CN111428816B - 一种非侵入式负荷分解方法 - Google Patents

Abstract

本发明公开了一种非侵入式负荷分解方法，它包括：步骤1、获取各电器的电力指纹，生成训练数据和测试数据；步骤2、通过聚类算法对电器工作状态进行聚类，并计算各聚类簇的均值和标准差，并对电器工作状态进行编码；步骤3、建立多元参数隐马尔科夫模型并计算模型参数；步骤4、导入测试数据并进行聚类；步骤5、基于维特比算法进行状态识别并得到预测状态序列；步骤6、根据预测状态序列和各聚类簇的统计值，基于极大似然估计原理分解负荷功率；步骤7、输出状态序列和功率分解结果；解决了现有技术负荷识别算法存在模型复杂，对电气特征的利用和对未知信息的考虑不足存在准确率低等问题。

Description

一种非侵入式负荷分解方法

技术领域

本发明属于负荷分解技术，尤其涉及一种基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法

背景技术

目前，智能电网概念方兴未艾，越来越多的学者与电网公司参加到智能电网的理论研究与实践探索上。高级量测体系(AMI)是智能电网建设的关键一环。负荷监测与识别作为AMI最重要的组成部分之一，是实现智能电网的第一步。基于负荷监测与识别技术，电网公司才能了解负荷的状态和能耗，进而利用大数据等技术手段描绘负荷的用能模式和用户的用电行为，进而实现需求响应，优化电力资源配置，支撑智能电网的建设。随着高级量测体系的建立，非侵入式负荷检测和识别开始被提出。非侵入式负荷监测(NILM)相比于常用的侵入式负荷分解技术，用户接受程度高，设备投入成本低，是未来需求侧管理的关键技术之一。

然而，非侵入式负荷分解技术并不成熟，现有技术已提出多种负荷识别算法。改进或拓展的HMM模型能使非侵入式负荷识别准确率得到较大提升，但是存在模型复杂，对电气特征的利用和对未知信息的考虑不足等问题。

发明内容

本发明要解决的技术问题是：提供一种非侵入式负荷分解方法，以解决现有技术负荷识别算法，采用改进或拓展的HMM模型能使非侵入式负荷识别准确率得到较大提升，但是存在模型复杂，对电气特征的利用和对未知信息的考虑不足存在准确率低等问题。

本发明的技术方案是：

一种非侵入式负荷分解方法，它包括：

步骤1、获取各电器的电力指纹，生成训练数据和测试数据；

步骤2、通过聚类算法对电器工作状态进行聚类，并计算各聚类簇的均值和标准差，并对电器工作状态进行编码；

步骤3、建立多元参数隐马尔科夫模型并计算模型参数；

步骤4、导入测试数据并进行聚类；

步骤5、基于维特比算法进行状态识别并得到预测状态序列；

步骤6、根据预测状态序列和各聚类簇的统计值，基于极大似然估计原理分解负荷功率；

步骤7、输出状态序列和功率分解结果。

步骤1所述获取各电器的电力指纹生成训练数据和测试数据的方法为：

获取各电器的电力指纹，从数据集中选取各种电器各个采样点的有功功率与稳态电流数据并按时间均分成组，训练数据和测试数据；所述各电器的电力指纹包括该电器的有功功率以及稳态工作电流的1到11次谐波历史数据。

步骤2所述通过聚类算法对电器工作状态进行聚类，并计算各聚类簇的均值和标准差，并对电器工作状态进行编码的方法为：采用K-Means聚类算法对电器工作状态进行聚类，得到聚类结果后计算各聚类簇的均值和标准差，对各个电器进行状态编码，将各个电器的工作状态向量编码为一个二进制状态。

对各个电器进行状态编码，将各个电器的工作状态向量编码为一个二进制状态的方法包括：

步骤2.1、分配位数，根据电器的状态数确定编码所需要的二进制位数；

步骤2.2、确定取值，根据当前时刻电器的十进制状态值计算二进制状态值；

步骤2.3、拼接表示，将所得到的二进制状态值根据电器排序从高到低拼接，得到最终的结果。

步骤3所述建立多元参数隐马尔科夫模型并计算模型参数的方法为：将多元参数隐马尔科夫模型两条时间序列的物理意义进行定义，隐含状态序列对应各用电器的运行状态，观测序列对应电器的电力指纹数据；建立成模型并计算参数，具体包括：

