基于改进隐马尔可夫模型的非侵入式负荷监测.pdf
《基于改进隐马尔可夫模型的非侵入式负荷监测.pdf》由会员分享,可在线阅读,更多相关《基于改进隐马尔可夫模型的非侵入式负荷监测.pdf(7页珍藏版)》请在咨信网上搜索。
1、 第 18 卷第 2 期 2023 年 6 月 电 气 工 程 学 报 JOURNAL OF ELECTRICAL ENGINEERING Vol.18 No.2 Jun.2023 DOI:10.11985/2023.02.015 基于改进隐马尔可夫模型的非侵入式负荷监测*郭 嘉1,2 谢景海1,2 袁敬中1,2 姜 宇1,2 孙 密1,2 毕忠勤3(1.国网冀北电力有限公司经济技术研究院 北京 100038;2.北京京研电力工程设计有限公司 北京 100038;3.上海电力大学计算机科学与技术学院 上海 200090)摘要:细粒度的能源消耗监测是智能电网建设的重要环节之一。非侵入式负荷监测作
2、为一种能源消耗监测方法,能够深入分析用户细粒度的负荷成分,对用户端的电力优化具有非常重大的意义,同时还具有实施快捷、成本低的特点。首先通过放宽模型的假设条件,对隐马尔可夫模型进行改进,然后基于改进的隐马尔可夫模型对家庭电力负荷进行建模,最后用改进的Viterbi 算法求解负荷设备的最佳状态转移序列,进而求解出每种设备的所消耗的功率。试验结果显示所提改进算法不仅具有较高的精度,还具备较好的稳定性,同时分解出的功率曲线与实际的功率曲线更加贴合,具有很好的效果。关键词:非侵入式负荷监测;隐马可夫模型;能源消耗监测;智能电网 中图分类号:TM561 Non-intrusive Load Monitor
3、ing Based on Improved Hidden Markov Model GUO Jia1,2 XIE Jinghai1,2 YUAN Jingzhong1,2 JIANG Yu1,2 SUN Mi1,2 BI Zhongqin3(1.State Grid Jibei Economic Research Institute,Beijing 100038;2.Beijing Jingyan Electric Power Engineering Design Co.,Ltd.,Beijing 100038;3.College of Computer Science and Technol
4、ogy,Shanghai University of Electric Power,Shanghai 200090)Abstract:The fine-grained energy consumption monitoring is one of the important links of smart grid construction.As an energy consumption monitoring method,non-intrusive load monitoring can deeply analyze the fine-grained load components of u
5、sers,which is of great significance to the power optimization of users,and also has the characteristics of fast implementation and low cost.Firstly,the hidden Markov model is improved by relaxing the assumptions of the model,and then the household power load is modeled based on the improved hidden M
6、arkov model.Finally,the improved Viterbi algorithm is used to solve the optimal state transition sequence of the load equipment,and then the power consumed by each equipment is calculated.The experimental results show that the proposed improved algorithm not only has high accuracy,but also has good
7、stability.At the same time,the decomposed power curve is more consistent with the actual power curve,and has good effect.Key words:Non-intrusive load monitoring;hidden Markov model;energy consumption monitoring;smart grid 1 引言 在智能电网建设中,能源消耗监测是进行节能工作的基础,也是建立电网-用户交互服务体系的前提。细粒度的能源消耗监测通过监测总负荷数据中单个设备的用电数
