CN108830499B - 一种非侵入式负荷分解方法及系统 - Google Patents

Abstract

本发明公开一种非侵入式负荷分解方法及系统，方法包括：获取各负荷处于稳定状态时的电流数据；将所述电流数据量化分析，建立量化监测值的概率分布；根据所述概率分布识别各所述负荷状态；将各所述负荷状态进行组合，构成组合状态；根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联性，创建马尔可夫模型；将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；根据所述压缩后的稀疏矩阵结合数据查询算法和改进的维特比算法分解出各负荷所处于的运行状态。本发明中的上述方法及系统能够实现对家庭负荷准确分解，减少负荷分解时的数据存储量和计算量。

Description

一种非侵入式负荷分解方法及系统

技术领域

本发明涉及电力系统负荷分解领域，特别是涉及一种非侵入式负荷分解方法及系统。

背景技术

电力负荷分解是智能用电领域的一个重要研究方向，对于国家，电网公司和电力用户都有重要意义。随着用户节能意识逐渐提高，迫切需要一种途径能够得到家庭内部各负荷具体的耗能信息，进而采取合理的节能措施，目前用户只能通过智能电子表了解家庭整体的能源消耗信息。而这种监测方式需要大量硬件设备，在采购、安装、维护时都需要耗费大量的成本。因此，非侵入式负荷分解应运而生。非侵入式负荷分解是指仅在电力系统的总端安装监测装置，通过采集总端的电气参数，分析得到系统内各负荷的含量和状态，变相实现对系统内每类负荷的状态监测，是基于电力复合入口处的电压，电流及功率的变化信息进行分解。目前很多分解方法需要以高频采样策略不间断的捕捉各负荷信息变化，存在设备昂贵，自身耗能高，准确率不够等缺点。

发明内容

本发明的目的是提供一种非侵入式负荷分解方法及系统，实现对家庭负荷准确分解，减少负荷分解时的数据存储量和计算量。

为实现上述目的，本发明提供了如下方案：

一种非侵入式负荷分解方法，所述方法包括：

获取各负荷处于稳定状态时的电流数据；

将所述电流数据量化分析，建立量化监测值的概率分布；

根据所述概率分布识别各所述负荷状态，具体包括：

获取单个量化检测值的概率p(n)，n为量化监测值；

判断p(n)-p(n+1)以及p(n)-p(n-1)是否大于0，得到第一判断结果，若第一判断结果表示p(n)-p(n+1)以及p(n)-p(n-1)大于0时，p(n)为极大值；

当p(n)为极大值时，判断p(n)是否大于e，得到第二判断结果，当第二判断结果表示p(n)大于e时，则表示识别到负荷的一个状态e表示测量误差；

将各所述负荷状态进行组合，构成组合状态，具体包括：

W＝k⁽¹⁾k⁽²⁾k⁽³⁾...k^(M)其中W为组合状态，M为负荷总数，k^(M)为第M个负荷，将组合状态按照以下公式进行索引：

S为索引号，K⁽ⁱ⁾为第i个负荷具有量化状态总数，M为负荷总数，k^(m)为第m个负荷的量化状态索引；

根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联性，创建马尔可夫模型；

所述创建马尔可夫模型具体包括：

λ＝{P₀,A,B}

其中，λ为马尔可夫模型，P₀为初始时刻各组合状态的额定概率构成的长度为T的行向量，A为T×T的状态转移矩阵，T表示T个组合状态，B为T×N的发射矩阵，N为可能得到的量化监测值的个数；

A[i,j]＝P{S_t＝j|S_t-1＝i}

B[j,n]＝P{y_t＝n|S_t＝j}

S_t为t时刻的组合状态，y_t为t时刻的量化监测值，A[i,j]表示在t-1时刻组合状态为i的条件下，t时刻组合状态为j的概率；B[j,n]表示t时刻组合状态为 j的条件下，实际监测到的量化监测值为n的概率；