步骤3.1、用S表示各用电器运行状态组合的集合，也就是总状态的集合；该集合是各用电器运行状态的全排列，集合元素个数由各用电器状态聚类数目决定；

步骤3.2、用V表示用户用电总的电力指纹集合，集合V中的元素由总有功功率和总稳态电流构成的向量

组成；

步骤3.3、建立状态转移矩阵A，a_ij指从时刻t的各用电器的总状态q_t＝s_i转移到t+1时刻的总状态q_t+1＝s_j的概率；计算方法：

式中：h_ij是总状态q_t＝s_i转移到t+1时刻的总状态q_t+1＝s_j的频数，N是隐含状态总数；

步骤3.4、建立输出矩阵B：b_ik表示t时刻各用电器处于总状态q_t＝s_i而观测值为y_t＝v_k的概率，计算方法：

式中：o_ik是t时刻总状态q_t＝s_i而观测值为y_t＝v_k的频数，M为观测值总数；

步骤3.5、初始概率矩阵π：π_i表示初始时刻，各用电器总状态处于s_i的概率，计算方法：

式中d是训练集数据总量，d_i表示训练集中隐含状态s_i出现的频数。

步骤5所述基于维特比算法进行状态识别并得到预测状态序列的方法包括：

步骤5.1、初始化：

δ[0,i]＝π[i]·B[i,y₀]

步骤5.2、递归计算：

δ[t,i]＝max_j(B[i,y_t]·δ[t-1,j]·A[j,i])

ψ[t,i]＝argmax_j(δ[t-1,j]·A[j,i])

步骤5.3、终止状态计算：

4)最优序列回溯：

此时得到的序列即是预测最优隐含状态序列

步骤6所述根据预测状态序列和各聚类簇的统计值，基于极大似然估计原理分解负荷功率的方法为：步骤6.1、根据各电器样本的聚类簇的均值与方差，建立各电器各状态的正态分布概率密度函数；步骤6.2、基于极大似然估计建立目标函数，即求联合概率的最大值。

所述目标函数为：

式中，σ_[i,j]和μ_[i,j]分别指第i个电器的第j个聚类簇的标准差和均值，N为电器个数，P⁽ⁱ⁾指每个电器的分解有功功率，P^L指总负荷的有功功率。

f_[i,j](P⁽ⁱ⁾)指电器i处于j运行状态时消耗功率P⁽ⁱ⁾的概率。

本发明有益效果：

本发明基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解，该方法通过采用隐马尔科夫模型来对负荷工作状态和功率进行识别与分解；针对经典HMM仅能利用负荷单一电气特征的问题，建立了一种基于电力指纹的多元参数隐马尔科夫模型，该改进模型能充分利用电气特征并考虑到电器的未知观测状态以实现电器的状态识别，然后基于极大似然估计原理，利用负荷状态的聚类簇统计特征实现负荷的功率分解。该方法充分利用了电力指纹提供的负荷特征，结合隐马尔科夫模型能较为可观地提高非侵入式负荷分解的识别率。

本发明的基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法相对于现有技术具有如下的优点及效果：

(1)本发明设计的基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法，对电力指纹的利用能提取出更能体现负荷特性的负荷状态，从而同步提高状态识别和功率分解的准确率。

(2)本发明设计的基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法，基于极大似然估计的功率分解优化模型对负荷功率进行分解，一定程度上考虑并缓解这种波动性，保证了各个电器的分解功率之和等于总负荷功率，使功率分解准确率更高。

(3)本发明设计的基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法，考虑到未知观测状态与负荷功率波动随机性，对非侵入式负荷识别的实用化有参考价值。

解决了现有技术负荷识别算法，采用改进或拓展的HMM模型能使非侵入式负荷识别准确率得到较大提升，但是存在模型复杂，对电气特征的利用和对未知信息的考虑不足存在准确率低等问题。

附图说明

图1为基于本发明的非侵入式负荷分解方法流程示意图。

具体实施方式

请参考图1，本发明非侵入式负荷分解方法。该实施方式以公共数据集AMPds2为研究对象，因该数据集仅收集低频电气数据，不是严格意义上的电力指纹数据，因此算例中把电力指纹定义为有功功率和稳态电流数据。该基于电力指纹和多元参数隐马尔科夫模型的非侵入式负荷分解方法包括以下步骤：

步骤S110，获取各电器的电力指纹。从数据集中选取壁炉(WOE)、衣物烘干机(CDE)、洗碗机(DWE)、电视机(TVE)、洗衣机(CWE)、热泵(HPE)六种电器共10天14400个采样点的有功功率与稳态电流数据并按时间均分为10组，记为test1-test10，随机选取其中9组数据作为训练数据，1组作为测试数据。

步骤S120，通过聚类算法根据对电器工作状态进行聚类，并计算各聚类簇的均值和标准差，并对电器工作状态进行编码。本实施例采用K-Means聚类算法对电器工作状态进行聚类。得到聚类结果后，计算各聚类簇的均值和标准差。对各个电器进行状态编码，将多个电器的工作状态向量编码为一个二进制状态值。假设有3个电器，状态个数分别为2,3,8，该时刻所处状态分别为0,2,6。结合该例子，具体编码步骤如下：

