CN110490760B - 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 - Google Patents
一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 Download PDFInfo
- Publication number
- CN110490760B CN110490760B CN201910671818.9A CN201910671818A CN110490760B CN 110490760 B CN110490760 B CN 110490760B CN 201910671818 A CN201910671818 A CN 201910671818A CN 110490760 B CN110490760 B CN 110490760B
- Authority
- CN
- China
- Prior art keywords
- hidden
- hidden state
- state
- power
- states
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明为一种基于隐马尔科夫链的非侵入式电器负荷辨识方法,公开了一种基于隐马尔科夫模型的非侵入式用户负荷辨识算法。构建电器负荷模型的隐藏状态数量,统计所有电器的挡位状态和每个电器的挡位状态的数量;构建模型观测序列取值范围,计算电器的最大总和功率;确定转移状态矩阵,统计每两个隐藏状态之间的转换概率组成转移矩阵;统计隐藏状态的耗电功率,得到隐藏状态到观测序列的发射矩阵;统计各个隐藏状态在电器用电过程中出现的概率,组成每个隐藏状态的初始概率向量;获取当前电表的读数为当前观测序列,处理获得最优隐藏状态,得到每个电器当前的使用情况。本发明方法简单有效,获得用户的用电情况,不需要部署太多的传感器,也不需要高频采样,并对负荷过高进行预警,降低用电风险。
Description
技术领域
本发明属于非侵入式负荷辨识技术领域的一种电力处理方法,涉及了一种基于隐马尔科夫链模型的非侵入式电器负荷辨识方法。
背景技术
电网负荷技术是智能电网的关键组成部分,对电器负荷进行辨识,通过数据分析,以合理调配资源进行削峰填谷达到电网智能化的作用。目前很多的智能家电能够给用户提供电器的功耗等信息,但是这些电器并没有通用的数据接口和标准,此外,仍有大量的家电不能提供数据,因此负荷辨识的研究方向就是寻找一种有效的算法对用户目前的用电情况进行辨识。当前用户负荷辨识的常用方法有两种:
侵入式负荷辨识,也就是对在电器插口处使用大量的传感器,测每个用电负荷的功率,然后进行汇总便得到了用户的负荷状态情况,这种方法的特点是简单高效而且结果准确,缺点是需要部署大量的传感器,投资巨大。
非侵入式负荷辨识,也就是不需要对每个电器都添加传感器,而是只读取电表读数就能够对负荷进行辨识,这种辨识方法不需要购买太多额外的传感器,但是对算法的要求很高,辨识结果不够精确。
非侵入负荷辨识一般采用负荷签名识别法,因为每种设备在开关或者换挡时会造成波形上的变化,检测这些变化的样式就能识别电器,但是这些变化的时间非常短暂,因此需要采样频率足够高,这对用户侧的读数设备有一定的要求。
发明内容
为了解决背景技术中存在的问题,本发明提出一种基于隐马尔科夫链模型的非侵入式电器负荷辨识方法,不需要高频采样,因此更加简单易行,也更加具有经济可行性。
如图1所示,本发明所采用的技术方案是包括以下步骤:
1)以隐马尔科夫建立电器负荷模型,以各个电器的挡位状态作为隐藏状态,构建电器负荷模型的隐藏状态数量,首先统计所有电器的挡位状态和每个电器的挡位状态的数量,即每个电器的状态数,所有电器的挡位状态组合作为用电情况,电器负荷模型的隐藏状态数量K等于各个电器的挡位状态数量的乘积;
每个电器都有一定的状态,例如,电风扇具有关、高中低三个风扇档位,即具有四个挡位工作状态。定频空调具有开和关两个工作档位,即具有两个挡位工作状态。方法先要确定这些电器的状态,方法如下:对用户的各个电器运行进行统计,得到电器的运行数据折线图,可以认为每个折线的峰值表示的是电器的一个状态。当电器处于该状态时,其功率就在该峰值附近浮动,有多少个峰值就知道该电器有多少状态。
在负荷辨识中,电网中的电视是否开着,电风扇在哪个挡位,等等情况是无法直接观测的,因此电器状态是隐藏状态,而电网用户各个时刻的用电功率能够通过电表获取。因此是观测序列,本发明的负荷辨识方法就是要通过电网用户的用电功率,计算出当前用户使用电器的情况,例如,假设用户只有一个电器,假设为电风扇,它有三个挡位,分别是关机,一档,二档,分别对应三个状态,这就是隐藏状态,因为电风扇的所处的挡位情况是不能够直接观测的,又已知三个状态下,电风扇的功率分别是0w,50w,100w,因此,只要知道了电表读数,很容易就能够计算电风扇处于什么状态。对于单电器,观测序列的数值和隐藏状态序列有一一对应的关系;对于多电器,观测序列的数值和隐藏状态序列没有一一对应的关系,需要建立本发明进行处理获取。
