CN114358367A - 一种非侵入式负荷分解方法及装置 - Google Patents

Abstract

本发明提供一种非侵入式负荷分解方法及装置。所述方法包括以下步骤：确定每个被监测负荷的状态数量；基于每个负荷的状态建立单个负荷的隐马尔可夫模型HMM；建立由独立的单个负荷的HMM模型组成的总负荷的因子隐马尔可夫模型FHMM；基于总负荷的FHMM模型及总负荷各个观测时刻的有功功率，求解每个负荷各个观测时刻的状态及有功功率。本发明实现了非侵入负荷分解。由于FHMM模型由多个相互独立的HMM组成，属于无监督学习算法，无需单个负荷的数据进行训练，减少了人工干预，增强了实用性。本发明通过将有功功率作为总负荷的观测数据，使每条HMM的输出经线性叠加得到FHMM的输出，简单化了负荷分解方法。

Description

一种非侵入式负荷分解方法及装置

技术领域

本发明属于负荷检测技术领域，具体涉及一种非侵入式负荷分解方法及装置。

背景技术

与云计算相比，边缘计算满足移动网络高速发展所需的高带宽、低时延的要求，并能减轻网络负荷。此外，边缘计算还具有提高能量效率，增强数据安全性等优势。从2016年开始，边缘计算已迅速获得了业内人士的密切关注，不仅多个组织积极推进边缘计算标准的制定，不同应用场景下基于边缘计算的解决方案也应运而生。

非侵入式负荷监测(Non-Intrusive Load Monitoring，简称NILM)是属于边缘计算中的一种技术，与传统的侵入式负荷监测技术相比，其拥有操作简易、可靠性高、成本较低、数据完整和易于迅速推广等优势。因此，NILM不仅使电器公司便捷化、智能化地管理和监测用电设备，而且有助于用户了解家庭内各个电器的使用情况，以便于用户合理安排各个家庭电器的使用时间，从而减少能源的消耗。

负荷分解是非侵入式负荷监测中的重要一环，其算法主要分为两类，一类是基于事件的负荷分解方法，另一类是基于负荷模型的负荷分解方法。近年来，学者们提出了很多基于事件的分解算法，使得该类方法的非侵入式负荷分解准确率不断得到提升。但事件检测算法仅仅针对采样率较高的数据样本，因此该类算法存在一定的局限性。另一方面，基于负荷模型的负荷分解算法中主要涉及监督学习方法、非监督学习方法和隐马尔可夫模型及其变体，该类方法计算量大、计算流程复杂。基于监督学习的符合分解算法涉及的负荷种类不多，处理的场景也较简单；基于非监督学习的分解算法精度不高。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种非侵入式负荷分解方法及装置，在不损失分解精度的前提下进行非侵入式负荷分解，简化了负荷分解的计算流程。

为了实现上述目的，本发明采用以下技术方案。

第一方面，本发明提供一种非侵入式负荷分解方法，包括以下步骤：

确定每个被监测负荷的状态数量；

基于每个负荷的状态建立单个负荷的隐马尔可夫模型HMM；

建立由独立的单个负荷的HMM模型组成的总负荷的因子隐马尔可夫模型FHMM；

基于总负荷的FHMM模型及总负荷各个观测时刻的有功功率，求解每个负荷各个观测时刻的状态及有功功率。

进一步地，基于每个负荷和/或与其种类相同的负荷的历史数据确定待监测的每个负荷的状态数量；或基于REDD数据集利用聚类算法确定待监测的每个负荷的状态数量。

进一步地，单个负荷的HMM模型为：λ＝(π,S,V,A,B)，其中，

S为状态集合，S＝{s₁,s₂,…,s_N}，s_i为第i个状态，i＝1,2,…,N，N为状态的数量；

V为观测状态集合，V＝{v₁,v₂,…,v_T}，v_t为第t个观测时刻的状态，v_t∈S，观测序列为o＝{o₁,o₂,…,o_T}，o_t为第t个观测时刻的观测值即有功功率，t＝1,2,…,T，T为观测时刻的数量；

A为状态转移概率矩阵，A＝{a_ij}，a_ij为从状态s_i转移到状态s_j的概率，a_ij＝P(v_t+1＝s_jIv_t＝s_i)，1≤i,j≤N，A每行的元素和为1；

