CN114372357A - 一种基于因子隐马尔可夫模型的工业负荷分解方法 - Google Patents

Abstract

本发明涉及一种基于因子隐马尔可夫模型的工业负荷分解方法，包括以下步骤：步骤1、基于FHMM建立工业负荷模型；步骤2、对应用场景的数据进行分析，对步骤1基于FHMM建立的工业负荷模型进行改进；步骤3、使用EM算法对负荷总的有功数据进行训练，估计步骤2中所建立的改进后的基于FHMM建立的工业负荷模型的参数；步骤4、基于步骤3所得的基于FHMM的工业负荷参数模型，利用Viterbi算法求解负荷状态估计问题，得到负荷的工作运行状态序列；步骤5、得到步骤4的负荷的工作运行状态序列之后，对每个负荷的输出有功序列进行估计。本发明能够解决工业负荷状态识别和电量精确估计的问题。

Description

一种基于因子隐马尔可夫模型的工业负荷分解方法

技术领域

本发明属于负荷分解技术领域，涉及一种工业负荷分解方法，尤其是一种基于因子隐马尔可夫模型的工业负荷分解方法。

背景技术

电力负荷设备监测和分解方法大致可分为侵入式和非侵入式两大类[1]。传统的侵入式负荷监测方法，通过给每个负荷安装传感器以获得用户的电器用电数据，该方法测量的数据可以真实反映电器用电情况，但是存在不实际、实施成本高、难以被用户接受等缺点。而非侵入式负荷监测(non-intrusive load monitoring，NILM)仅需在用户的电表加入NILM模块就可以对该用户所用负荷类型进行判断。不需要在用户的家中安装大量的传感器，经济成本较低，，检测设备的检修较为方便，不会干扰用户的生产生活。目前，已有大量学者针对居民用户的非侵入式负荷分解进行了研究[2,3,4]，但是在工业领域很少有研究针对工业用户进行非侵入式监测。

隐马尔可夫模型(Hidden Markov Models,HMM)是非侵入式负荷监测和分解常用的算法，具有较强的动态建模与分类能力，但是由于负荷自身电气特性变化等原因，负荷的测量状态如功率可能持续变化，运行过程中出现新的状态转移,但当前基于HMM的非侵入式负荷监测方法并未考虑如何处理该情况,缺乏状态辨识与功率分解的泛化能力。FHMM由Ghahramani和Jordan提出，是HMM的一种扩展模型，包含多条独立的HMM。它是一种动态模式识别工具，具有强大的时序模型分类能力，特别适合非平稳、重复再现性差的信号分析，并且可以减弱HMM的过拟合现象，然而在工业负荷分解领域缺少基于FHMM的分解方法。

经检索，未发现与本发明相同或相似的现有技术的专利文献。

发明内容

本发明的目的在于克服现有技术的不足，提出一种基于因子隐马尔可夫模型的工业负荷分解方法，能够解决工业负荷状态识别和电量精确估计的问题。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于因子隐马尔可夫模型的工业负荷分解方法，包括以下步骤：

