论文部分内容阅读
电力负荷监测对于节能减排、电力系统的规划、运行、管理以及智能电网的建设实施均具有重要意义。非侵入式电力负荷监测(Nonintrusive Load Monitoring,NILM)是一种高效的电力负荷监测方式,相比侵入式电力负荷监测(Intrusive Load Monitoring,ILM),具有安装简便、经济性好、可靠性高、易于推广等优势。近年来,NILM领域内的研究热点之一是,利用隐马尔可夫模型(Hidden Markov Model,HMM)或其扩展模型对总负荷及其内部用电设备建模,在此基础上,将NILM问题表述为HMM或其扩展模型的解码问题。NILM问题表述为HMM的解码问题后,通常采用Viterbi算法进行求解。针对NILM应用场景,在检测负荷事件的基础上,对Viterbi算法进行改进。利用相邻两个负荷事件之间用电设备的状态保持不变,只在负荷事件发生时刻才考虑用电设备的状态发生变化,减少Viterbi算法需要遍历的状态序列的数目,降低Viterbi算法的计算复杂度。相比标准Viterbi算法,改进Viterbi算法能够减少NILM问题的求解耗时,适用于更多的用电设备个数和状态数的场景。将差分因子隐马尔可夫模型(Difference Factorial Hidden Markov Model,记为差分FHMM)和隐半马尔可夫模型(Hidden Semi-Markov Model,HSMM)结合成差分因子隐半马尔可夫模型(Difference Factorial Hidden Semi-Markov Model,DFHSMM),提出了一种基于DFHSMM的NILM方法。该方法能够同时考虑用电设备的稳态功率特征和状态持续时长特征,识别功率混叠的用电设备;能够克服未建模用电设备的影响,适用于存在未建模用电设备的场景。此外,该方法利用负荷事件大幅减小所建立的DFHSMM电力负荷监测模型的解空间,并根据功率特征对用电设备进行聚类,然后对每个用电设备群集分别求解DFHSMM电力负荷监测模型,估计每个群集中的用电设备的状态,具有较高的计算效率。