B为观测概率矩阵，B＝{b_ti}，b_ti为从状态s_i生成观测值o_t的概率，b_ti＝P(o＝o_tIv_t＝s_i)，其概率密度服从高斯分布，B每行的元素和为1；

π为初始概率分布，π＝{π₁,π₂,…,v_N}，π_i为初始时刻状态为s_i的概率，初始时刻状态概率的和为1。

更进一步地，总负荷的FHMM模型为：λ＝(π,A,B,M)，其中，M为FHMM模型的层数即负荷的数量，每层对应一个负荷的HMM模型；π为初始概率分布

A为状态概率转移矩阵，矩阵元素表示的概率为

B为观测概率矩阵，矩阵元素表示的概率为

其概率密度服从高斯分布；总负荷的有功功率

为第i个负荷第t个观测时刻的状态，

为第i个负荷第t个观测时刻的有功功率，O_t为总负荷第t个观测时刻的有功功率，i＝1,2,…,M。

进一步地，所述方法还包括：将有功功率观测值相似度超过设定阈值的多个负荷看作一个单个负荷，建立所述单个负荷的HMM模型。

进一步地，所述方法还包括：对实时采集的总负荷的有功功率观测数据进行滤波后再进行负荷分解。

进一步地，所述方法还包括按以下方法对负荷的状态进行编码：假设负荷的状态数为N，负荷的状态码由一个“1”和N-1个“0”组成，状态码的每一位表示一个状态，“1”对应的状态即为当前观测时刻负荷所处的状态。

进一步地，采用Viterbi算法求解每个负荷各个观测时刻的状态。

更进一步地，采用优化算法求解每个负荷各个观测时刻有功功率O_t ⁱ：

目标函数为：

式中，u、σ分别为高斯分布的均值和标准差；

约束条件为：

第二方面，本发明提供一种非侵入式负荷分解装置，包括：

状态确定模块，用于确定每个被监测负荷的状态数量；

第一建模模块，用于基于每个负荷的状态建立单个负荷的隐马尔可夫模型HMM；

第二建模模块，用于建立由独立的单个负荷的HMM模型组成的总负荷的因子隐马尔可夫模型FHMM；

负荷分解模块，用于基于总负荷的FHMM模型及总负荷各个观测时刻的有功功率，求解每个负荷各个观测时刻的状态及有功功率。

与现有技术相比，本发明具有以下有益效果。

本发明通过确定每个负荷的状态数量，建立单个负荷的隐马尔可夫模型HMM，建立由独立的单个负荷的HMM模型组成的总负荷的因子隐马尔可夫模型FHMM，基于总负荷的FHMM模型及总负荷各个观测时刻的有功功率，求解每个负荷各个观测时刻的状态及有功功率，实现了非侵入负荷分解。由于FHMM模型由多个相互独立的HMM组成，属于无监督学习算法，无需单个负荷的数据进行训练，减少了人工干预，增强了实用性。另外，通过将有功功率作为总负荷的观测数据，使每条HMM的输出经线性叠加得到FHMM的输出，简单化了负荷分解方法。

附图说明

图1为本发明实施例一种的流程图。

图2为单个负荷的隐马尔可夫模型HMM的示意图。

图3为总负荷的因子隐马尔可夫模型FHMM的示意图。

图4为本发明实施例一种非侵入式负荷分解装置的方框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。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。

图1为本发明实施例一种非侵入式负荷分解方法的流程图，包括以下步骤：

步骤101，确定每个被监测负荷的状态数量；

步骤102，基于每个负荷的状态建立单个负荷的隐马尔可夫模型HMM；

步骤103，建立由独立的单个负荷的HMM模型组成的总负荷的因子隐马尔可夫模型FHMM；

步骤104，基于总负荷的FHMM模型及总负荷各个观测时刻的有功功率，求解每个负荷各个观测时刻的状态及有功功率。

本实施例中，步骤101主要用于确定每个负荷的状态数量。非侵入负荷分析主要是对负荷的运行或工作状态进行识别。不同负荷有不同的工作状态和不同的工作状态数量，常用电器负荷的工作状态有以下三种情况：一是只有两种工作状态，如照明灯只有打开和关闭。二是工作状态数量多于两种但数量有限，如洗衣机、烤箱、微波炉、电磁炉等。大部分家用电器都属于这两种情况，其共同特点是负荷在各种工作状态下的特征比较稳定。第三种情况比较复杂，此类负荷的特点是稳态运行过程中的功率没有恒定均值，而是在一个范围内连续变化，无一致性的启、停，功率发生阶跃，如空调、电冰箱等。在被监测负荷已知的情况下，前两种情况的负荷的状态数量一般是可以确定的，第三种情况负荷的状态数可以根据历史数据或通过实验获得。本实施例对具体的确定方法不作限定。

