基于先验统计模型的非侵入负荷辨识算法.pdfVIP

１６５２０２４年１月ＥｌｅｃｔｒｉｃＰｏｗｅｒＥｎｇｉｎｅｅｒｉｎｇＴｅｃｈｎｏｌｏｇｙ第４３卷第１期

ＤＯＩ：１０．１２１５８／ｊ．２０９６３２０３．２０２４．０１．０１８

基于先验统计模型的非侵入负荷辨识算法

１１２２１１

赵成，宋彦辛，周赣，冯燕钧，郭帅，李季巍

（１．国网北京市电力公司电力科学研究院，北京１０００８０；

２．东南大学电气工程学院，江苏南京２１１１８９）

摘要：

针对传统非侵入负荷辨识技术中电热细分能力不足的问题，文中提出了一种基于先验知识与统计学习模

型的居民非侵入式负荷辨识算法。文中对洗衣机辅热、电水壶、电饭锅、电热水器等设备进行了电热细分研究，通

过设备运行关联算法实现了辅热设备的细分，并在用户有限反馈信息和专家标注的基础上，实现了非辅热设备分

类的模型训练。实验结果表明，文中所提技术框架在事件检测负荷辨识算法的基础上实现了电热设备的细分，且

在运行状态分解的Ｆ１分数指标中取得了０．９以上的优异效果。

关键词：

非侵入负荷监测（ＮＩＬＭ）；事件检测；电热细分；统计分析；高斯混合聚类（ＧＭＭ）；支持向量机（ＳＶＭ）

中图分类号：ＴＭ７１４文献标志码：Ａ文章编号：

２０９６３２０３（２０２４）０１０１６５０９

随着机器学习技术的发展，隐式马尔可夫算法

０引言

与深度学习算法被引入到负荷辨识技术中，其通过

非侵入式负荷监测技术通过对用户总负荷数训练学习的方法以提升设备整体运行周期感知的

据的监测与分解，可以获得细粒度用电负荷类别和能力，包括事件检测方法无法解决的具体电热设备

行为数据，是智能用电服务的基础数据支撑。一方细分。隐式马尔可夫模型（ｈｉｄｄｅｎＭａｒｋｏｖｍｏｄｅｌ，

面用户掌握家用电器设备的详细耗电信息后，通过ＨＭＭ）是一个由隐藏序列和可观测序列构成的生成

适当的节能建议能够有效地降低５％～２０％的用电概率模型，在非侵入负荷辨识应用中，前者为多个

［１］

量，另一方面，细粒度用电数据隐藏着用户的用电器的开启关断状态，后者为用户的总进线处的功

电规律与生活习惯信息，能够支撑政府、社会进行率序列，模型基于用户分设备历史用电规律，基于

相关工作的管理，例如用户电动自行车户内充电监概率最大化原则从总功率曲线中分解出分项负

［２］［３］［１２１４］

测与报警、独居老人生活安全防护等内容。荷。深度网络算法同样聚焦在端到端的解决

Ｈａｒｔ于２０世纪８０年代提出了基于事件检测与方案，通过对不同叠加运行工况下的分项设备运行

［４］

负荷特征匹配的经典辨识算法，通过不同设备状区间进行网络特征自适应提取，直接分离分项设备

态切换时的独特负荷印记用以区分其类型，并关联运行曲线［１５１７］。深度学习算法与ＨＭＭ算法虽然可

启停过程。基于特征的方法依赖于正确检测设备以克服事件检测类算法中的一些局限，但须要使用

的“开关”事件，部分学者针对高精度事件检测进行大量真实用电场景实测的分设备电气信号进行学

了大量研究［５７］，文献［８］提出了一种多频率尺度的习，消耗较大的数据采集成本。尽管部分学者已经

事件辨识方法，通过高低频数据结合