步骤1、基于FHMM建立工业负荷模型；

步骤2、对应用场景的数据进行分析，对步骤1基于FHMM建立的工业负荷模型进行改进；

步骤3、使用EM算法对负荷总的有功数据进行训练，估计步骤2中所建立的改进后的基于FHMM建立的工业负荷模型的参数；

步骤4、基于步骤3所得的基于FHMM的工业负荷参数模型，利用Viterbi算法求解负荷状态估计问题，得到负荷的工作运行状态序列；

步骤5、得到步骤4的负荷的工作运行状态序列之后，对每个负荷的输出有功序列进行估计。

而且，所述步骤1的具体步骤包括

(1)根据用电负荷的运行的状态数，将用电负荷分为四类：常开型负荷、ON/OFF型负荷、FSM型负荷和CVD型负荷。

(2)分别针对四类用电负荷，基于FHMM建立工业负荷模型；

①常开型负荷：仅有一个状态；

②ON/OFF型负荷和FSM型负荷：

用HMM建立的负荷模型来表示，用有限状态集合S＝[s₁,s₂,...,s_K]描述负荷的工作状态，s_k为负荷的第k个状态值，K为负荷的工作状态个数；用离散时间序列Q＝[q₁,q₂,...,q_T]表示负荷的运行过程，其中q_t∈S，表示负荷在t时刻所处的状态，T为运行时间长度；负荷状态输出的有功功率值可以用O＝[o₁,o₂,...,o_T]表示，其中o_t表示t时刻的负荷的功率值；

因此ON/OFF型设备和FSM型设备单个负荷模型可以表示为λ＝{A,B,π}，其中：π为负荷初始状态概率；A为负荷状态转移概率矩阵；B为负荷输出概率P(o|q＝i)的矩阵，P(o|q＝i)的计算方式如式(1)：

其中，p为功率值o的维度；μ_q为均值向量；C为观测向量的协方差矩阵；

③CVD型负荷：每个负荷都可以基于FHMM建立负荷模型，对于负荷i∈N，工作状态序列可以用一个马尔科夫链

表示，用

表示负荷i输出的有功功率序列；此模型中单一负荷的有功值是不可观测的，能观测到的为电力入口处的总负荷的有功数据O＝[o₁,o₂,...,o_T]，基于FHMM的N个电力设备的负荷模型参数同样可以定义为λ＝{A,B,π}，其中：π为初始概率分布，即

A为状态转移概率矩阵；B为输出概率矩阵。

而且，所述步骤2的具体步骤包括：

(1)对于从应用场景中采集到的数据，采用数据中值滤波器，在不损失微观特征的情况下剔除功率数据中的异常值；

其中，数据中值滤波器的计算方法如下：一组有功功率序列x₁,x₂,...,x_n，按数值的大小顺序将n个值排序为x_i1≤x_i2≤x_i3≤…≤x_in，则中值y为：

(2)对滤波后的应用场景的数据进行分析，以对步骤1的基于FHMM建立工业负荷模型进行改进：

将部分线路建模为多个HMM模型的组合模型；

而且，所述步骤3的具体方法为：

已知观测序列O＝[o₁,o₂,...,o_T]，求HMM参数λ＝{A,B,π}的最优估计，使得P(O|λ)最大。进行参数最优估计时采用EM算法，不断地调整参数，使结果达到最优的效果。

而且，所述步骤4的具体方法为：

在估计过程中，可以将目标函数表示为：

利用FHMM由多条独立的HMM组成的特点，可以将目标进一步改为：

用对数形式将上式的优化目标函数简化为：

迭代后的结果为：

而且，所述步骤5的具体方法为：

已知模型参数λ、负荷总的有功数据O＝[o₁,o₂,...,o_T]以及每个负荷的运行状态

需要求解出每个负荷的有功功率

采用优化问题求解，以对每个负荷的输出有功序列进行估计。

本发明的优点和有益效果：

1、本发明提出了一种基于FHMM的工业负荷分解方法，旨在解决工业负荷状态识别和电量精确估计的问题。本发明能够克服已有方法中负荷关联性不强导致的分解效果差的问题，以较高的准确度对既定目标工业负荷的电量进行估计。进而促进非侵入式负荷分解在工业领域的推广应用，实现对工业用电进行配置优化，帮助工厂节约用电、降低生产成本。

2、本发明针对工业负荷运行特性复杂的特点，提出了一种使用各线路的数据生成各线路的HMM模型，再合为FHMM模型的负荷模型建立方法，并在FHMM的基础上建立了工业负荷的非侵入式分解模型，实现基于FHMM的工业负荷分解方法进行负荷检测，为帮助工业用户提高能源效率，节约用电等提供支撑。