1)分配位数。根据电器的状态数确定编码所需要的二进制位数。上面三个电器状态个数分别为2,3,8，则分配给各个电器的二进制位数分别为1,2,3。

2)确定取值。根据当前时刻电器的十进制状态值计算二进制状态值。当前三个电器十进制状态值分别为0,2,6，则二进制状态值分别为0,10,110。

3)拼接表示。将所得到的二进制状态值根据电器排序从高到低拼接，得到最终的结果。当前时刻状态向量经拼接表示后的状态值为010110。

步骤S130，建立多元参数隐马尔科夫模型并计算模型参数。在本实施例中，多元参数隐马尔科夫模型两条时间序列的物理意义很明确：隐含状态序列对应各用电器的运行状态，观测序列对应电器的电力指纹数据。更进一步，可建立成如下模型并计算其参数：

1)隐含状态集合S：在本实施例中，S可以表示为各用电器运行状态组合的集合，也就是总状态的集合。该集合是各用电器运行状态的全排列，该集合元素个数由各用电器状态聚类数目决定，现假设为N，其值步骤S120介绍的状态编码方式计算。

2)观测状态集合V：，V表示用户用电总的电力指纹集合。在本实施例中，集合V中的元素是由总有功功率和总稳态电流构成的向量

该集合元素个数现假设为M。

3)状态转移矩阵A：a_ij指的是从时刻t的各用电器的总状态q_t＝s_i转移到t+1时刻的总状态q_t+1＝s_j的概率。计算方法：

其中，h_ij是总状态q_t＝s_i转移到t+1时刻的总状态q_t+1＝s_j的频数，N是隐含状态总数。

4)输出矩阵B：b_ik表示t时刻各用电器处于总状态q_t＝s_i而观测值为y_t＝v_k的概率。计算方法：

其中，o_ik是t时刻总状态q_t＝s_i而观测值为y_t＝v_k的频数，M为观测值总数。

5)初始概率矩阵π：π_i表示初始时刻，各用电器总状态处于s_i的概率。

计算方法：

其中，d是训练集数据总量，d_i表示训练集中隐含状态s_i出现的频数。

步骤S140，导入测试数据并进行聚类。在本实施例中，导出测试集数据并将输入的电力指纹数据用K-means算法聚类到已知电力指纹中。

步骤S150，基于维特比算法进行状态识别。对于给定观测序列Y＝{y₀y₁,…,y_T}和隐含状态序列Q＝{q₀q₁,…,q_T}，本实施例的维特比算法计算具体步骤如下：

1)初始化：

δ[0,i]＝π[i]·B[i,y₀]

其中，δ[0,i]为0时刻总状态q₀＝i的概率，π[i]为状态i的初始概率，B[i,y₀]为各用电器处于总状态q_t＝i而观测值为y_t＝y₀的概率。

2)递归计算：

δ[t,i]＝max_j(B[i,y_t]·δ[t-1,j]·A[j,i])

ψ[t,i]＝argmax_j(δ[t-1,j]·A[j,i])

其中，δ[t,i]为t时刻总状态q_t＝i的概率，B[i,y₀]为各用电器处于总状态q_t＝i而观测值为y_t＝y₀的概率，A[j,i]是总状态由j转移到i的概率，ψ[t,i]表示从t-1时刻出发的，转移到t时刻总状态i概率最大的状态。

3)终止状态计算：

其中，

表示预测的T时刻(末时刻)总状态对应的概率值，δ[T,i]为T时刻总状态q_T＝i的概率，

表示该概率

对应的状态。

4)最优序列回溯：

其中，

为t时刻预测的总状态。此时得到的序列即是预测最优隐含状态序列

步骤S160，维特比算法计算并得到预测序列。

步骤S170，根据状态序列和各聚类簇的统计值，基于极大似然估计原理分解负荷功率。电器在某一稳定运行状态下的功率存在波动性，而这种波动性可以认为是某一概率分布下的随机观测。本实施例采用正态分布来描述电器稳定运行时功率波动的随机性，并用于电器的功率分解计算。本实施例的功率分解计算步骤是：①根据各电器样本的聚类簇的均值与方差，建立各电器各状态的正态分布概率密度函数。②基于极大似然估计建立目标函数，即求联合概率的最大值，并注意到同一时刻各电器功率分解值之和应等于总功率这一约束条件，构建功率分解目标函数如下：

式中，σ_[i,j]和μ_[i,j]分别指第i个电器的第j个聚类簇的标准差和均值，N为电器个数，P⁽ⁱ⁾指每个电器的分解有功功率，P^L指总负荷的有功功率。f_[i,j](P⁽ⁱ⁾)指电器i处于j运行状态时消耗功率P⁽ⁱ⁾的概率。上述问题将目标函数两边取ln后就是一个常见的凸二次规划问题。