本实施例中，步骤102主要用于建立单个负荷的隐马尔可夫模型HMM。隐马尔可夫模型(Hidden Markov Model，HMM)是关于时序的概率模型，描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列，即状态序列(state sequence)以及由各个状态生成一个观测值而得到的可观测随机序列，即观测序列(observation sequence)。HMM模型一般有两个特征：一是基于序列的，比如时间序列，或者状态序列。二是包含两种数据序列，一种为观测序列，即可以直接从采集数据中观察到的数据序列的，如在被监测家庭电力线入口处采集到的所有用电器总的电力负荷数据，比如稳态电流值、有功功率值等；而另一种为状态序列即隐藏状态序列，数据是不可以观测到的，比如各个电器负荷运行过程的工作状态。因此，根据HMM模型原理，在确定了每个负荷的状态数后就可以建立单个负荷的HMM模型了。单个负荷的HMM模型的示意图如图2所示。

本实施例中，步骤103主要用于建立总负荷的因子隐马尔可夫模型FHMM。FHMM(Factorial Hidden Markov Model)是对隐马尔可夫模型HMM的扩展，包含了多条马尔可夫链和一个观测序列。基于FHMM建立负荷模型，可以利用HMM包含的双重随机过程对负载的波动负荷进行建模和分析。本实施例建立的总负荷FHMM模型，由相互独立的单个负荷的HMM模型组成，一个负荷的HMM模型对应一条马尔可夫链，但输出的不是每条马尔可夫链的观测值，而是所有马尔可夫链观测值的和，即总负荷的观测值—总有功功率。采用有功功率作为观测值就是利用了各负荷的有功功率可以直接相加的特性，如果观测值是视在功率就不能直接相加了。总负荷的FHMM模型的示意图如图3所示。

本实施例中，步骤104主要用于进行负荷分解。本实施例是利用现有的优化算法基于建好的总负荷的FHMM模型进行负荷分解。负荷分解分为两步：首先求解每个负荷各个观测时刻所处的状态，即负荷状态估计；然后在此基础上进一步采用优化算法得到各个负荷不同观测时刻的有功功率。负荷状态估计问题，是已知负荷总的有功功率数据求模型中负荷的最佳状态序列。由于总负荷的有功功率观测数据是已知的，因此优化目标函数可以用状态序列和观测序列的联合概率最大来等价。常用的优化算法有前向-后向算法(forward-backward algorithm)、期望-最大化(Expectation-Maximization，EM)算法和Viterbi算法等。本实施例对具体的算法不作限定。

作为一可选实施例，基于每个负荷和/或与其种类相同的负荷的历史数据确定待监测的每个负荷的状态数量；或基于REDD数据集利用聚类算法确定待监测的每个负荷的状态数量。

本实施例给出了确定负荷状态数量的一种技术方案。如前述，大部分家用电器的工作状态数量是有限的，而且是已知的，这些负荷的状态数量很容易确定。只有少数家用电器或设备的工作状态比较复杂，不同的应用场景呈现的状态变化也不同。这种负荷的状态数量，可以根据它们的历史观测数据进行判断，也可以根据通过实验获得的数据进行判断。由于相同种类的负荷状态数量是一致的，因此也可以利用同类产品的数据。REDD数据集是非常好的一种可利用数据资源。REDD数据集是第一个非侵入式负荷监测研究领域的大型公开数据集，包含来自多个家庭的详细用电信息，旨在推进非侵入负荷检监测研究。REDD数据集中有美国6个家庭的数据，每个家庭基本上都有一到几个月的数据量。同时提供15kHz的高频数据和秒级的低频数据，低频数据电表是1s采样周期，电器是3s采样周期。可以利用REDD数据集中与待确定负荷相同种类的负荷的采集数据，通过聚类算法得到其工作状态的数量。表1给出了对REDD数据集中的电灯、冰箱、洗衣机、洗碗机和微波炉五个电器的有功功率采样数据进行K-means聚类的结果。