附图说明

图1是本发明的基于因子隐马尔可夫模型的工业负荷分解方法流程图；

图2是本发明的基于HMM的单个电力负荷模型图；

图3是本发明的基于FHMM的N个电力负荷模型结构图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种基于因子隐马尔可夫模型的工业负荷分解方法，如图1所示，包括以下步骤：

步骤1、基于FHMM建立工业负荷模型；

所述步骤1的具体步骤包括

(1)根据用电负荷的运行的状态数，将用电负荷分为四类：常开型负荷、ON/OFF型负荷、FSM型负荷和CVD型负荷。

(2)分别针对四类用电负荷，基于FHMM建立工业负荷模型；

①常开型负荷：仅有一个状态；

②ON/OFF型负荷和FSM型负荷：

此类负荷的基本用电过程可以用HMM建立的负荷模型来表示，如图2所示。用有限状态集合S＝[s₁,s₂,...,s_K]描述负荷的工作状态，s_k为负荷的第k个状态值，K为负荷的工作状态个数；用离散时间序列Q＝[q₁,q₂,...,q_T]表示负荷的运行过程，其中q_t∈S，表示负荷在t时刻所处的状态，T为运行时间长度；负荷状态输出的有功功率值可以用O＝[o₁,o₂,...,o_T]表示，其中o_t表示t时刻的负荷的功率值。

因此ON/OFF型设备和FSM型设备单个负荷模型可以表示为λ＝{A,B,π}，其中：π为负荷初始状态概率；A为负荷状态转移概率矩阵；B为负荷输出概率P(o|q＝i)的矩阵，P(o|q＝i)的计算方式如式(1)。

其中，p为功率值o的维度；μ_q为均值向量；C为观测向量的协方差矩阵。

③CVD型负荷：每个负荷都可以基于FHMM建立负荷模型，对于负荷i∈N，工作状态序列可以用一个马尔科夫链

表示，用

表示负荷i输出的有功功率序列；此模型中单一负荷的有功值是不可观测的，能观测到的为电力入口处的总负荷的有功数据O＝[o₁,o₂,...,o_T]，基于FHMM的N个电力设备的负荷模型参数同样可以定义为λ＝{A,B,π}，其中：π为初始概率分布，即

A为状态转移概率矩阵；B为输出概率矩阵。

在本实施例中，ON/OFF型负荷和FSM型负荷在本质上没有差异，两者的运行状态数目都是有限的，且负荷在各运行状态下的特征比较稳定，大部分的负荷都是属于这两种类型。此类负荷的基本用电过程可以用HMM建立的负荷模型来表示。用有限状态集合S＝[s₁,s₂,...,s_K]描述负荷的工作状态，s_k为负荷的第k个状态值，K为负荷的工作状态个数；用离散时间序列Q＝[q₁,q₂,...,q_T]表示负荷的运行过程，其中q_t∈S，表示负荷在t时刻所处的状态，T为运行时间长度；负荷状态输出的有功功率值可以用O＝[o₁,o₂,...,o_T]表示，其中o_t表示t时刻的负荷的功率值。

因此ON/OFF型设备和FSM型设备单个负荷模型可以表示为λ＝{A,B,π}，其中：π为负荷初始状态概率；A为负荷状态转移概率矩阵；B为负荷输出概率P(o|q＝i)的矩阵，P(o|q＝i)的计算方式如式(1)。

其中，p为功率值o的维度；μ_q为均值向量；C为观测向量的协方差矩阵。

CVD型负荷的运行特点与ON/OFF和FSM型负荷相比具有很大的不同，其工作状态具有连续变化的特点，没有相对稳定的负荷特性。基于FHMM的电力负荷模型可以解决这一问题，FHMM中具有多条HMM，每条HMM对应一个负荷，CVD型负荷不稳定的特征可以通过HMM的输出概率分布来表示，从而将CVD型负荷的输出变为由有限个离散状态对应的观测序列，可以近似的描述其运行过程。

