[发明专利]一种基于DFHSMM非侵入式电力负荷监测方法及系统

说明书

本发明于电力负荷监测领域，尤其涉及基于DFHSMM的非侵入式电力负荷监测方法及系统，本发明将DFHMM和HSMM这两种模型结合成DFHSMM模型，利用DFHSMM模型对电力负荷及其内部所含用电设备进行建模，并提供了新方法用于求解DFHSMM模型，最终实现用电设备工作状态辨识。本发明的有益效果：能够同时考虑用电设备的稳态功率特征和工作状态持续时长特征，适用于存在未建模用电设备的场合，具有较高的实用性和鲁棒性；利用负荷事件增加约束条件大幅度减少负荷监测优化模型的解空间，提高模型的求解速度；根据功率特征对用电设备进行分类，对每个用电设备集群分别求解负荷监测优化模型，提高整体的求解速度。

技术领域

本发明属于电力负荷监测利用领域，尤其涉及一种基于DFHSMM非侵入式电力负荷监测方法及系统。

背景技术

电力负荷用电细节监测能够获得电力负荷内部每个或每种用电设备的使用情况。一方面，它有助于电力公司了解负荷组成及各成分的功率消耗情况，从而合理地确定系统运行方式和系统的负荷模型，提高电网的安全性和经济性；另一方面，它有助于用户了解每个或每种用电设备的使用情况，引导用户合理用电，从而减少电能消耗和消减峰荷，降低用电开支，而峰荷消减又可进一步提高电网运行的经济性。研究表明，将精细到用电设备的用电信息反馈给用户，有助于用户采取节能措施^[1,2]，能够平均减少家庭电能消耗12％^[3]。

目前，电力负荷用电细节监测技术主要分为侵入式和非侵入式两种^[4]。侵入式电力负荷监测需要为每个待监测的用电设备单独安装传感器，这种监测方式虽然准确性高，但是安装困难、经济性差、可靠性低。非侵入式电力负荷监测(Nonintrusive LoadMonitoring，NILM)仅需在电力总口处安装传感器，通过采集和分析电力总口处的电压和电流便可获取电力负荷内部每个或每种用电设备的工作状态和耗电功率等用电信息^[5]。同侵入式监测方案相比，非侵入式监测方案具有安装简便、经济性好、可靠性高、易于推广等优势。

近年来，隐式马尔可夫模型(Hidden Markov Model，HMM)^[6]及其扩展模型是NILM技术的研究热点之一。Kim等人提出使用HMM的扩展模型对用电设备建模，以考虑用电设备的稳态功率特征及非电气特征(如工作状态持续时长、使用时间以及用电设备在使用上的依赖关系)，并分别基于四种不同的HMM扩展模型建立负荷监测模型^[7]。针对求解因子隐式马尔可夫模型(Factorial Hidden Markov Model，FHMM)的通用近似推理算法易受局部最优影响的问题^[8]，Kolter等人融合加性FHMM、差分FHMM(Difference FHMM，记为DFHMM)以及“健壮混合组件”提出了AFAMAP算法^[9]，其中引入“健壮混合组件”的目的在于提高算法在特殊条件下的准确性，如存在未建模的新增用电设备或不常用的用电设备。此外，Parson等人先利用HMM对每类用电设备建立通用模型，然后在具体应用场合利用电力负荷信号将通用模型训练成具体用电设备模型，再使用扩展Viterbi算法从电力负荷功率中迭代地逐个分离出各建模用电设备的用电功率^[10]。在以HMM对电力负荷进行整体建模的情况下，Makonin等人利用电力负荷工作状态转移的稀疏性，提出稀疏Viterbi算法用于求解非侵入式电力负荷监测问题，对于解决HMM状态数随用电设备个数及状态数增加而大幅增加的问题有一定帮助^[11]。

用电设备正常运行时通常表现出非电气信号相关的全局性统计特征，例如，工作状态持续时长特征^[7,12]。通过考虑用电设备的工作状态持续时长特征，可为区分功率混叠用电设备提供一种途径，提高NILM的性能。目前，已报道的基于HMM及其扩展模型的NILM方法不是未能考虑用电设备的工作状态持续时长特征(如文献[9]、[10]、[11])，就是需要对电力负荷内部所有用电设备建模，不适用于存在未建模用电设备的场合，实用性较差(如文献[7]和[11])。

参考文献