一种非侵入式负荷分解方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术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。本发明专利技术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。了负荷分解方法。了负荷分解方法。

【技术实现步骤摘要】
一种非侵入式负荷分解方法及装置


[0001]本专利技术属于负荷检测
，具体涉及一种非侵入式负荷分解方法及装置。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]为了解决现有技术中存在的上述问题，本专利技术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。
[0006]为了实现上述目的，本专利技术采用以下技术方案。
[0007]第一方面，本专利技术提供一种非侵入式负荷分解方法，包括以下步骤：
[0008]确定每个被监测负荷的状态数量；
[0009]基于每个负荷的状态建立单个负荷的隐马尔可夫模型HMM；
[0010]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；
[0011]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。
[0012]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。
[0013]进一步地，单个负荷的HMM模型为：λ＝(π,S,V,A,B)，其中，
[0014]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；
[0015]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；
[0016]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
j
Iv
t
＝s
i
)，1≤i,j≤N，A每行的元素和为1；
[0017]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
t
Iv
t
＝s
i
)，其概率密度服从高斯分布，B每行的元素和为1；
[0018]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。
[0019]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。
[0020]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。
[0021]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。
[0022]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。
[0023]进一步地，采用Viterbi算法求解每个负荷各个观测时刻的状态。
[0024]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
ti
：
[0025]目标函数为：
[0026][0027][0028]式中，u、σ分别为高斯分布的均值和标准差；
[0029]约束条件为：
[0030][0031]第二方面，本专利技术提供一种非侵入式负荷分解装置，包括：
[0032]状态确定模块，用于确定每个被监测负荷的状态数量；
[0033]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；
[0034]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；
[0035]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。
[0036]与现有技术相比，本专利技术具有以下有益效果。
[0037]本专利技术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，求解每个本文档来自技高网...

【技术保护点】

【技术特征摘要】
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：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...

【专利技术属性】
技术研发人员：韩方桂，卜宪德，刘云，马宏强，王坤，
申请(专利权)人：南京安广电力设备有限公司，
类型：发明
国别省市：