8、据为电力系统、电力用户以及整 *国网冀北经研院技术创新成本类资助项目(B3018F20000J)。20211110收到初稿,20220106 收到修改稿 个社会带来多方面的利益。针对这一问题,相关研究人员提出了侵入式负荷监测和非侵入式负荷监测两种方法。侵入式负荷监测方法通过在各设备端安装传感器等数据采集设备的方式获取设备的负荷,该方法获得的数据准确可靠、误差小,但存在安装成本高、实施难度大、用户接受程度低等特点。非侵入式负荷监测方法(Non-intrusive load monitoring,NILM)则通过算法,根据家庭电表的总有功功率,分解得到家庭各用电设备功率。该方法具备经济成 电 气
9、工 程 学 报 第 18 卷第 2 期期 158 本低、实施快捷等特点。非侵入式负荷监测概念最早由 HART1提出,近年来也受到国内外专家学者的大量关注。目前非侵入式电力负荷监测算法可分为两类:监督学习方法和非监督学习方法。监督学习算法训练分类器使用的样本数据需要先标记,此种方法需要耗损大量的人力和物力。在监督学习算法中,文献2提出了一种基于神经网络(Neural network,NN)的非侵入性谐波源识别算法,该方法从输入电流波形提取负荷特征,使用其不同的谐波特征唯一性来唯一地识别各种类型设备。文献3提出一种利用模糊识别算法进行负荷分解的方法。文献4提出基于整数规划的非侵入式负荷分解算法进行
10、设备的负荷分解。文献5用贝叶斯算法,给每一个设备训练一个朴素贝叶斯分类器,进而分类器可用来识别单个设备的运行状态。此外,为了提高系统的识别精度和实时监测状态变化,使用贝叶斯网络分析用户行为,利用贝叶斯滤波器在线推理,通过比较,该分类器精度得到很大提升。文献6提出用支持向量机来分类设备,支持向量机在设备分类方面表现出良好的性能,尤其是使用谐波和低频特征时。文献7采用决策树算法分治的思想,联合三种特征参数(功率变化参数、谐波含有率和电压-电流轨迹)来识别和分类,让不同的特征参数各自发挥其优势,算法简单、高效,有效减少了与数据库比对的计算量。文献8提出一种基于序列到序列、双向门控循环单元、自注意力机
11、制和残差网络的负荷分解算法。文献9提出了一种基于长短期记忆网络的 NILM 方法,通过采集用户电力入口处的电流波形并进行数据处理,得到用户的负荷特征数据。文献10针对现有高精度的基于深度学习的负荷识别算法运算复杂度高,无法用于家庭嵌入式设备的问题,提出利用无需训练过程的 k 最近邻(k-nearest neighbor,kNN)算法作为负荷识别模型。文献11提出一种基于 U-I轨迹曲线精细化识别的非侵入式负荷监测方法,实现对用户负荷有效的非侵入式监测。与监督学习算法相对应,研究人员也在非监督学习算法方面开展了一定的研究。文献12提出结合 FHSMM(Factorial hidden semi-
12、Markov model)和CFHM(Conditional factorial hidden Markov model)两种模型,产生新的模型 CFHSM,并分解有难度的低频数据,结果表明 CFHSM 模型优于其他非监督学习算法,并可以准确地将电力负荷数据分解为每个设备的电力使用信息。FHMM 的一个缺陷是易受局部优化的影响,为了解决这个问题,文献13提出了一种相关算法加性因子近似最大后验推理算法(AFAMAP),其已经被应用于负荷分解,AFAMAP 算法得到比以前算法较高的精度和召回率,克服了受局部优化的缺陷。文献14提出一种基于 S 变换的新的 NILM 方法,并详细列出了分解步骤。文献
13、15对稳态特征进行分析,包括基波和谐波,提出一种基于最优求解和表格法的非侵入式负荷分解算法,最优求解以在线状态下确定不同类型设备的功耗比例,表格法在离线情况下得出估量电流和功率比重的对照表,在线情况下要得到负荷内主用电负荷的功率比重,只要找到与实际测量的负荷电流最接近的估计电流,即可实现负荷分解。文献16提出了一种根据暂态事件自主监测算法的NILM,该算法基于 CUSUM 滑动窗,精度较高,鲁棒性强。文献17-19在对电力设备的物理特性进行分析的基础上,构建了相关的负荷分解算法。文献20提出了一种基于高斯混合模型聚类和深度神经网络相结合的非侵入式负荷监测方法。文献21基于注意力机制优化的卷积神