将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；

根据所述压缩后的稀疏矩阵结合数据查询算法和改进的维特比算法分解出各负荷所处于的运行状态。

可选的，所述获取各负荷处于稳定状态时的电流数据具体包括：

通过为各负荷配备传感器来获取各负荷处于稳定状态时的电流数据。

可选的，所述将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量具体包括：

1)创建一个空的行向量V以及用于计数的变量r＝0；

2)获取马尔可夫模型中的稀疏矩阵；

3)从第0列开始判断所述稀疏矩阵中的元素值是否为正数，得到第三判断结果，当第三判断结果表示所述元素值为正数时，将所述元素值添加到所述行向量V中；

4)若第三判断结果表示所述元素值不是正数时，变量r计数加1，直到读取到下一个正数或矩阵末尾，取r的负值添加到所述行向量V中；

5)重复所述步骤3)和步骤4)直到所述稀疏矩阵数据读取结束。

可选的，所述数据查询算法具体包括从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据和从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据；

所述从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据具体包括：

创建变量a＝0和包含两个列向量的矩阵H；

从0开始读取所述行向量V中的数据；

判断所述数据是正数还是负数，得到第五判断结果，当第五判断结果表示所述数据为负数时，将所述读取到的数据取绝对值加给所述变量a，之后判断变量a是否满足a＜T×(i+1)，得到第六判断结果，若第六判断结果表示变量a满足a＜T×(i+1)时，继续从行向量V中读取数据，当a≥T×(i+1)时，数据读取结束；

当第五判断结果表示所述数据为正数时，变量a加1，之后判断变量a是否满足a＞T×i且a≤T×(i+1)，得到第八判断结果，若第八判断结果表示变量a满足a＞T×i且a≤T×(i+1)时，表示所述数据在所述稀疏矩阵中的(a-T×i-1)行i 列，将(a-T×i-1)和所述数据添加到所述矩阵H中；

继续从V中读取数据，直到a≥T×(i+1)；

所述从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据具体包括：

创建变量b＝0；

从首元素开始读取所述行向量V中的数据；

判断所述数据是正数还是负数，得到第九判断结果，若第九判断结果表示所述数据为负数时，取所述负数的绝对值加给所述变量b,判断变量b是否满足b≥T×j+i+1，得到第十判断结果，若第十判断结果表示变量b是否满足 b≥T×j+i+1时，所求i行j列的数据为0；

若第九判断结果表示所述数据是正数时所述变量b加1，进一步判断所述变量b是否满足b＝T×j+i+1，若变量b满足b＝T×j+i+1，所述正数为所求i行j 列的数据。

可选的，所述改进的维特比算法具体包括：

P_t[j]为t时刻为组合状态j的概率，A[i,j]表示在t-1时刻组合状态为i的条件下，t时刻组合状态为j的概率；B[j,y_t]表示t时刻组合状态为j的条件下，实际监测到的量化监测值为y_t的概率，P₀为初始时刻各组合状态的额定概率构成的长度为T的行向量。

本发明还另外提供一种非侵入式负荷分解系统，所述系统包括：

电流数据获取模块，用于获取各负荷处于稳定状态时的电流数据；

概率分布获取模块，用于将所述电流数据量化分析，建立量化监测值的概率分布；

负荷状态获取模块，根据所述概率分布识别各所述负荷状态；

组合状态获取模块，将各所述负荷状态进行组合，构成组合状态；

马尔可夫模型获取模块，用于根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联性，创建马尔可夫模型；

压缩向量获取模块，用于将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；

运行状态获取模块，用于根据所述压缩后的稀疏矩阵结合数据查询算法和改进的维特比算法分解出各负荷所处于的运行状态。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明中的非侵入式负荷分解方法，只需要根据稳态电流的前一抽样时刻的量化监测值和当前抽样时刻的量化监测值，不需要预调整器；通过采用改进后的维特比算法来分解出各负荷的运行状态，大大提高了分解的准确率。有效减少分解器成本，适合面向家庭用户推广，对全社会节能环保，科学用电有重要意义。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例非侵入式负荷分解方法流程图；

图2为本发明实施例非侵入式负荷分解系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种非侵入式负荷分解方法，实现对家庭负荷准确分解，减少负荷分解时的数据存储量和计算量。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例非侵入式负荷分解方法流程图，如图1所示，所述方法包括：