表1 聚类结果

作为一可选实施例，单个负荷的HMM模型为：λ＝(π,S,V,A,B)，其中，

S为状态集合，S＝{s₁,s₂,…,s_N}，s_i为第i个状态，i＝1,2,…,N，N为状态的数量；

V为观测状态集合，V＝{v₁,v₂,…,v_T}，v_t为第t个观测时刻的状态，v_t∈S，观测序列为o＝{o₁,o₂,…,o_T}，o_t为第t个观测时刻的观测值即有功功率，t＝1,2,…,T，T为观测时刻的数量；

A为状态转移概率矩阵，A＝{a_ij}，a_ij为从状态s_i转移到状态s_j的概率，a_ij＝P(v_t+1＝s_jIv_t＝s_i)，1≤i,j≤N，A每行的元素和为1；

B为观测概率矩阵，B＝{b_ti}，b_ti为从状态s_i生成观测值o_t的概率，b_ti＝P(o＝o_tIv_t＝s_i)，其概率密度服从高斯分布，B每行的元素和为1；

π为初始概率分布，π＝{π₁,π₂,…,v_N}，π_i为初始时刻状态为s_i的概率，初始时刻状态概率的和为1。

本实施例对单个负荷的HMM模型进行了具体的描述。HMM通常由五个元素λ＝(π,S,V,A,B)表示，π为初始概率分布，S为状态集合，V为观测状态集合，A为状态转移概率矩阵，B为观测概率矩阵。一般情况下也可以简化表示为λ＝(π,A,B)。上面对每个集合和矩阵的定义和特性分别进行了详细说明，这里不再赘述。

作为一可选实施例，总负荷的FHMM模型为：λ＝(π,A,B,M)，其中，M为FHMM模型的层数即负荷的数量，每层对应一个负荷的HMM模型；π为初始概率分布

A为状态概率转移矩阵，矩阵元素表示的概率为

B为观测概率矩阵，矩阵元素表示的概率为

其概率密度服从高斯分布；总负荷的有功功率

为第i个负荷第t个观测时刻的状态，

为第i个负荷第t个观测时刻的有功功率，O_t为总负荷第t个观测时刻的有功功率，i＝1,2,…,M。

本实施例对总负荷的FHMM模型进行了具体的描述。FHMM通常用六个元素λ＝(π,S,V,A,B,M)表示，也可以简化表示为λ＝(π,A,B,M)。M为FHMM模型的层数，也就是马尔可夫链的条数，等于负荷的数量。相对单个负荷的HMM模型，π、A、B的名称虽然都未变，仍分别称为初始概率分布、状态转移概率矩阵和观测概率矩阵，但具体内容都有变化。上面对每个具体参数的定义和特性分别进行了详细说明，这里不再赘述。

作为一可选实施例，所述方法还包括：将有功功率观测值相似度超过设定阈值的多个负荷看作一个单个负荷，建立所述单个负荷的HMM模型。

本实施例给出了对单个负荷HMM模型进行优化的一种技术方案。非侵入式负荷分解实现过程中，实际情况下被监测的家庭电器数目繁多，如果将所有的负荷都用一条马尔科夫链来进行建模，再将其运用FHMM模型组合在一起进行建模，那么这个总负荷的模型将会十分庞大。但我们发现，家庭电器中经常存在多个相似的负荷，例如卧室里的电灯和客厅的电灯，虽然它们可能型号不同、有功功率不同，但是同为电灯肯定会存在相似性；还有一些负荷由于逻辑关系，一般情况下是同时启动和关闭，例如同一台电脑的显示屏和主机，虽然它们不是同一种负荷，但是这两个负荷的运行状态一般是统一的。因此，根据建模情况，可以将一些观测数据相似度比较高的负荷使用同一条马尔科夫链建模，这样就可以在一定程度上减少FHMM模型中的马尔科夫链的条数，从而使模型得到简化。表2给出了REDD数据集中几种电器有功功率观测数据的相似度值。

