一种基于因子隐马尔可夫模型的工业负荷分解方法技术

本发明专利技术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。本发明专利技术能够解决工业负荷状态识别和电量精确估计的问题。荷状态识别和电量精确估计的问题。荷状态识别和电量精确估计的问题。

【技术实现步骤摘要】
一种基于因子隐马尔可夫模型的工业负荷分解方法


[0001]本专利技术属于负荷分解
，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。

技术介绍

[0002]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。
[0003]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，具本文档来自技高网...

【技术保护点】

【技术特征摘要】
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；
②
ON/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；
③
CVD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...

【专利技术属性】
技术研发人员：杨朝雯，赵学明，杨国朝，郝爽，焦龙，王炎彬，杨征，刘响，王龙飞，兰岳，赵越，杨光，白辛雨，
申请(专利权)人：国家电网有限公司国网天津市电力公司城东供电分公司，
类型：发明
国别省市：