2)以电器的功率作为观测序列中元素的取值,构建模型的观测序列取值范围,计算所有电器的最大总和功率,以0~最大总和功率作为观测序列所有的可能取值范围,并将最大总和功率分为N个功率级别,具体实施以0w,1w,2,...,N作为观测序列所有的可能取值,也就是电表读数可能的取值;
3)确定转移状态矩阵,根据电器的历史数据统计每两个隐藏状态之间的转换概率组成马尔科夫链的转移矩阵A,转移矩阵A为K行K列,其中K为隐藏状态的数量,Ai,j表示上一时刻隐藏状态为i到下一时刻转移到隐藏状态j的概率;
某一刻只有一个隐藏状态,这个隐藏状态是一个整体状态,体现所有电器的状态,当前有M个电器,每个电器的状态数为:
si(i=1,2,3,...M)
整体状态是所有的电器状态的组合,整体状态的数量为:
给每个整体状态编号,i=0,2,3,...K-1,因此状态转移矩阵是一个K*K的方阵
4)根据历史数据,统计隐藏状态对应的耗电功率,得到隐藏状态到观测序列的发射矩阵B,发射矩阵B为K行N+1列,其中Bu,v表示隐藏状态为u的情况下当前功率为v的概率,其中N表示用户电表最大的可能读数,因此,用户的耗电功率的可能值为0,1,2,...N。
5)根据历史数据,统计各个隐藏状态在电器用电过程中出现的概率,组成得到每个隐藏状态的初始概率向量π;概率向量π是由各个电器的隐藏状态对应的概率构成。
6)获取当前电表的读数作为当前的观测序列,计算处理获得最优隐藏状态,得到每个电器当前的使用情况。
本发明采用非侵入式负荷辨识方式,不需对所有电器添加传感器测量电器的使用情况,仅靠电器的电表功率读数就能获得各个电器的使用情况,进而使用隐马尔科夫链的负荷辨识方式进行处理。
如图2所示,所述步骤6)具体为:
建立电器负荷模型之后,根据每一时刻的电表读数,计算该时刻的隐藏状态,负荷的辨识过程就是不断重复步骤6)的过程,不断分解出用户的电器使用情况。
6.1)通过电器所连接的电表读数得到电器的用电功率,建立如下的观测序列值,建立所有电器的用电功率总和的序列:
{o1,o2,...,ot}
其中,ot表示时刻t的所有电器的用电功率总和;
对应的隐藏状态序列为:
6.2)建立两个局部变量,分别为第一个局部变量δt(i)和第二个局部变量Ψt(i);
第一个局部变量δt(i)为时刻t的隐藏状态i所有的可能状态转移路径{i1,i2,...,it}的概率最大值,获得如下:
其中,it表示时刻t的隐藏状态,λ表示模型参数;
第一个局部变量δt(i)的递推处理为:
第二个局部变量Ψt(i)由第一个局部变量递推得到,为t时刻隐藏状态为i的所有状态转移路径中概率最大的转移路径中第t-1个隐藏状态,并作为时刻t的最优可能隐藏状态,获得如下:
6.3)利用两个局部变量使用动态规划方法对由步骤3)~步骤5)获得的数据进行递推每一时刻的隐藏状态,具体为:
每次只取当前时刻的功率Ot以及上一时刻的电表读数Ot-1进行计算处理,减少计算量。
6.3.1)初始化第一时刻的局部变量:
Ψ1(i)=0,i=0,2,3,...,K-1
其中,πi表示隐藏状态i的初始概率向量,由步骤4处理获得;
6.3.2)然后进行动态递推下一时刻t+1的局部变量:
每个最优隐藏状态对应于电器的状态组合,由这种一一对应关系便获取每个电器的状态。获得最优隐藏状态后,最优隐藏状态就是所有电器的隐藏状态综合反应出来的用电情况,可以进一步利用最优隐藏状态计算获得每一个电器的状态,从而得到每个电器当前的使用情况。
建立电器负荷模型之后,根据每一时刻的电表读数,计算该时刻的隐藏状态,负荷的辨识过程就是不断重复步骤6)的过程,不断分解出用户的电器使用情况。
本发明只需要获取观测序列,就能够进行负荷辨识,因此对电器硬件检测的要求非常低,一般智能电表的读数就足够,不需要太多的和其他的传感器。
本发明的计算量较少,因此不需要部署高性能的计算平台,可以直接在用户侧安装卡片式计算机或者DSP电路板进行终端计算,也可以将原始数据传回数据中心再统一计算。
本发明中的电器功率均通过电表读取,以电表读数获得电器功率。
所述的历史数据是指电器以前运行时通过电表读数采集的功率数据。
本发明将电网用户的电器用电状态看作是一个随机过程,首先通过历史数据建立模型,再根电器功率读数计算用电情况,方法是非侵入式的,不需要部署太多的传感器,也不需要高频采样,应用简单但非常有效。
本发明的有益效果是:
本发明能对用户的用电情况进行辨识,了解用户正在使用哪些电器,电器处于什么状态,进一步为用电行为分析提供数据依据,能帮助减少资源浪费,降低用电费用,还能对负荷过高进行预警,降低用电风险。另一方面,能够帮助了解用户的用电情况,进一步合理调配资源,提前做好准备应对用电高峰,提供更加优质的供电。
附图说明
图1是负荷辨识流程图;
图2是隐藏状态计算流程图;
图3是实施例的电视功率统计条形图;
图4是两种方法准确性对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
按照本发明发明内容完整方法实施的实施例情况如下:
以下以一个简单的两电器系统说明本发明的具体方案,方案的流程图如图1所示。安装raspberry Pi卡片机进行数据处理和负荷辨识。首先根据历史数据建立电器负荷模型的模型参数λ=(Π,A,B)。
1、建模过程如下:
1.1、首先统计各个电器的运行功率;
以统计电视的运行功率为例,见下表的统计数据:
功率 | 0w | 1w | 2w | 98w | 99w | 100w | 101w | 102w |
数量 | 89 | 10 | 4 | 13 | 30 | 201 | 14 | 6 |
绘制成柱状图(见图3),可以看到其中有两个波峰,表示电视只有两状态,其中一个功率为0,也就是关机(或睡眠)状态,一个功率为100w,为工作状态。
同理得到电风扇的状态数量为3,功率分别对应为0,20w,50w。
因此可知,用户整体的状态量为2*3=6,也即隐藏状态的数量为6,所以模型的A矩阵为6*6的方阵。
状态 | 0 | 1 | 2 | 3 | 4 | 5 |
0(电视关,风扇关) | 0.1 | 0.9 | 0 | 0 | 0 | 0 |
1(电视关,风扇档一) | 0.2 | 0.6 | 0.2 | 0 | 0 | 0 |
2(电视关,风扇档二) | 0 | 0.4 | 0.6 | 0 | 0 | 0 |
3(电视开,风扇关) | 0.8 | 0 | 0 | 0.2 | 0 | 0 |
4(电视开,风扇档一) | 0 | 0.1 | 0 | 0.1 | 0.8 | 0 |
5(电视开,风扇档二) | 0 | 0 | 0.4 | 0 | 0.5 | 0.1 |
1.2、计算每个隐藏状态对影的功率,得到发射矩阵:
1.3、根据历史数据,得到各个隐藏状态的概率π
状态 | 0 | 1 | 2 | 3 | 4 | 5 |
概率 | 0.1 | 0.2 | 0.2 | 0.3 | 0.1 | 0.1 |
2、辨识的过程如下
步骤一,通过modbus协议与电器的电表设备进行通信,获取当前的功率ot;
步骤二,通过读数推断当前的用电状态:
求使出现其中概率最大的状态:
本发明的非侵入式负荷识别计算方法容易实现,能够编程直接运行在raspberryPi卡片机上,因此,可在客户端安装相关的硬件,直接在用户侧的电器进行负荷识别,再将识别结果发送到电力公司,双方共享识别数据,本实施方法可以推广到多个电器的情况。
对比传统的方法,实施结果如图4所示,图中可见,本发明所使用的负荷辨识能准确判断结果,能够提高速度。
Claims (3)
1.一种基于隐马尔科夫模型的非侵入式电器负荷辨识方法,其特征在于:方法包括以下步骤:
1)以各个电器的挡位状态作为隐藏状态,构建电器负荷模型的隐藏状态数量,首先统计所有电器的挡位状态和每个电器的挡位状态的数量,即每个电器的状态数,所有电器的挡位状态组合作为用电情况,电器负荷模型的隐藏状态数量K等于各个电器的挡位状态数量的乘积;
2)以电器的功率作为观测序列中元素的取值,构建模型的观测序列取值范围,计算所有电器的最大总和功率,以0~最大总和功率作为观测序列所有的可能取值范围,并将最大总和功率分为N个功率级别;
3)确定转移状态矩阵,根据电器的历史数据统计每两个隐藏状态之间的转换概率组成转移矩阵A,转移矩阵A为K行K列,其中K为隐藏状态的数量,Ai,j表示上一时刻隐藏状态为i到下一时刻转移到隐藏状态j的概率;
4)根据历史数据,统计隐藏状态对应的耗电功率,得到隐藏状态到观测序列的发射矩阵B,发射矩阵B为K行N+1列,其中Bu,v表示隐藏状态为u的情况下当前功率为v的概率,其中N表示电表最大的可能读数;
5)根据历史数据,统计各个隐藏状态在电器用电过程中出现的概率,组成得到每个隐藏状态的初始概率向量π;
6)获取当前电表的读数作为当前的观测序列,计算处理获得最优隐藏状态,得到每个电器当前的使用情况。
2.根据权利要求1所述的一种基于隐马尔科夫模型的非侵入式电器负荷辨识方法,其特征在于:所述步骤6)具体为:
6.1)通过电器所连接的电表读数得到电器的用电功率,建立如下的观测序列值,建立所有电器的用电功率总和的序列:
{o1,o2,…,ot}
其中,ot表示时刻t的所有电器的用电功率总和;
6.2)建立两个局部变量,分别为第一个局部变量δt(i)和第二个局部变量Ψt(i);
第一个局部变量δt(i)为时刻t的隐藏状态i所有的可能状态转移路径{i1,i2,…,it}的概率最大值,获得如下:
其中,it表示时刻t的隐藏状态,λ表示模型参数;
第一个局部变量δt(i)的递推处理为:
第二个局部变量Ψt(i)由第一个局部变量递推得到,为t时刻隐藏状态为i的所有状态转移路径中概率最大的转移路径中第t-1个隐藏状态,并作为时刻t的最优可能隐藏状态,获得如下:
6.3)利用两个局部变量使用动态规划方法递推每一时刻的隐藏状态,具体为:
6.3.1)初始化第一时刻的局部变量:
Ψ1(i)=0,i=0,2,3,…,K-1
其中,πi表示隐藏状态i的初始概率向量;
6.3.2)然后进行动态递推下一时刻t+1的局部变量:
3.根据权利要求1所述的一种基于隐马尔科夫模型的非侵入式电器负荷辨识方法,其特征在于:
所述的历史数据是指电器以前运行时通过电表读数采集的功率数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671818.9A CN110490760B (zh) | 2019-07-24 | 2019-07-24 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910671818.9A CN110490760B (zh) | 2019-07-24 | 2019-07-24 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110490760A CN110490760A (zh) | 2019-11-22 |
CN110490760B true CN110490760B (zh) | 2022-12-16 |
Family
ID=68548136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910671818.9A Active CN110490760B (zh) | 2019-07-24 | 2019-07-24 | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490760B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111428782B (zh) * | 2020-03-20 | 2022-06-21 | 国网浙江省电力公司 | 一种根据负荷历史电流数据还原负荷工作状态的方法 |
CN111428816B (zh) * | 2020-04-17 | 2023-01-20 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
CN113971371B (zh) * | 2021-10-29 | 2023-11-07 | 金程科技有限公司 | 一种末端电网用户设备辨识、安全管控方法 |
CN115660507B (zh) * | 2022-12-08 | 2023-02-28 | 北京国网电力技术有限公司 | 一种地区电力的负荷智能检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030508A1 (fr) * | 2011-08-29 | 2013-03-07 | Commissariat à l'énergie atomique et aux énergies alternatives | Procédé de configuration d'un dispositif de détection à capteur, programme d'ordinateur et dispositif adaptatif correspondants |
CN104699606A (zh) * | 2015-03-06 | 2015-06-10 | 国网四川省电力公司电力科学研究院 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
CN107944643A (zh) * | 2017-12-22 | 2018-04-20 | 上海斐讯数据通信技术有限公司 | 一种基于隐马尔科夫模型的购买转化率预测方法及系统 |
FR3060147A1 (fr) * | 2016-12-12 | 2018-06-15 | Universite Paris Est Creteil Val De Marne | Procede de caracterisation d'un cycle de marche d'un sujet au moyen d'un modele de markov cache |
-
2019
- 2019-07-24 CN CN201910671818.9A patent/CN110490760B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013030508A1 (fr) * | 2011-08-29 | 2013-03-07 | Commissariat à l'énergie atomique et aux énergies alternatives | Procédé de configuration d'un dispositif de détection à capteur, programme d'ordinateur et dispositif adaptatif correspondants |
CN104699606A (zh) * | 2015-03-06 | 2015-06-10 | 国网四川省电力公司电力科学研究院 | 一种基于隐马尔科夫模型的软件系统状态预测方法 |