表2 几种电器的相似度

	冰箱	电脑显示屏	电脑主机	电灯1	电灯2
						冰箱	1.000	0.005	0.007	0.016	0.025
电脑显示屏	0.005	1.000	0.816	0.053	0.072
						电脑主机	0.007	0.816	1.000	0.011	0.015
电灯1	0.016	0.053	0.011	1.000	0.740
						电灯2	0.025	0.072	0.015	0.740	1.000

由表2可知，电脑显示屏与电脑主机的相似度高达0.816，电灯1与电灯2的相似度也有0.740。因此，电脑显示屏与电脑主机可以看作是一种负荷共用一条HMM链，电灯1与电灯2也可以看作是一种负荷共用一条HMM链。

作为一可选实施例，所述方法还包括：对实时采集的总负荷的有功功率观测数据进行滤波后再进行负荷分解。

本实施例给出了一种数据预处理的技术方案。总负荷的观测数据是从电力线上实际采集的结果，因此观测数据中往往存在很多异常数据，比如噪声干扰信号。为了提高负荷分解精度，在进行负荷分解前需要对观测数据进行去噪处理。目前比较常用的数据除噪方法有均值滤波、中值滤波等。本实施例对具体的滤波方法不作限制。

作为一可选实施例，所述方法还包括按以下方法对负荷的状态进行编码：假设负荷的状态数为N，负荷的状态码由一个“1”和N-1个“0”组成，状态码的每一位表示一个状态，“1”对应的状态即为当前观测时刻负荷所处的状态。

本实施例给出了负荷状态编码的一种技术方案。为了使用FHMM模型对总负荷模型进行负荷分解，需要对每个不同的负荷进行编码，以此表示状态的转换。针对总负荷中包含的有限状态型负荷，本实施提出了一种编码方式，根据负荷的状态数N，给其分配N位二进制数字串，一位表示一个状态，而且只有一位为“1”，其它各位均为“0”。为“1”的位表示的状态即为负荷当前观测时刻的状态。例如，一个拥有4个状态并且目前处于状态3的负荷，它的状态编码就是“0010”。

作为一可选实施例，采用Viterbi算法求解每个负荷各个观测时刻的状态。

本实施例给出了求解负荷各个观测时刻状态的一种技术方案。本实施例采用Viterbi算法进行求解。Viterbi算法是一种以动态规划思想寻找篱笆型图的最短路径的方法。它常被用来解决隐马尔科夫模型的预测问题，即用动态规划思想寻找概率最大的路径。根据动态规划的思想，通过一步步地寻找局部最优来最终获得全局最优。其过程分为两步：先寻找概率最大的路径；在得到概率最大路径之后，从最优路径终点开始，回溯地寻找最优路径上当前点的上一个点，直到找到最优路径起点。Viterbi算法是比较成熟的现有技术，上面给出了其技术原理，这里对具体的求解方法不做详细介绍。

作为一可选实施例，采用优化算法求解每个负荷各个观测时刻有功功率O_t ⁱ：

目标函数为：

式中，u、σ分别为高斯分布的均值和标准差；

约束条件为：

本实施例给出了基于每个负荷各个观测时刻的状态求解各个观测时刻有功功率的一种技术方案。在得到负荷的工作运行状态序列之后，还需要对每个负荷输出的有功序列进行估计。可以用优化问题来解决此问题，考虑到单个负荷状态与观测值之间的概率关系，以及总负荷与单个负荷之间的线性叠加关系，得到上面列出的目标函数和约束条件。求解后即可得到每个负荷各个观测时刻的有功功率。

图4为本发明实施例一种非侵入式负荷分解装置的组成示意图，所述装置包括：

状态确定模块11，用于确定每个被监测负荷的状态数量；

第一建模模块12，用于基于每个负荷的状态建立单个负荷的隐马尔可夫模型HMM；

第二建模模块13，用于建立由独立的单个负荷的HMM模型组成的总负荷的因子隐马尔可夫模型FHMM；

负荷分解模块14，用于基于总负荷的FHMM模型及总负荷各个观测时刻的有功功率，求解每个负荷各个观测时刻的状态及有功功率。

本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本发明实施例一种非侵入式负荷分解装置，包括：

存储器，用于存储上述实施例非侵入式负荷分解方法处理过程对应的程序代码；

处理器，用于执行上述实施例非侵入式负荷分解方法处理过程对应的程序代码。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种非侵入式负荷分解方法，其特征在于，包括以下步骤：