14、经网络-序列到序列模型,提出了一种非侵入式负荷监测算法。本文在对上述研究进行总结分析的基础上,提出了一种基于改进隐马尔可夫模型的非侵入式负荷监测算法,试验结果表明所提算法分解结果与实际负荷比较接近。2 隐马尔可夫模型 2.1 马尔可夫链的定义 马尔可夫(Markov)模型,本质上是一种随机过程。该模型的一个前提假设是其当前每个状态只与它前面的 n 个状态有关,n 是影响下一个状态选择的状态数。简单的马尔可夫过程是一阶过程,状态的选择完全依赖于其前面的一个状态17。以下是对马尔可夫模型的一些相关定义。(1)马尔可夫性。定义:设X(t),tT是一个随机过程,已知X(t),tT在 t0时刻所处的状态
15、,它在时刻 tt0所处状态的条件分布与其在 t0之前的状态无关。简而言之,在已知过程条件下,其将来的条件分布与过去无关,则称X(t),tT具备马尔可夫性。(2)马尔可夫过程。定义:设X(t),tT的状态空间为 S,如果对122,nntttT?,在条件(),1,2,1iiiX tx xS in=?下的 X(tn)条件分布函数刚好等于在条件X(tn1)=Xn1下的条件分布函数,即 月 2023 年 6 月 郭 嘉等:基于改进隐马尔可夫模型的非侵入式负荷监测 159 111111()|(),()()|()nnnnnnnnnP X txX txX txP X txX txxR=?则称X(t),tT为马
16、尔可夫过程。(3)马尔可夫链。定义:参数集和状态空间都是离散的马尔可夫过程称为马尔可夫链。则马尔可夫性可以表示为 对122,nniiiS?有111111()|(),()()|()nnnnnnnnnP X tiX tiX tiP X tiX tixR=?特别地,对 T=0,1,2,的马尔可夫链,记为X(n),n0或Xn,n0,此时的马尔可夫性为对121,nniiiS t0的状态条件分布不只和 t0时刻状态有关,还与其在 t0之前所处的状态有关。即隐藏的状态序列是一个二阶的情况时,在 t 时刻的状态向 t+1 时刻的状态转移概率不只与 t 时刻有关,还与 t1 时刻的状态有关,即()1111()|
17、ijktktjtktktjtiaP qs qs,qsP qs|qs,qs+=式中,11Nijkka=,aijk0,1i,jN,N 为模型中状态数目。观察值输出概率不只与系统当前的状态有关,还与前一时刻的状态有关,即()()1|,|1,1ijtttjtiblP ov qs qsi jNlM=电 气 工 程 学 报 第 18 卷第 2 期期 160 3.2 Viterbi 算法的改进 根据数据预处理得到的观察值序列即功率波形序列和 HMMs 模型的、A、B 参数,用 Viterbi 的改进算法来求得每个家庭中每类设备的最佳状态转移序列。本文提出一种基于 HMMs 模型的改进的Viterbi 算法。
18、针对 REDD 数据集中每个家庭总负荷功率数据,求解每类设备的运行状态,获取每类设备每个时刻所消耗的功率,以实现家庭电力负荷的分解,了解各自住宅用电负荷情况,知晓每个家用设备的用电情况,知晓不同时刻的用电量和用电时间,进而获取用户用电的规律信息。定义t(i,j)为时间点t状态沿一条最佳的状态转移路径产生的给定观察值序列的概率,t(i)为时刻 t第 i 状态的前一个状态号,P*是最终输出概率,*Tq是最佳状态序列中 t 时刻所处的状态。输入:预处理后的功率时间序列 qv(t)。输出:k 类设备所消耗的功率值()()()iitt yZ i s=,i=1,2,K;t=1,2,T。(1)初始化。()(
19、)()111,01iii jb oiiN=(2)迭代计算。()()()()max111argmax11,(,)2,1,2,1tiNtijkjkttiNtijj ki j abotTi j kNji atTjN+=(3)终止计算。*max*1()argmax()iNTTTPiqi=(4)路径回溯。*1()11tttqqtT+=相比于传统的 HMM 模型,改变了 HMM 模型的重要假设,使得 aij不只与 t 时刻的状态有关,还与 t1 时刻的状态有关,改变了模型的基本结构,因此,相应的 HMM2 在实际应用过程中,改进的Viterbi 算法求解负荷设备的最佳状态转移序列时与传统的 HMM 模型上
20、有较大的改变。4 试验与分析 4.1 数据集 由于国内暂时没有相关的公开数据集,本文采用国外公开 REDD 数据集17(the Reference Energy Disaggregation Dataset),该数据集包含六个家庭的总负荷电力数据和单个设备的电力负荷数据,含电流、电压和功率等,其数据完整性较其他数据集更强,便于使用负荷分解算法分解后评估算法的性能和加强功率波形图实际曲线与预测值曲线对比的可 观性。图 1 是家庭 1 两个监测点的所有总负荷功率曲线;图 2 是家庭 1 中各个设备 4 月 30 日之前的实际功率曲线图,作为试验预测结果的对照;图 3 是家庭 1 两个监测点 4 月
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 隐马尔可夫 模型 侵入 负荷 监测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。