步骤S180，输出状态序列和功率分解结果。

Claims (7)

1.一种非侵入式负荷分解方法，它包括：

步骤1、获取各电器的电力指纹，生成训练数据和测试数据；

步骤2、通过聚类算法对电器工作状态进行聚类，并计算各聚类簇的均值和标准差，并对电器工作状态进行编码；

步骤3、建立多元参数隐马尔科夫模型并计算模型参数；

步骤3所述建立多元参数隐马尔科夫模型并计算模型参数的方法为：将多元参数隐马尔科夫模型两条时间序列的物理意义进行定义，隐含状态序列对应各用电器的运行状态，观测序列对应电器的电力指纹数据；建立模型并计算参数，具体包括：

步骤3.1、用S表示各用电器运行状态组合的集合，也就是总状态的集合；该集合是各用电器运行状态的全排列，集合元素个数由各用电器状态聚类数目决定；

步骤3.2、用V表示用户用电总的电力指纹集合，集合V中的元素由总有功功率和总稳态电流构成的向量

组成；

步骤3.3、建立状态转移矩阵A，a_ij指从时刻t的各用电器的总状态q_t＝s_i转移到t+1时刻的总状态q_t+1＝s_j的概率；计算方法：

式中：h_ij是总状态q_t＝s_i转移到t+1时刻的总状态q_t+1＝s_j的频数，N是隐含状态总数；

步骤3.4、建立输出矩阵B：b_ik表示t时刻各用电器处于总状态q_t＝s_i而观测值为y_t＝v_k的概率，计算方法：

式中：o_ik是t时刻总状态q_t＝s_i而观测值为y_t＝v_k的频数，M为观测值总数；

步骤3.5、初始概率矩阵π：π_i表示初始时刻，各用电器总状态处于s_i的概率，计算方法：

式中d是训练集数据总量，d_i表示训练集中隐含状态s_i出现的频数；

步骤4、导入测试数据并进行聚类；

步骤5、基于维特比算法进行状态识别并得到预测状态序列；

步骤6、根据预测状态序列和各聚类簇的统计值，基于极大似然估计原理分解负荷功率；

步骤7、输出状态序列和功率分解结果。

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：步骤1所述获取各电器的电力指纹生成训练数据和测试数据的方法为：获取各电器的电力指纹，从数据集中选取各种电器各个采样点的有功功率与稳态电流数据并按时间均分成组，训练数据和测试数据；所述各电器的电力指纹包括该电器的有功功率以及稳态工作电流的1到11次谐波历史数据。

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：步骤2所述通过聚类算法对电器工作状态进行聚类，并计算各聚类簇的均值和标准差，并对电器工作状态进行编码的方法为：采用K-Means聚类算法对电器工作状态进行聚类，得到聚类结果后计算各聚类簇的均值和标准差，对各个电器进行状态编码，将各个电器的工作状态向量编码为一个二进制状态。

4.根据权利要求3所述的一种非侵入式负荷分解方法，其特征在于：对各个电器进行状态编码，将各个电器的工作状态向量编码为一个二进制状态的方法包括：

步骤2.1、分配位数，根据电器的状态数确定编码所需要的二进制位数；

步骤2.2、确定取值，根据当前时刻电器的十进制状态值计算二进制状态值；

步骤2.3、拼接表示，将所得到的二进制状态值根据电器排序从高到低拼接，得到最终的结果。

5.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：

步骤5所述基于维特比算法进行状态识别并得到预测状态序列的方法包括：

步骤5.1、初始化：

δ[0,i]＝π[i]·B[i,y₀]

步骤5.2、递归计算：

δ[t,i]＝max_j(B[i,y_t]·δ[t-1,j]·A[j,i])

ψ[t,i]＝argmax_j(δ[t-1,j]·A[j,i])

步骤5.3、终止状态计算：

4)最优序列回溯：

此时得到的序列即是预测最优隐含状态序列

6.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：步骤6所述根据预测状态序列和各聚类簇的统计值，基于极大似然估计原理分解负荷功率的方法为：步骤6.1、根据各电器样本的聚类簇的均值与方差，建立各电器各状态的正态分布概率密度函数；步骤6.2、基于极大似然估计建立目标函数，即求联合概率的最大值。

7.根据权利要求6所述的一种非侵入式负荷分解方法，其特征在于：所述目标函数为：

式中，σ_[i,j]和μ_[i,j]分别指第i个电器的第j个聚类簇的标准差和均值，N为电器个数，P⁽ⁱ⁾指每个电器的分解有功功率，P^L指总负荷的有功功率，f_[i,j](P⁽ⁱ⁾)指电器i处于j运行状态时消耗功率P⁽ⁱ⁾的概率。

Images