确定每个被监测负荷的状态数量；

基于每个负荷的状态建立单个负荷的隐马尔可夫模型HMM；

建立由独立的单个负荷的HMM模型组成的总负荷的因子隐马尔可夫模型FHMM；

基于总负荷的FHMM模型及总负荷各个观测时刻的有功功率，求解每个负荷各个观测时刻的状态及有功功率。

2.根据权利要求1所述的非侵入式负荷分解方法，其特征在于，基于每个负荷和/或与其种类相同的负荷的历史数据确定待监测的每个负荷的状态数量；或基于REDD数据集利用聚类算法确定待监测的每个负荷的状态数量。

3.根据权利要求1所述的非侵入式负荷分解方法，其特征在于，单个负荷的HMM模型为：λ＝(π,S,V,A,B)，其中，

S为状态集合，S＝{s₁,s₂,…,s_N}，s_i为第i个状态，i＝1,2,…,N，N为状态的数量；

V为观测状态集合，V＝{v₁,v₂,…,v_T}，v_t为第t个观测时刻的状态，v_t∈S，观测序列为o＝{o₁,o₂,…,o_T}，o_t为第t个观测时刻的观测值即有功功率，t＝1,2,…,T，T为观测时刻的数量；

A为状态转移概率矩阵，A＝{a_ij}，a_ij为从状态s_i转移到状态s_j的概率，a_ij＝P(v_t+1＝s_jIv_t＝s_i)，1≤i,j≤N，A每行的元素和为1；

B为观测概率矩阵，B＝{b_ti}，b_ti为从状态s_i生成观测值o_t的概率，b_ti＝P(o＝o_tIv_t＝s_i)，其概率密度服从高斯分布，B每行的元素和为1；

π为初始概率分布，π＝{π₁,π₂,…,v_N}，π_i为初始时刻状态为s_i的概率，初始时刻状态概率的和为1。

4.根据权利要求3所述的非侵入式负荷分解方法，其特征在于，总负荷的FHMM模型为：λ＝(π,A,B,M)，其中，M为FHMM模型的层数即负荷的数量，每层对应一个负荷的HMM模型；π为初始概率分布

A为状态概率转移矩阵，矩阵元素表示的概率为

B为观测概率矩阵，矩阵元素表示的概率为

其概率密度服从高斯分布；总负荷的有功功率

V_t ⁱ为第i个负荷第t个观测时刻的状态，

为第i个负荷第t个观测时刻的有功功率，O_t为总负荷第t个观测时刻的有功功率，i＝1,2,…,M。

5.根据权利要求1所述的非侵入式负荷分解方法，其特征在于，所述方法还包括：将有功功率观测值相似度超过设定阈值的多个负荷看作一个单个负荷，建立所述单个负荷的HMM模型。

6.根据权利要求1所述的非侵入式负荷分解方法，其特征在于，所述方法还包括：对实时采集的总负荷的有功功率观测数据进行滤波后再进行负荷分解。

7.根据权利要求1所述的非侵入式负荷分解方法，其特征在于，所述方法还包括按以下方法对负荷的状态进行编码：假设负荷的状态数为N，负荷的状态码由一个“1”和N-1个“0”组成，状态码的每一位表示一个状态，“1”对应的状态即为当前观测时刻负荷所处的状态。

8.根据权利要求4所述的非侵入式负荷分解方法，其特征在于，采用Viterbi算法求解每个负荷各个观测时刻的状态。

9.根据权利要求8所述的非侵入式负荷分解方法，其特征在于，采用优化算法求解每个负荷各个观测时刻有功功率

目标函数为：

式中，u、σ分别为高斯分布的均值和标准差；

约束条件为：

10.一种非侵入式负荷分解装置，其特征在于，包括：

状态确定模块，用于确定每个被监测负荷的状态数量；

第一建模模块，用于基于每个负荷的状态建立单个负荷的隐马尔可夫模型HMM；

第二建模模块，用于建立由独立的单个负荷的HMM模型组成的总负荷的因子隐马尔可夫模型FHMM；

负荷分解模块，用于基于总负荷的FHMM模型及总负荷各个观测时刻的有功功率，求解每个负荷各个观测时刻的状态及有功功率。

Images