具体到工业负荷分解场景中，对于包含N个电力设备的负荷分解，其模型用FHMM来描述，如图3所示。FHMM是由若干个相互独立的HMM(设备)并行演化而来，输出值(有功功率)取决于同一时刻所有HMM的状态。

每个负荷都可以基于HMM建立负荷模型：对于负荷i∈N，工作状态序列可以用一个马尔科夫链

表示，用

表示负荷i输出的有功功率序列。与单一电力负荷模型不同，此模型中单一负荷的有功值是不可观测的，能观测到的为电力入口处的总负荷的有功数据O＝[o₁,o₂,...,o_T]。基于FHMM的N个电力设备的负荷模型参数同样可以定义为λ＝{A,B,π}，其中：π为初始概率分布，即

A为状态转移概率矩阵；B为输出概率矩阵。

步骤2、对应用场景的数据进行分析，对步骤1基于FHMM建立的工业负荷模型进行改进；

所述步骤2的具体步骤包括：

2-1)对于从应用场景中采集到的数据，采用中值滤波器，在尽量不损失微观特征的情况下剔除功率数据中的异常值，以防止负荷事件误检。

中值滤波的基本原理是用数据序列中某一范围内各点数据的中值来代替某一点的值。

其中，数据中值的计算方法如下：一组有功功率序列x₁,x₂,...,x_n，按数值的大小顺序将n个值排序为x_i1≤x_i2≤x_i3≤…≤x_in，则中值为：

2-2)对滤波后的应用场景的数据进行分析，以对步骤1的基于FHMM建立工业负荷模型进行改进：

为了更好地处理多状态线路，将部分线路建模为多个HMM模型的组合模型；

例如用2个HMM表示3状态的线路。为了更好地处理波动太大的一些线路，在算法的滤波部分中增加下包络线的计算，提高分解效果。

步骤3、使用EM算法对负荷总的有功数据进行训练，估计步骤2中所建立的改进后的基于FHMM建立的工业负荷模型的参数；

所述步骤3的具体方法为：

已知观测序列O＝[o₁,o₂,...,o_T]，求HMM参数λ＝{A,B,π}的最优估计，使得P(O|λ)最大。进行参数最优估计时，采用EM算法，不断地调整参数，使结果达到最优的效果。

(3)迭代条件

设定迭代条件：|log P(O|λ⁽ⁿ⁺¹⁾)-logP(O|λ⁽ⁿ⁾)|＜ε，直至P(O|λ⁽ⁿ⁾)收敛，此时的λ⁽ⁿ⁾即为最终的FHMM参数。其中ε是设定的阈值。

步骤4、基于步骤3所得的基于FHMM的工业负荷参数模型，利用Viterbi算法求解负荷状态估计问题，得到负荷的工作运行状态序列；

所述步骤4的具体方法为：

在估计过程中，可以将目标函数表示为：

利用FHMM由多条独立的HMM组成的特点，可以将目标进一步改为：

用对数形式将上式的优化目标函数简化为：

迭代后的结果为：

步骤5、得到步骤4的负荷的工作运行状态序列之后，对每个负荷的输出有功序列进行估计；

所述步骤5的具体方法为：

已知模型参数λ、负荷总的有功数据O＝[o₁,o₂,...,o_T]以及每个负荷的运行状态

需要求解出每个负荷的有功功率

可以用优化问题来解决此问题,以对每个负荷的输出有功序列进行估计。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (5)