FR3060147A1 (fr) * | 2016-12-12 | 2018-06-15 | Universite Paris Est Creteil Val De Marne | Procede de caracterisation d'un cycle de marche d'un sujet au moyen d'un modele de markov cache |
CN107944643A (zh) * | 2017-12-22 | 2018-04-20 | 上海斐讯数据通信技术有限公司 | 一种基于隐马尔科夫模型的购买转化率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110490760A (zh) | 2019-11-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490760B (zh) | 一种基于隐马尔科夫链的非侵入式电器负荷辨识方法 | |
CN111428816B (zh) | 一种非侵入式负荷分解方法 | |
Xia et al. | Non-intrusive load disaggregation based on deep dilated residual network | |
CN106936129B (zh) | 基于多特征融合的电力负荷辨识方法及系统 | |
Wei et al. | Based on time sequence of ARIMA model in the application of short-term electricity load forecasting | |
CN108152630B (zh) | 一种基于混合判据的非侵入式ih电饭煲运行辨识方法 | |
CN108021736A (zh) | 一种基于滑动窗残差模型的负荷投切动作监测方法 | |
CN109470957B (zh) | 一种基于弗雷歇距离的非侵入式电器识别方法 | |
Chen et al. | Mining appliance usage patterns in smart home environment | |
CN106680621B (zh) | 一种基于电流信号分离的居民负荷用电识别方法 | |
Liu et al. | Real-time corporate carbon footprint estimation methodology based on appliance identification | |
CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 | |
Wu et al. | Event‐based non‐intrusive load identification algorithm for residential loads combined with underdetermined decomposition and characteristic filtering | |
Pöchacker et al. | Proficiency of power values for load disaggregation | |
CN112924779A (zh) | 非侵入式负荷识别方法、装置及终端设备 | |
Luan et al. | Industrial load disaggregation based on hidden Markov models | |
CN111178393A (zh) | 一种基于智能电表的用电器用电量分类计量方法及装置 | |
Rathore et al. | Non intrusive load monitoring and load disaggregation using transient data analysis | |
CN115600824A (zh) | 一种碳排放的预警方法及装置、存储介质、电子设备 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
Schirmer et al. | Low-frequency energy disaggregation based on active and reactive power signatures | |
CN114358367A (zh) | 一种非侵入式负荷分解方法及装置 | |
Paraskevas et al. | Domestic smart metering infrastructure and a method for home appliances identification using low‐rate power consumption data | |
CN116933216A (zh) | 一种基于柔性负荷资源聚合特征分析的管理系统及方法 | |
CN110009231A (zh) | 一种基于重复性和熵权区分性的用电负荷识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |