为功率信号的维数；

表示集群n的负荷事件时间集合，集群n的所有负荷事件发生时刻构成其负荷事件时间集合；

用电设备工作状态辨识模块，求解第n个用电设备集群的基于DFHSMM的非侵入式电力负荷监测模型，得到第n个用电设备集群的用电设备工作状态辨识结果；基于DFHSMM的非侵入式电力负荷监测模型，在电力负荷内部所有用电设备都已建模的情况下，基于DFHSMM的非侵入式电力负荷监测问题的求解可以建模为：

max lnP(△Y,S)＝lnψ_init(S)+lnψ_trans(S)+lnψ_obs(△Y,S)

s.t.

t＝2,3,…T

t＝1,2,…T,m＝1,2,…,M，

式中，M为电力负荷内部已建模的用电设备总数；△Y＝{△y₂,△y₃,…,△y_T}表示电力负荷差分功率序列，即观测序列，其中

表示时刻t的电力负荷差分功率，

表示实数域，D为功率信号的维数；

表示时刻t用电设备m的状态；S＝{S⁽¹⁾,S⁽²⁾,…,S^(M)}表示状态序列集合，其中

P(△Y,S)表示观测序列△Y和状态序列集合S的联合概率；ψ_init(S)表示整体初始状态概率，

ψ_trans(S)表示整体状态转移概率，

表示终止于时刻t的用电设备m状态k的持续时长；ψ_obs(△Y,S)表示整体观测概率密度，

T为监测时间窗长度；V^(m)＝{1,2,…,K^(m)}表示用电设备m的状态集，其中状态1表示用电设备m的关闭状态，状态2,3,…,K^(m)分别表示用电设备m的K^(m)-1种“功率非零”的工作状态；T₁＝{1,2,…,T}，T₃＝{1,2,…,T-1}，

表示用电 设备m状态k持续时长为d的概率密度，式中，

Г(·)为Gamma函数；

基于DFHSMM的非侵入式电力负荷监测模型，在计及电力负荷内部存在未建模用电设备的情况下，基于DFHSMM的非侵入式电力负荷监测问题的求解可以建模为：

， 式中，N_e为监测时间窗内负荷事件总数；t_i表示第i个负荷事件的发生时刻，i∈{1,2,…,N_e}；t₀＝1；

表示在计及电力负荷内部存在未建模用电设备情况下的整体观测概率密度；

在计及存在未建模用电设备情况下整体观测概率密度计算式修正为：

， 式中，

T₂＝{2,3,…,T}；T_e表示负荷事件时间集合；T_ume表示未建模负荷事件时间集合，未建模负荷事件定义为未建模用电设备引起的负荷事件和误检负荷事件的统称；P_umo定义为发生未建模负荷事件时的观测概率密度，0<P_umo<1；M＝{1,2,…,M}表示已建模用电设备集合；

分别表示△y_tD维高斯分布的均值和协方差；

表示用电设备m处于状态k时的功率参考值；

分别表示用电设备m从状态i转移到状态j和所有用电设备状态均不发生变化时电力负荷差分功率的协方差，C⁽⁰⁾、

均为对角阵，i,j∈V^(m)且i≠j；

判断与跳转模块，判断n值是否小于N；若n<N成立，令n＝n+1，跳转至用电设备工作状态辨识模块；否则，结束；

还包括数据传输与信息通信模块，根据需要，数据传输与信息通信模块用于系统中不同功能模块之间的数据与信息交互。

Images