1.一种基于因子隐马尔可夫模型的工业负荷分解方法，其特征在于：包括以下步骤：

步骤1、基于FHMM建立工业负荷模型；

步骤2、对应用场景的数据进行分析，对步骤1基于FHMM建立的工业负荷模型进行改进；

步骤3、使用EM算法对负荷总的有功数据进行训练，估计步骤2中所建立的改进后的基于FHMM建立的工业负荷模型的参数；

步骤4、基于步骤3所得的基于FHMM的工业负荷参数模型，利用Viterbi算法求解负荷状态估计问题，得到负荷的工作运行状态序列；

步骤5、得到步骤4的负荷的工作运行状态序列之后，对每个负荷的输出有功序列进行估计。

2.根据权利要求1所述的一种基于因子隐马尔可夫模型的工业负荷分解方法，其特征在于：所述步骤1的具体步骤包括

(1)根据用电负荷的运行的状态数，将用电负荷分为四类：常开型负荷、ON/OFF型负荷、FSM型负荷和CVD型负荷。

(2)分别针对四类用电负荷，基于FHMM建立工业负荷模型；

①常开型负荷：仅有一个状态；

②ON/OFF型负荷和FSM型负荷：

用HMM建立的负荷模型来表示，用有限状态集合S＝[s₁,s₂,...,s_K]描述负荷的工作状态，s_k为负荷的第k个状态值，K为负荷的工作状态个数；用离散时间序列Q＝[q₁,q₂,...,q_T]表示负荷的运行过程，其中q_t∈S，表示负荷在t时刻所处的状态，T为运行时间长度；负荷状态输出的有功功率值可以用O＝[o₁,o₂,...,o_T]表示，其中o_t表示t时刻的负荷的功率值；

因此ON/OFF型设备和FSM型设备单个负荷模型可以表示为λ＝{A,B,π}，其中：π为负荷初始状态概率；A为负荷状态转移概率矩阵；B为负荷输出概率P(o|q＝i)的矩阵，P(o|q＝i)的计算方式如式(1)：

其中，p为功率值o的维度；μ_q为均值向量；C为观测向量的协方差矩阵；

③CVD型负荷：每个负荷都可以基于FHMM建立负荷模型，对于负荷i∈N，工作状态序列可以用一个马尔科夫链

表示，用

表示负荷i输出的有功功率序列；此模型中单一负荷的有功值是不可观测的，能观测到的为电力入口处的总负荷的有功数据O＝[o₁,o₂,...,o_T]，基于FHMM的N个电力设备的负荷模型参数同样可以定义为λ＝{A,B,π}，其中：π为初始概率分布，即

A为状态转移概率矩阵；B为输出概率矩阵。

3.根据权利要求1所述的一种基于因子隐马尔可夫模型的工业负荷分解方法，其特征在于：所述步骤2的具体步骤包括：

(1)对于从应用场景中采集到的数据，采用数据中值滤波器，在不损失微观特征的情况下剔除功率数据中的异常值；

其中，数据中值滤波器的计算方法如下：一组有功功率序列x₁,x₂,...,x_n，按数值的大小顺序将n个值排序为x_i1≤x_i2≤x_i3≤…≤x_in，则中值y为：

(2)对滤波后的应用场景的数据进行分析，以对步骤1的基于FHMM建立工业负荷模型进行改进：

将部分线路建模为多个HMM模型的组合模型；

4.根据权利要求1所述的一种基于因子隐马尔可夫模型的工业负荷分解方法，其特征在于：所述步骤3的具体方法为：

已知观测序列O＝[o₁,o₂,...,o_T]，求HMM参数λ＝{A,B,π}的最优估计，使得P(O|λ)最大。进行参数最优估计时采用EM算法，不断地调整参数，使结果达到最优的效果。

5.根据权利要求1所述的一种基于因子隐马尔可夫模型的工业负荷分解方法，其特征在于：所述步骤4的具体方法为：

在估计过程中，可以将目标函数表示为：

利用FHMM由多条独立的HMM组成的特点，可以将目标进一步改为：

用对数形式将上式的优化目标函数简化为：

迭代后的结果为：

而且，所述步骤5的具体方法为：

已知模型参数λ、负荷总的有功数据O＝[o₁,o₂,...,o_T]以及每个负荷的运行状态

需要求解出每个负荷的有功功率

采用优化问题求解，以对每个负荷的输出有功序列进行估计。

Images