步骤101：获取各负荷处于稳定状态时的电流数据；

步骤102：将所述电流数据量化分析，建立量化监测值的概率分布；

步骤103：根据所述概率分布识别各所述负荷状态；

步骤104：将各所述负荷状态进行组合，构成组合状态；

步骤105：根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联性，创建马尔可夫模型；

步骤106：将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；

步骤107：根据所述压缩后的稀疏矩阵结合数据查询算法和改进的维特比算法分解出各负荷所处于的运行状态。

具体的，步骤101中是通过为各负荷配备传感器来获取各负荷处于稳定状态时的电流数据。

具体的，步骤103中根据所述概率分布识别各所述负荷状态具体包括：

获取单个量化检测值的概率p(n)，n为量化监测值；

判断p(n)-p(n+1)以及p(n)-p(n-1)是否大于0，得到第一判断结果，若第一判断结果表示p(n)-p(n+1)以及p(n)-p(n-1)大于0时，p(n)为极大值；

当p(n)为极大值时，判断p(n)是否大于e，得到第二判断结果，当第二判断结果表示p(n)大于e时，则表示识别到负荷的一个状态，e表示测量误差；

具体的，步骤104中，将各所述负荷状态进行组合，构成组合状态，具体包括：

将各所述负荷状态进行组合，构成组合状态，具体包括：

W＝k⁽¹⁾k⁽²⁾k⁽³⁾...k^(M)其中W为组合状态，M为负荷总数，k^(M)为第M个负荷，将组合状态按照以下公式进行索引：

S为索引号，K⁽ⁱ⁾为第i个负荷具有量化状态总数，M为负荷总数，k^(m)为第m个负荷的量化状态索引。

具体的，步骤105中，根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联性，创建马尔可夫模型，具体包括：

λ＝{P₀,A,B}

其中，λ为马尔可夫模型，P₀为初始时刻各组合状态的额定概率构成的长度为T的行向量，A为T×T的状态转移矩阵，T表示T个组合状态，B为T×N的发射矩阵，N为量化监测值的个数；

A[i,j]＝P{S_t＝j|S_t-1＝i}

B[j,n]＝P{y_t＝n|S_t＝j}

S_t为t时刻的组合状态，y_t为t时刻的量化监测值，A[i,j]表示在t-1时刻组合状态为i的条件下，t时刻组合状态为j的概率；B[j,n]表示t时刻组合状态为 j的条件下，实际监测到的量化监测值为n的概率。

具体的步骤106中，将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量具体包括：

1)创建一个空的行向量V以及用于计数的变量r＝0；

2)获取马尔可夫模型中的稀疏矩阵；

3)从第0列开始判断所述稀疏矩阵中的元素值是否为正数，得到第三判断结果，当第三判断结果表示所述元素值为正数时，将所述元素值添加到所述行向量V中；

4)若第三判断结果表示所述元素值不是正数时，变量r计数加1，直到读取到下一个正数或矩阵末尾，取r的负值添加到所述行向量V中；

5)重复所述步骤3)和步骤4)直到所述稀疏矩阵数据读取结束。

具体的，步骤107中，数据查询算法具体包括：

从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据和从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据；

所述从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据具体包括：

创建变量a＝0和包含两个列向量的矩阵H；

从首元素开始读取所述行向量V中的数据；

判断所述数据是正数还是负数，得到第五判断结果，当第五判断结果表示所述数据为负数时，将所述读取到的数据取绝对值加给所述变量a，同时判断变量a是否满足a＜T×(i+1)，得到第六判断结果，若第六判断结果表示变量a满足a＜T×(i+1)时，继续从行向量V中读取数据，当a≥T×(i+1)时，数据读取结束；

当第五判断结果表示所述数据是正数时，变量a加1，同时判断变量a是否满足a＞T×i且a≤T×(i+1)，得到第八判断结果，若第八判断结果表示变量a满足a＞T×i且a≤T×(i+1)时，表示所述数据在所述稀疏矩阵中的(a-T×i-1)行i 列，将(a-T×i-1)和所述数据添加到所述矩阵H中；

继续从V中读取数据，直到a≥T×(i+1)；

所述从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据具体包括：

创建变量b＝0；

从首元素开始读取所述行向量V中的数据；

判断所述数据是正数还是负数，得到第九判断结果，若第九判断结果表示所述数据为负数时，取所述负数的绝对值加给所述变量b,判断变量b是否满足b≥T×j+i+1，得到第十判断结果，若第十判断结果表示变量b满足 b≥T×j+i+1时，所求i行j列的数据为0；

若第九判断结果表示所述数据是正数时，所述变量b加1，进一步判断所述变量b是否满足b＝T×j+i+1，若变量b满足b＝T×j+i+1，所述正数为所求i行 j列的数据。

改进的维特比算法具体包括：

设y_t-1和y_t分别为t-1和t时刻总电流的量化监测值，监测到y_t-1时，组合状态索引j的概率可以由以下公式得出：

y_t-1为t时刻总电流的量化监测值，B[j,y_t-1]为通过数据查询算法获得的非0 数据，因此，就避免了对零元素不必要的计算，减少了计算量，提高了计算准确度；P₀为初始时刻各组合状态的额定概率构成的长度为T的行向量，P_t-1[j]为 t-1时刻组合状态为j的概率。

进一步的，可得出t时刻为组合状态j的概率，

P_t[j]为t时刻为组合状态j的概率，A[i,j]表示在t-1时刻组合状态为i的条件下，t时刻组合状态为j的概率；B[j,y_t]表示t时刻组合状态为j的条件下，实际监测到的量化监测值为y_t的概率，P₀为初始时刻各组合状态的额定概率构成的长度为T的行向量。

图2为本发明实施例一种非侵入式负荷分解系统结构图，所述系统包括：

电流数据获取模块201，用于获取各负荷处于稳定状态时的电流数据；

概率分布获取模块202，用于将所述电流数据量化分析，建立量化监测值的概率分布；

负荷状态获取模块203，根据所述概率分布识别各所述负荷状态；

组合状态获取模块204，将各所述负荷状态进行组合，构成组合状态；

马尔可夫模型获取模块205，用于根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联性，创建马尔可夫模型；

压缩向量获取模块206，用于将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；

运行状态获取模块207，用于根据所述压缩后的稀疏矩阵结合数据查询算法和改进的维特比算法分解出各负荷所处于的运行状态。

具体的，设一个家庭内部有三个负荷，分别为电灯、电视、电磁炉，耗能信息如表1所示

表1

家庭允许最大的总电流值为10A，将监测数据量化到0.1A，则最大量化监测值为N_max＝100。

对家庭总电流进行为期一周的监测和收集数据，通过对数据统计可创建出电灯，电视，电磁炉的监测值概率分布函数和量化状态及索引，如表2，表3，表4所示。将多个负荷的状态组合在一起获得组合状态，如102，该状态表示电灯开启状态，电视关闭状态，电磁炉为状态2。组合状态102所对应的索引为8。

表2

表3

表4

根据对收集的数据进一步分析，可以得到：

P₀＝[0.46，0.02，0.05，0.07，0.0，0.0，0.13，0.04，0.02，0.21，0.0，0.0]，

矩阵A压缩后的行向量V_A＝[0.93，0.16，0.10，0.02，-2，0.01，-2，0.02， -2，0.01，0.61，0.17，-9，0.23，0.73，-12，0.97，-32，0.04，-5，0.85，0.11，0.14，0.17，-8，0.01，0.70，0.21，-9，0.01，0.19，0.65，-6，0.01，-2，0.12， -2，0.80，-11，0.01，-14]

矩阵B压缩后的行向量V_B＝[1，-158，0.03，-11，0.92，-11，0.05，-74， 0.19，-11，0.68，-11，0.13，-134，0.02，-3，0.10，-7，0.11，-3，0.75，-7， 0.72，-3，0.15，-7，0.10，-11，0.05，-114，0.01，-9，0.12，-1，0.15，-9， 0.81，-1，0.59，-9，0.07，-1，0.23，-11，0.02，-50，0.02，-11，0.20，-11， 0.55，-11，0.23，-33，0.01，-11，0.16，-11，0.66，-11，0.15，-11，0.02，-50， 0.01，-1，0.04，-9，0.22，-1，0.11，-9，0.62，-1，0.64，-9，0.14，-1，0.19， -9，0.01，-1，0.02，-97，0.02，-11，0.11，-11，0.72，-11，0.12，-11，0.03，-144]

选取其中一天的6:00-22:00的量化监测值。已知19:40时刻量化监测值 y_t-1＝22，19:41时刻量化监测值y_t＝36，分解过程如下：

(1)通过数据查询算法从V_B中获取矩阵B第22列的非零数据，得到(6，0.68)；

(2)通过数据查询算法从V_B中获取矩阵B第36列的非零数据，得到(1，0.75)，(9，0.72)；

(3)P_t-1[6]＝P₀[6]×0.68＝0.13×0.68；

(4)通过数据查询算法从V_A中获得A[6,1]＝0，A[6,9]＝0.12；

(5)P_t[1]＝P_t-1[6]×A[6,1]×0.75＝0,P_t[9]＝P_t-1[6]×A[6,9]× 0.72＝0.08，根据结果比较可以判定19:41时刻组合状态索引为9，即组合状态为110，说明该时刻电灯开启，电视开启，电磁炉处于关闭状态。

通过实验验证可知，分解结果与实验中的实际情况相符，从而验证了本发明的可行性。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种非侵入式负荷分解方法，其特征在于，所述方法包括：

获取各负荷处于稳定状态时的电流数据；

将所述电流数据量化分析，建立量化监测值的概率分布；

根据所述概率分布识别各负荷状态，具体包括：

获取单个量化检测值的概率p(n)，n为量化监测值；

判断p(n)-p(n+1)以及p(n)-p(n-1)是否大于0，得到第一判断结果，若第一判断结果表示p(n)-p(n+1)以及p(n)-p(n-1)大于0时，p(n)为极大值；

当p(n)为极大值时，判断p(n)是否大于e，得到第二判断结果，当第二判断结果表示p(n)大于e时，则表示识别到负荷的一个状态，e表示测量误差；

将各所述负荷状态进行组合，构成组合状态，具体包括：

W＝k⁽¹⁾k⁽²⁾k⁽³⁾…k^(M)其中W为组合状态，M为负荷总数，k^(M)为第M个负荷的量化状态索引，将组合状态按照以下公式进行索引：

S为索引号，K⁽ⁱ⁾为第i个负荷具有量化状态总数，M为负荷总数，k^(m)为第m个负荷的量化状态索引；

根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联性，创建马尔可夫模型；

所述创建马尔可夫模型具体包括：

λ＝{P₀,A,B}

其中，λ为马尔可夫模型，P₀为初始时刻各组合状态的额定概率构成的长度为T的行向量，A为T×T的状态转移矩阵，T表示T个组合状态，B为T×N的发射矩阵，N为可能得到的量化监测值的个数；

A[i,j]＝P{S_t＝j|S_t-1＝i}

B[j,n]＝P{y_t＝n|S_t＝j}

S_t为t时刻的组合状态，y_t为t时刻的量化监测值，A[i,j]表示在t-1时刻组合状态为i的条件下，t时刻组合状态为j的概率；B[j,n]表示t时刻组合状态为j的条件下，实际监测到的量化监测值为n的概率；

将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；

根据所述压缩后的稀疏矩阵结合数据查询算法和改进的维特比算法分解出各负荷所处于的运行状态；所述数据查询算法具体包括从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据和从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据；

所述从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据具体包括：

创建变量a＝0和包含两个列向量的矩阵H；

从首元素开始读取所述行向量V中的数据；

判断所述数据是正数还是负数，得到第五判断结果，当第五判断结果表示所述数据为负数时，将所述读取到的数据取绝对值加给所述变量a，之后判断变量a是否满足a＜T×(i+1)，得到第六判断结果，若第六判断结果表示变量a满足a＜T×(i+1)时，继续从行向量V中读取数据，当a≥T×(i+1)时，数据读取结束；

当第五判断结果表示所述数据是正数时，变量a加1，之后判断变量a是否满足a＞T×i且a≤T×(i+1)，得到第八判断结果，若第八判断结果表示变量a满足a＞T×i且a≤T×(i+1)时，表示所述数据在所述稀疏矩阵中的(a-T×i-1)行i列，将(a-T×i-1)和所述数据添加到所述矩阵H中；

继续从V中读取数据，直到a≥T×(i+1)；

所述从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据具体包括：

创建变量b＝0；

从首元素开始读取所述行向量V中的数据；

判断所述数据是正数还是负数，得到第九判断结果，若第九判断结果表示所述数据为负数时，取所述负数的绝对值加给所述变量b,判断变量b是否满足b≥T×j+i+1，得到第十判断结果，若第十判断结果表示变量b满足b≥T×j+i+1时，所求i行j列的数据为0；

若第九判断结果表示所述数据是正数时，所述变量b加1，进一步判断所述变量b是否满足b＝T×j+i+1，若变量b满足b＝T×j+i+1，所述正数为所求i行j列的数据。

2.根据权利要求1所述的一种非侵入式负荷分解方法，其特征在于，所述获取各负荷处于稳定状态时的电流数据具体包括：

通过为各负荷配备传感器来获取各负荷处于稳定状态时的电流数据。

3.根据权利要求1所述的一种非侵入式负荷分解方法，其特征在于，所述将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量具体包括：

1)创建一个空的行向量V以及用于计数的变量r＝0；

2)获取马尔可夫模型中的稀疏矩阵；

3)从第0列开始判断所述稀疏矩阵中的元素值是否为正数，得到第三判断结果，当第三判断结果表示所述元素值为正数时，将所述元素值添加到所述行向量V中；

4)若第三判断结果表示所述元素值不是正数时，变量r计数加1，直到读取到下一个正数或矩阵末尾，取r的负值添加到所述行向量V中；

5)重复所述步骤3)和步骤4)直到所述稀疏矩阵数据读取结束。

4.根据权利要求1所述的一种非侵入式负荷分解方法，其特征在于，所述改进的维特比算法具体包括：

P_t[j]为t时刻为组合状态j的概率，A[i,j]表示在t-1时刻组合状态为i的条件下，t时刻组合状态为j的概率；B[j,y_t]表示t时刻组合状态为j的条件下，实际监测到的量化监测值为y_t的概率，P₀为初始时刻各组合状态的额定概率构成的长度为T的行向量。

5.一种非侵入式负荷分解系统，其特征在于，所述系统包括：

电流数据获取模块，用于获取各负荷处于稳定状态时的电流数据；

概率分布获取模块，用于将所述电流数据量化分析，建立量化监测值的概率分布；

负荷状态获取模块，根据所述概率分布识别各所述负荷状态；

组合状态获取模块，将各所述负荷状态进行组合，构成组合状态；

马尔可夫模型获取模块，用于根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联性，创建马尔可夫模型；

压缩向量获取模块，用于将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；

运行状态获取模块，用于根据所述压缩后的稀疏矩阵结合数据查询算法和改进的维特比算法分解出各负荷所处于的运行状态；所述数据查询算法具体包括从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据和从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据；

所述从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据具体包括：

创建变量a＝0和包含两个列向量的矩阵H；

从首元素开始读取所述行向量V中的数据；

判断所述数据是正数还是负数，得到第五判断结果，当第五判断结果表示所述数据为负数时，将所述读取到的数据取绝对值加给所述变量a，之后判断变量a是否满足a＜T×(i+1)，得到第六判断结果，若第六判断结果表示变量a满足a＜T×(i+1)时，继续从行向量V中读取数据，当a≥T×(i+1)时，数据读取结束；

当第五判断结果表示所述数据是正数时，变量a加1，之后判断变量a是否满足a＞T×i且a≤T×(i+1)，得到第八判断结果，若第八判断结果表示变量a满足a＞T×i且a≤T×(i+1)时，表示所述数据在所述稀疏矩阵中的(a-T×i-1)行i列，将(a-T×i-1)和所述数据添加到所述矩阵H中；

继续从V中读取数据，直到a≥T×(i+1)；

所述从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据具体包括：

创建变量b＝0；

从首元素开始读取所述行向量V中的数据；

判断所述数据是正数还是负数，得到第九判断结果，若第九判断结果表示所述数据为负数时，取所述负数的绝对值加给所述变量b,判断变量b是否满足b≥T×j+i+1，得到第十判断结果，若第十判断结果表示变量b满足b≥T×j+i+1时，所求i行j列的数据为0；

若第九判断结果表示所述数据是正数时，所述变量b加1，进一步判断所述变量b是否满足b＝T×j+i+1，若变量b满足b＝T×j+i+1，所述正数为所求i行j列的数据。

Images