基于維特比算法改進(jìn)的穩(wěn)暫態(tài)混合非侵入式負(fù)荷識別方法

劉 宇 劉叢笑 趙 欣 高 山 黃學(xué)良

基于維特比算法改進(jìn)的穩(wěn)暫態(tài)混合非侵入式負(fù)荷識別方法

劉 宇 劉叢笑 趙 欣 高 山 黃學(xué)良

（東南大學(xué)電氣工程學(xué)院 南京 210018）

非侵入式負(fù)荷識別技術(shù)因其具有諸多優(yōu)勢，成為目前負(fù)荷運(yùn)行狀態(tài)監(jiān)測的主流方法。通?？蓪⑵浞譃榛诜€(wěn)態(tài)特征的負(fù)荷識別和基于暫態(tài)特征的負(fù)荷識別?？紤]相鄰穩(wěn)態(tài)過程和暫態(tài)過程之間的負(fù)荷運(yùn)行狀態(tài)開關(guān)邏輯，該文構(gòu)建了時序校核模型和策略，以此排除不可信的結(jié)果以提高識別精度。首先，分別采用離散粒子群優(yōu)化算法和動態(tài)時間規(guī)整進(jìn)行基于穩(wěn)態(tài)特征和暫態(tài)特征的負(fù)荷識別；然后，基于概率評價選取多個識別結(jié)果構(gòu)建負(fù)荷識別結(jié)果候選集，聯(lián)立多個連續(xù)的穩(wěn)態(tài)和暫態(tài)過程的候選集，基于維特比算法構(gòu)建時序識別結(jié)果的概率序列和評價方法，并進(jìn)行優(yōu)選以確定最終的識別結(jié)果；最后，分別在仿真數(shù)據(jù)集和實測數(shù)據(jù)集上對該方法進(jìn)行驗證分析。實驗結(jié)果表明，該方法能有效提高整體的負(fù)荷識別精度，并明顯改善大功率負(fù)荷的識別效果，同時保持小功率負(fù)荷的識別準(zhǔn)確率。

非侵入式負(fù)荷識別 離散粒子群優(yōu)化算法 動態(tài)時間規(guī)整 維特比算法 穩(wěn)暫態(tài)

0 引言

智能電網(wǎng)是我國電力系統(tǒng)未來的重要發(fā)展方向。負(fù)荷側(cè)作為電力系統(tǒng)的終端，對其進(jìn)行精細(xì)高效的管理是實現(xiàn)智能電網(wǎng)的關(guān)鍵環(huán)節(jié)之一。對負(fù)荷實現(xiàn)精細(xì)化管理，分析負(fù)荷的運(yùn)行規(guī)律特征[1]，發(fā)掘負(fù)荷的需求響應(yīng)潛力[2]，并對負(fù)荷進(jìn)行合理的運(yùn)行安排，有助于減小新能源發(fā)電大規(guī)模接入對電網(wǎng)安全運(yùn)行所造成的不利影響[3]，在一定程度上能夠促進(jìn)節(jié)能減排，助力早日實現(xiàn)“碳達(dá)峰”和“碳中和”的目標(biāo)。對負(fù)荷的運(yùn)行狀態(tài)進(jìn)行實時準(zhǔn)確的監(jiān)測是實現(xiàn)負(fù)荷精細(xì)化管理的第一步[4]，其可為后續(xù)的負(fù)荷特性分析提供數(shù)據(jù)支持，為負(fù)荷調(diào)控策略提供參考依據(jù)，也可幫助電力用戶了解自身的用電行為，為其提供合理有效的用電建議，促進(jìn)用戶養(yǎng)成良好的用電習(xí)慣[5]。

目前，非侵入式負(fù)荷識別（Non-Intrusive Load Monitoring, NILM）技術(shù)是實現(xiàn)負(fù)荷運(yùn)行狀態(tài)監(jiān)測的主要方法。NILM技術(shù)于20世紀(jì)90年代被提出[6]，旨在通過在電力用戶的入口總線處安裝一個智能電表，采集用戶的電壓、電流等總用電數(shù)據(jù)并將其進(jìn)行算法分解，從而對用戶家中各個負(fù)荷電器的運(yùn)行狀態(tài)及消耗功率進(jìn)行識別。NILM具有諸多優(yōu)勢，包括節(jié)約成本、數(shù)據(jù)量低、數(shù)據(jù)傳輸風(fēng)險小、可擴(kuò)展性強(qiáng)、隱私保護(hù)機(jī)制可靈活定制、易于推廣普及等[7]。因此其在被提出后，迅速受到了國內(nèi)外研究學(xué)者的廣泛關(guān)注。

負(fù)荷電器在運(yùn)行過程中所表現(xiàn)出的電氣特征，使得其能夠被準(zhǔn)確識別出來。不同類型的電器都會有其特定的負(fù)荷特征[8]。負(fù)荷特征的存在性和重復(fù)性，是實現(xiàn)NILM的基本假設(shè)和重要前提?；诓煌臅r間尺度和電氣特性，負(fù)荷特征可分為穩(wěn)態(tài)特征和暫態(tài)特征兩類[9]，相對應(yīng)的即為基于穩(wěn)態(tài)特征的負(fù)荷識別方法和基于暫態(tài)特征的負(fù)荷識別方法。

當(dāng)所有負(fù)荷處于穩(wěn)定運(yùn)行狀態(tài)時，所反映出的電氣特征稱為穩(wěn)態(tài)特征。基于穩(wěn)態(tài)特征的負(fù)荷識別問題通常可采用優(yōu)化算法或機(jī)器學(xué)習(xí)方法進(jìn)行求解。文獻(xiàn)[10]采用近鄰傳播聚類算法獲取負(fù)荷設(shè)備的運(yùn)行狀態(tài)，并采用遺傳優(yōu)化算法進(jìn)行負(fù)荷識別。文獻(xiàn)[11]提出基于協(xié)同進(jìn)化的多目標(biāo)粒子群算法的非侵入式負(fù)荷識別方法，利用多個種群協(xié)同進(jìn)化的方式尋找局部最優(yōu)值和全局最優(yōu)值，進(jìn)行多目標(biāo)優(yōu)化負(fù)荷識別。文獻(xiàn)[12]在傳統(tǒng)功率特征的基礎(chǔ)上，將總諧波失真率作為負(fù)荷新特征引入目標(biāo)函數(shù)，采用動態(tài)自適應(yīng)粒子群算法對實測用電數(shù)據(jù)進(jìn)行負(fù)荷分解。文獻(xiàn)[13]提取負(fù)荷處于穩(wěn)態(tài)運(yùn)行時的-特性，并進(jìn)行歸一化處理，利用卷積神經(jīng)網(wǎng)絡(luò)提取特征向量作為負(fù)荷特征，將其輸入至雙向長短時記憶神經(jīng)網(wǎng)絡(luò)中進(jìn)行負(fù)荷識別，并利用動態(tài)時間規(guī)整優(yōu)化識別結(jié)果。此外，可將基于穩(wěn)態(tài)特征的負(fù)荷識別問題看作多標(biāo)簽分類問題[14]，每個負(fù)荷的工作狀態(tài)看作一個標(biāo)簽，采用多標(biāo)簽分類的方法進(jìn)行求解。文獻(xiàn)[15]分別采用RAKEL（Random k-Labelsets）和MLKNN（Multi-Label k-Nearest Neighbor）多標(biāo)簽分類算法，并采用時域和頻域兩種特征，實現(xiàn)負(fù)荷識別。文獻(xiàn)[16]采用RAKEL算法，并用隨機(jī)森林進(jìn)行求解，對負(fù)荷的運(yùn)行狀態(tài)進(jìn)行識別，在識別結(jié)果的基礎(chǔ)上，進(jìn)一步估計負(fù)荷的功率消耗情況。文獻(xiàn)[17]將一種基于期望最大化的半監(jiān)督學(xué)習(xí)多標(biāo)簽分類方法應(yīng)用于負(fù)荷識別問題中。

當(dāng)負(fù)荷發(fā)生工作狀態(tài)切換時，其相應(yīng)的功率和電流變化也會引起總用電數(shù)據(jù)的變化，這個過程在NILM領(lǐng)域被稱為事件（event）。通過事件檢測算法確定事件發(fā)生的時間及時長，并對事件持續(xù)過程中總用電數(shù)據(jù)的電氣特征進(jìn)行提取[18]，識別引起事件發(fā)生的負(fù)荷，即為基于暫態(tài)特征的負(fù)荷識別方法，通?？蓪⑵淇醋鞫喾诸悊栴}進(jìn)行求解。文獻(xiàn)[19]提出一種基于半監(jiān)督機(jī)器學(xué)習(xí)的負(fù)荷識別方法，通過小波變換提取負(fù)荷的暫態(tài)特征信息，并采用最近鄰和決策樹兩種分類器協(xié)同進(jìn)行負(fù)荷識別。文獻(xiàn)[20]基于希爾伯特變換對暫態(tài)特征進(jìn)行提取，采用Seq2Seq-LSTM對負(fù)荷進(jìn)行識別。文獻(xiàn)[21]對負(fù)荷的暫態(tài)有功功率波形進(jìn)行分段線性近似，實現(xiàn)負(fù)荷暫態(tài)特征的提取和降維，并使用以高斯動態(tài)彎曲核為核函數(shù)的支持向量機(jī)進(jìn)行負(fù)荷識別。文獻(xiàn)[22]采用通過動態(tài)時間規(guī)整算法計算當(dāng)前暫態(tài)功率波形與歷史暫態(tài)功率波形的匹配度，并利用動態(tài)聚類算法判斷該功率波形對應(yīng)的負(fù)荷操作，實現(xiàn)負(fù)荷識別。文獻(xiàn)[23]提取事件過程中的電流軌跡作為負(fù)荷的暫態(tài)特征，并采用卷積神經(jīng)網(wǎng)絡(luò)識別負(fù)荷的工作狀態(tài)。文獻(xiàn)[24]面向工業(yè)負(fù)荷識別，根據(jù)工業(yè)負(fù)荷的特點分離出事件波形，構(gòu)建有效描述事件波形的結(jié)構(gòu)化特征空間，建立映射規(guī)則實現(xiàn)特征空間與解釋空間的對應(yīng)，并通過類別判定實現(xiàn)負(fù)荷識別。

從已有研究中可以看出，無論是穩(wěn)態(tài)還是暫態(tài)，非侵入式負(fù)荷分解研究的重點在于對算法進(jìn)行改造，以獲取可靠的識別結(jié)果。上述研究雖然取得了一些進(jìn)展，但在識別過程中均僅考慮單個的穩(wěn)態(tài)或暫態(tài)過程。在實際情況中，穩(wěn)態(tài)過程和暫態(tài)過程會不斷交替出現(xiàn)，相鄰的穩(wěn)態(tài)和暫態(tài)過程所對應(yīng)的負(fù)荷運(yùn)行狀態(tài)之間存在著開關(guān)邏輯關(guān)系，若將其應(yīng)用于負(fù)荷識別中，對穩(wěn)態(tài)和暫態(tài)的識別結(jié)果進(jìn)行相互校核，可在一定程度上排除錯誤的負(fù)荷識別結(jié)果，有助于進(jìn)一步提高識別精度。文獻(xiàn)[25]將穩(wěn)態(tài)過程的識別結(jié)果用于暫態(tài)過程負(fù)荷識別計算的參數(shù)初始化，并基于暫態(tài)過程的負(fù)荷識別結(jié)果對穩(wěn)態(tài)過程的負(fù)荷識別結(jié)果進(jìn)行修正，實現(xiàn)二者的相互校核，并將其用于確定屋頂光伏的負(fù)荷模型參數(shù)，實現(xiàn)含有屋頂光伏的非侵入式負(fù)荷識別。文獻(xiàn)[26]在文獻(xiàn)[25]的基礎(chǔ)上，進(jìn)一步考慮屋頂光伏的無功補(bǔ)償特性，并在不同補(bǔ)償策略下實現(xiàn)了具有魯棒性的非侵入式負(fù)荷識別。但文獻(xiàn)[25-26]的研究中，主要考慮光伏接入后穩(wěn)態(tài)特征的高度不確定性，并基于暫態(tài)識別的可信假設(shè)以輔助穩(wěn)態(tài)識別，兩者在模型和方法上并不對等，也沒有形成具有通用性的概率模型評價與表達(dá)。

穩(wěn)態(tài)過程和暫態(tài)過程對應(yīng)的負(fù)荷運(yùn)行狀態(tài)彼此之間具有關(guān)聯(lián)性，每個穩(wěn)態(tài)或暫態(tài)過程的負(fù)荷狀態(tài)會受到其前序和后序負(fù)荷狀態(tài)的共同影響，若僅考慮前序或后序過程對識別結(jié)果進(jìn)行校核分析，可能會得到不同的結(jié)果。多個連續(xù)的穩(wěn)態(tài)和暫態(tài)過程之間會相互作用，應(yīng)被看作一個具備時序邏輯的整體。因此在進(jìn)行負(fù)荷識別時，可對多個穩(wěn)態(tài)和暫態(tài)過程連接形成的整體進(jìn)行分析計算，進(jìn)而逐步確定每個穩(wěn)態(tài)和暫態(tài)過程的具體識別結(jié)果。

基于此，本文提出一種基于維特比算法改進(jìn)的穩(wěn)暫態(tài)混合非侵入式負(fù)荷識別方法，通過融合多個連續(xù)穩(wěn)態(tài)和暫態(tài)的識別過程，構(gòu)建時序概率模型評價，從而實現(xiàn)識別結(jié)果的校核和修正。首先進(jìn)行穩(wěn)態(tài)特征和暫態(tài)特征的負(fù)荷識別，并基于概率置信水平選取若干個可能的識別結(jié)果，構(gòu)建負(fù)荷識別結(jié)果候選集；然后分析相鄰穩(wěn)態(tài)和暫態(tài)過程對應(yīng)的負(fù)荷運(yùn)行狀態(tài)之間的邏輯關(guān)系，以此對負(fù)荷識別結(jié)果進(jìn)行校核，構(gòu)建表征負(fù)荷運(yùn)行狀態(tài)變化的時間序列，通過計算負(fù)荷狀態(tài)變化的最優(yōu)路徑得到最終的負(fù)荷識別結(jié)果；最后分別在LVNS（low voltage network simulator）仿真平臺獲取的仿真數(shù)據(jù)以及 UK-DALE實測數(shù)據(jù)集上進(jìn)行算例分析，驗證了所提方法的可行性及優(yōu)越性。

1 基于穩(wěn)態(tài)特征和暫態(tài)特征的負(fù)荷識別

1.1 基于穩(wěn)態(tài)特征的負(fù)荷識別

基于穩(wěn)態(tài)特征的負(fù)荷識別算法要求所有負(fù)荷均處于穩(wěn)定狀態(tài)，通過提取用電數(shù)據(jù)的穩(wěn)態(tài)電氣特征并進(jìn)行分析，識別出所有處于運(yùn)行狀態(tài)的負(fù)荷。其目標(biāo)函數(shù)為

該目標(biāo)函數(shù)反映了不同的負(fù)荷組合的功率疊加之和與實際總功率的相近程度。目標(biāo)函數(shù)越小，其所對應(yīng)的負(fù)荷組合的用電量之和與實際總用電量越接近，即該組合為正確的識別結(jié)果的概率也就越大。

1.2 基于暫態(tài)特征的負(fù)荷識別

不同負(fù)荷的狀態(tài)切換過程會反映出不同的電氣特征?；跁簯B(tài)過程的負(fù)荷識別算法，需首先通過事件識別算法確定事件發(fā)生的時刻及持續(xù)時間；然后提取事件過程中用電數(shù)據(jù)的暫態(tài)電氣特征并進(jìn)行分析；最終識別出引起該事件發(fā)生的負(fù)荷。因此可將基于暫態(tài)特征的負(fù)荷識別視作一個多分類問題，其目標(biāo)函數(shù)為

本文采用動態(tài)時間規(guī)整（Dynamic Time Warping, DTW）算法對基于暫態(tài)特征的負(fù)荷識別問題進(jìn)行求解。DTW常用于語音識別領(lǐng)域，是衡量兩個時序數(shù)據(jù)距離的一種度量方法。在本文中選用功率波形作為電氣特征，將DTW用于對從事件過程中提取到的功率時序數(shù)據(jù)與不同負(fù)荷發(fā)生狀態(tài)切換時的模板功率時序數(shù)據(jù)的相似性進(jìn)行計算和比較。

考慮到不同負(fù)荷發(fā)生狀態(tài)切換過程的持續(xù)時間不同，因此對應(yīng)的模板功率時序數(shù)據(jù)長度也會不同。而DTW可兼顧時序映射不是一一對應(yīng)的情況。其基于動態(tài)規(guī)劃的思想，將時序數(shù)據(jù)相似性計算過程轉(zhuǎn)換為尋找一條最優(yōu)路徑，路徑長度時刻為局部最優(yōu)值。DTW算法示意圖如圖1所示。

圖1 DTW算法示意圖

如圖1所示的兩個時序數(shù)據(jù)和，DTW算法通過動態(tài)規(guī)劃計算得到數(shù)據(jù)中每一個數(shù)據(jù)點到數(shù)據(jù)的局部最佳匹配點，以此計算二者之間的距離。

基于DTW的功率時序數(shù)據(jù)相似性的計算模型如下：

在基于暫態(tài)特征的負(fù)荷識別計算中，將從事件持續(xù)過程中提取的功率時序數(shù)據(jù)與不同負(fù)荷發(fā)生狀態(tài)切換時的模板功率時序數(shù)據(jù)的距離進(jìn)行計算，選取距離最小的功率時序數(shù)據(jù)所對應(yīng)的負(fù)荷，作為負(fù)荷識別的結(jié)果，即該負(fù)荷的狀態(tài)切換引起該次事件的發(fā)生。

1.3 構(gòu)建負(fù)荷識別結(jié)果候選集

在實際情況中，隨著用戶家庭負(fù)荷數(shù)量的不斷增加，不同負(fù)荷電器或電器組合具有相似電氣特征的概率也隨之增大，這使得基于穩(wěn)態(tài)特征或暫態(tài)特征的負(fù)荷識別方法的精度有所降低。單一特征負(fù)荷識別算法求解得到的結(jié)果，并不一定能夠表征負(fù)荷真實的運(yùn)行狀態(tài)?？紤]到在時間尺度上，穩(wěn)態(tài)過程和暫態(tài)過程會交替出現(xiàn)，且一次事件通常只有一個負(fù)荷的工作狀態(tài)發(fā)生變化，因此，相鄰的穩(wěn)態(tài)過程識別結(jié)果和暫態(tài)過程識別結(jié)果之間會滿足一定的負(fù)荷運(yùn)行時序邏輯關(guān)系?；诖诉壿嬯P(guān)系，可將負(fù)荷識別結(jié)果進(jìn)行校核分析，以提高負(fù)荷識別結(jié)果的精度，具體邏輯分析和校核方法將在第2節(jié)進(jìn)行闡述。

為了構(gòu)建時序邏輯模型和校核要素，基于穩(wěn)態(tài)或暫態(tài)特征的單一確定性識別結(jié)果不再適用。考慮到式（1）和式（6）的本質(zhì)是最大似然估計，對引入時序邏輯模型的穩(wěn)態(tài)或暫態(tài)結(jié)果進(jìn)行概率化描述，并將單一結(jié)果擴(kuò)展為帶概率化描述的識別結(jié)果候選集，以適應(yīng)時序邏輯評價的要求。

具體而言，針對基于穩(wěn)態(tài)特征的負(fù)荷識別，其候選集包括若干個使得目標(biāo)函數(shù)達(dá)到最小的負(fù)荷狀態(tài)組合；針對基于暫態(tài)特征的負(fù)荷識別，其候選集包括若干個與事件持續(xù)過程中提取得到的功率時序序列最為相似的模板功率時序數(shù)據(jù)所對應(yīng)的負(fù)荷狀態(tài)切換情況。

2 基于維特比算法的負(fù)荷識別結(jié)果優(yōu)選

2.1 負(fù)荷狀態(tài)向量的編碼和解碼

式中，%為除法求余數(shù)計算。

（3）根據(jù)式（15）計算下一輪循環(huán)的中間變量。

（3）根據(jù)式（18）計算下一輪循環(huán)的中間變量。

2.2 不同負(fù)荷識別結(jié)果之間的邏輯關(guān)系分析

穩(wěn)態(tài)過程和暫態(tài)過程在時間軸上會交替出現(xiàn)，因此基于穩(wěn)態(tài)特征和暫態(tài)特征的負(fù)荷識別結(jié)果之間會滿足一定的邏輯關(guān)系。考慮到兩個相鄰穩(wěn)態(tài)過程之間的負(fù)荷運(yùn)行狀態(tài)變化，應(yīng)對應(yīng)于暫態(tài)過程所識別出的負(fù)荷運(yùn)行狀態(tài)切換，即在時序運(yùn)行邏輯上應(yīng)滿足

基于上述分析，正確的負(fù)荷識別結(jié)果應(yīng)滿足式（19）所示的邏輯關(guān)系。若在負(fù)荷識別過程中，出現(xiàn)有識別結(jié)果不滿足式（19）的情況，則某個過程的負(fù)荷識別結(jié)果可能出現(xiàn)錯誤，應(yīng)對識別結(jié)果進(jìn)行校核分析。

考慮兩個相鄰的穩(wěn)態(tài)過程及其之間的暫態(tài)過程，在從三者的識別結(jié)果候選集中，優(yōu)先選取滿足式（19）所示的邏輯關(guān)系的識別結(jié)果組合。若存在多個這樣的識別結(jié)果組合，則選取能使得三次負(fù)荷識別過程中目標(biāo)函數(shù)加權(quán)之和最小的識別結(jié)果組合，作為最終的負(fù)荷識別結(jié)果，以實現(xiàn)對負(fù)荷識別結(jié)果最基本的校核分析，從而減小具有相似電氣特征的負(fù)荷或負(fù)荷組合對識別過程的影響，提高負(fù)荷識別的精確程度，優(yōu)化模型為

式中，分別為三個識別結(jié)果所對應(yīng)目標(biāo)函數(shù)在校核分析中所占權(quán)重，且。該基本校核方法示意圖如圖2所示。

2.3 基于維特比算法的負(fù)荷識別結(jié)果校核

2.2節(jié)所述的負(fù)荷識別結(jié)果校核方法雖能在一定程度上提高負(fù)荷識別的精度，但由于該方法僅對相鄰穩(wěn)態(tài)過程和暫態(tài)過程的負(fù)荷識別結(jié)果進(jìn)行校核分析，使得某一個穩(wěn)態(tài)過程的負(fù)荷識別在經(jīng)過兩次不同的校核分析后，可能得到兩種不同的結(jié)果，從而無法確定最終的識別結(jié)果。

基于此，本文構(gòu)建一個包含多個連續(xù)穩(wěn)態(tài)過程和暫態(tài)過程識別結(jié)果候選集的時間序列，用以表征負(fù)荷在不同時間所處運(yùn)行狀態(tài)的情況。由于該序列由多個負(fù)荷識別結(jié)果候選集構(gòu)成，其每一序列節(jié)點中都有若干個負(fù)荷識別結(jié)果待選，因此在進(jìn)行校核分析并確定最終負(fù)荷識別結(jié)果時，需從每個候選集中優(yōu)選出一個識別結(jié)果，相當(dāng)于在時間序列中確定一條最優(yōu)路徑，表征負(fù)荷運(yùn)行狀態(tài)隨時間的變化情況。本文采用維特比算法（Viterbi algorithm）對最優(yōu)路徑進(jìn)行計算，實現(xiàn)對識別結(jié)果的優(yōu)選分析，確定最終的負(fù)荷識別結(jié)果，其流程如圖3所示。

圖3 基于維特比算法的負(fù)荷識別結(jié)果校核方法流程

圖3中豎條紋所示即為通過維特比算法獲取的負(fù)荷運(yùn)行狀態(tài)轉(zhuǎn)移路徑，其每一步為對應(yīng)穩(wěn)態(tài)或暫態(tài)過程的最終負(fù)荷識別結(jié)果。

維特比算法是一種求解最優(yōu)路徑的動態(tài)規(guī)劃算法。通過構(gòu)建維特比路徑，基于路徑中每一步的結(jié)果去尋找下一步的結(jié)果，使得每一步的結(jié)果達(dá)到局部最優(yōu)，實現(xiàn)尋找最有可能產(chǎn)生觀測事件序列的隱含狀態(tài)序列，并通過回溯計算確定序列中每一步的狀態(tài)。

基于維特比算法的負(fù)荷識別結(jié)果優(yōu)選方法步驟如下：

2.4 負(fù)荷識別算法流程

本文所提出的基于維特比算法改進(jìn)的穩(wěn)暫態(tài)混合非侵入式負(fù)荷識別方法流程如圖4所示。

圖4 基于DPSO和DTW結(jié)合維特比算法的非侵入式負(fù)荷識別算法流程

算法步驟如下：

（1）獲取用戶的用電數(shù)據(jù)，包括所有負(fù)荷的用電總數(shù)據(jù)，以及每個負(fù)荷的用電數(shù)據(jù)，并使用文獻(xiàn)[27]所述的累積和（Cumulative Sum, CUSUM）變點檢測算法，對事件進(jìn)行檢測，確定各個事件的開始時間及持續(xù)時間。

（2）提取各個穩(wěn)態(tài)過程中的電氣特征，以及各個暫態(tài)過程中的功率數(shù)據(jù)變化曲線。

（3）針對每個負(fù)荷，對其用電數(shù)據(jù)進(jìn)行事件檢測及具有噪聲的基于密度的聚類方法（Density-Based Spatial Clustering of Applications with Noise, DBSCN）分析，獲取其典型工作狀態(tài)數(shù)目及其對應(yīng)的額定功率，以及負(fù)荷發(fā)生狀態(tài)切換時的典型功率變化情況，構(gòu)建負(fù)荷的典型特征庫。

（4）使用1.1節(jié)所述的基于穩(wěn)態(tài)特征的負(fù)荷識別算法，對各個穩(wěn)態(tài)過程中的負(fù)荷狀態(tài)進(jìn)行識別；同時使用1.2節(jié)所述的基于暫態(tài)特征的負(fù)荷識別算法，對各個暫態(tài)過程中的負(fù)荷狀態(tài)切換情況進(jìn)行識別。將所有識別結(jié)果進(jìn)行編碼并存儲，分別構(gòu)建基于穩(wěn)態(tài)特征的識別結(jié)果候選集和基于暫態(tài)特征的識別結(jié)果候選集。

（5）將候選集中的結(jié)果進(jìn)行解碼，然后使用2.3節(jié)所述的維特比算法對負(fù)荷識別結(jié)果進(jìn)行校核分析，識別各個穩(wěn)態(tài)過程中負(fù)荷的運(yùn)行狀態(tài)并預(yù)測所消耗的功率情況，獲取最終的負(fù)荷識別結(jié)果。

3 算例分析

3.1 數(shù)據(jù)集介紹

本文分別選取從LVNS仿真平臺[28]獲取的仿真數(shù)據(jù)，以及UK-DALE公開數(shù)據(jù)集[29]的相關(guān)數(shù)據(jù)，對所提出的負(fù)荷識別方法進(jìn)行驗證測試。

UK-DALE數(shù)據(jù)集由英國能源研究中心發(fā)布，記錄了英國5個家庭從2012年11月—2015年1月的用電數(shù)據(jù)。該數(shù)據(jù)集包括了數(shù)十種不同類型的負(fù)荷，并以1 Hz的采樣頻率記錄了總線上的有功功率數(shù)據(jù)，以及1/6 Hz的采樣頻率記錄了各個負(fù)荷的有功功率數(shù)據(jù)。本文選取House2家庭中的六個用電量較大的負(fù)荷電器在連續(xù)10天里的用電數(shù)據(jù)進(jìn)行測試，分別為洗碗機(jī)、電冰箱、烤面包機(jī)、電飯鍋、熱水壺和微波爐。其中洗碗機(jī)為多狀態(tài)負(fù)荷，冰箱的運(yùn)行特征具有周期性且額定負(fù)荷較小，熱水壺額定功率較大且運(yùn)行時間短。負(fù)荷的額定功率參數(shù)見表1。

表1 UK-DALE數(shù)據(jù)集負(fù)荷參數(shù)

Tab.1 The load parameters in UK-DALE dataset

LVNS仿真平臺由加拿大阿爾伯塔大學(xué)PDS-Lab設(shè)計研發(fā)，其目的之一便是用于非侵入式負(fù)荷識別的研究。LVNS根據(jù)阻抗和電流諧波參數(shù)構(gòu)建不同的負(fù)荷模型，并采用蒙特卡洛法對負(fù)荷的運(yùn)行情況進(jìn)行模擬。用戶可以根據(jù)需求預(yù)先設(shè)定家庭中負(fù)荷電器的數(shù)量、額定功率、功率因數(shù)等參數(shù)。經(jīng)過仿真得到一天24 h中總線及各個負(fù)荷的功率和電流數(shù)據(jù)，采樣頻率為1 Hz。本文選取九個負(fù)荷電器進(jìn)行測試，分別為電視、烤箱、烤面包機(jī)、食品加工機(jī)、電冰箱、電爐、兩個白熾燈及一輛電動汽車，前八個負(fù)荷的額定功率范圍從幾十瓦到2 kW不等，而電動汽車充電時的額定功率為7 kW左右，同樣進(jìn)行10天的仿真并得到相應(yīng)的用電數(shù)據(jù)。負(fù)荷的參數(shù)見表2。

表2 LVNS平臺仿真數(shù)據(jù)負(fù)荷參數(shù)

Tab.2 The load parameters in LVNS simulation data

分別從UK-DALE數(shù)據(jù)集和從LVNS仿真平臺獲取的數(shù)據(jù)中各自選取一天的用電總數(shù)據(jù)進(jìn)行展示，其總功率數(shù)據(jù)分別如圖5和圖6所示。

圖5 UK-DALE數(shù)據(jù)集中某一天的總有功功率

從圖5和圖6可以看出，在一天時間內(nèi)，無論是仿真數(shù)據(jù)還是UK-DALE的實測數(shù)據(jù)，均有數(shù)十個事件發(fā)生，負(fù)荷發(fā)生狀態(tài)切換較為頻繁，有功功率值通常在2 kW內(nèi)變化，UK-DALE數(shù)據(jù)的有功功率有時能達(dá)到4 kW左右，而在仿真數(shù)據(jù)集中，當(dāng)電動汽車接入進(jìn)行充電時，有功功率則會達(dá)到8 kW左右。此外，仿真數(shù)據(jù)中有有功功率和無功功率數(shù)據(jù)，并且在穩(wěn)態(tài)過程中功率的波動較小，而UK-DALE實測數(shù)據(jù)中僅有有功功率數(shù)據(jù)，并且在穩(wěn)態(tài)過程中有功功率有時會出現(xiàn)較為明顯的波動。

圖6 LVNS仿真數(shù)據(jù)集某一天的總有功以及無功功率

選取僅采用DPSO的方法（下文稱為方法1）、采用2.2節(jié)所述基本識別結(jié)果校核的方法（下文稱為方法2）和采用2.3節(jié)所述基于維特比算法的識別結(jié)果校核方法（下文稱為方法3），分別在兩個數(shù)據(jù)集上進(jìn)行負(fù)荷識別，并對三種方法的識別結(jié)果進(jìn)行對比分析。

3.2 負(fù)荷識別結(jié)果評價指標(biāo)

為實現(xiàn)對本文所提方法的準(zhǔn)確性進(jìn)行全面表征，選取在分類問題中的評價指標(biāo)1值[30]、回歸問題中的評價指標(biāo)方均根誤差（Root Mean Square Error, RMSE）、平均絕對誤差（Mean Absolute Error, MAE）及標(biāo)準(zhǔn)方均根誤差（Normalized Mean Square Error, NMSE）[31]，構(gòu)成負(fù)荷識別結(jié)果評價指標(biāo)體系。其中，1值用于評價識別負(fù)荷運(yùn)行狀態(tài)的準(zhǔn)確程度，取值范圍在0～1，并且值越大，表示識別準(zhǔn)確程度越高；RMSE、MAE和NMSE用于評價負(fù)荷所消耗功率的預(yù)測值與真實值之間的相近程度，其取值越小，說明預(yù)測值與真實值越接近。RMSE、MAE反映了預(yù)測值與真實值之間的絕對誤差，而NMSE反映了預(yù)測值與真實值之間的相對誤差。1、RMSE、MAE、NMSE的計算方法分別為

3.3 LVNS仿真數(shù)據(jù)測試結(jié)果

首先使用從LVNS仿真平臺上獲取的數(shù)據(jù)對本文所提出的方法進(jìn)行測試，方法1～3的負(fù)荷識別結(jié)果分別見表3～表5。

表3 方法1在LVNS仿真數(shù)據(jù)上的負(fù)荷識別結(jié)果

Tab.3 The load identification results in LVNS simulation data using method 1

表4 方法2在LVNS仿真數(shù)據(jù)上的負(fù)荷識別結(jié)果

Tab.4 The load identification results in LVNS simulation data using method 2

表5 方法3在LVNS仿真數(shù)據(jù)上的負(fù)荷識別結(jié)果

Tab.5 The load identification results in LVNS simulation data using method 3

從表3～表5可以看出，三種識別方法對電動汽車的識別均達(dá)到了很高的精度，主要原因在于電動汽車的有功功率遠(yuǎn)高于其他負(fù)荷，其他負(fù)荷很難對電動汽車的識別造成干擾。在對其他負(fù)荷進(jìn)行識別時，從表3中可以看出，方法1在LVNS平臺的仿真數(shù)據(jù)上有著較好的負(fù)荷識別結(jié)果。對食品加工機(jī)和電視機(jī)的識別精度較差，其1值遠(yuǎn)低于其他負(fù)荷，而且NMSE偏高。其他負(fù)荷中有五個負(fù)荷的1值超過0.9，NMSE值低于0.45，其中三個負(fù)荷的1值甚至超過0.96，且NMSE值低于0.3。

而從表4和表5中能夠看出，相較于方法1，方法2和方法3能夠進(jìn)一步提高負(fù)荷識別的準(zhǔn)確度，而方法3的準(zhǔn)確率又整體高于方法2。在方法3的識別結(jié)果中，八個負(fù)荷中有七個的1值高于0.9，其中五個負(fù)荷的1值超過了0.97，電爐的1值達(dá)到了最大為0.995 6。而且RMSE、MAE、NMSE等評價指標(biāo)相較于方法1和方法2也有所下降。僅有第二個白熾燈的識別準(zhǔn)確率有明顯的下降，但由于該負(fù)荷的額定功率很低，僅有40 W，因此不會對整體識別準(zhǔn)確度造成較為明顯的影響。識別結(jié)果表明，本文所提方法能夠有效提高整體的負(fù)荷識別準(zhǔn)確率，并且在進(jìn)行識別結(jié)果校核的過程中，計及多個連續(xù)穩(wěn)態(tài)過程和暫態(tài)過程的校核方法，其識別準(zhǔn)確度會高于僅參考相鄰穩(wěn)態(tài)過程和暫態(tài)過程的校核方法。

3.4 UK-DALE數(shù)據(jù)集測試結(jié)果

隨后在UK-DALE數(shù)據(jù)集上對本文所提出的方法進(jìn)行測試，方法1～3的負(fù)荷識別結(jié)果分別見表6～表8。

從表6中可以看出，方法1在UK-DALE數(shù)據(jù)集上的表現(xiàn)并不是很好，僅對電冰箱和熱水壺的識別準(zhǔn)確度較高。其主要原因在于，不同負(fù)荷之間會出現(xiàn)相似電氣特征的情況，在僅考慮當(dāng)前穩(wěn)態(tài)過程進(jìn)行識別時，會對負(fù)荷運(yùn)行狀態(tài)的判定造成干擾，使得負(fù)荷識別結(jié)果出現(xiàn)偏差。此外，由于UK-DALE為實測數(shù)據(jù)集，負(fù)荷在實際運(yùn)行過程中，會受到諸如電壓波動等外界干擾，并考慮到傳感器采集數(shù)據(jù)時產(chǎn)生的噪聲和誤差，使得其負(fù)荷的功率產(chǎn)生一定的波動，而且UK-DALE數(shù)據(jù)集中僅記錄了有功功率數(shù)據(jù)，可用的電氣特征較少。這些因素也在一定程度上增加了負(fù)荷識別的難度。

表6 方法1在UK-DALE數(shù)據(jù)集上的負(fù)荷識別結(jié)果

Tab.6 The load identification results in UK-DALE dataset using method 1

表7 方法2在UK-DALE數(shù)據(jù)集上的負(fù)荷識別結(jié)果

Tab.7 The load identification results in UK-DALE dataset using method 2

表8 方法3在UK-DALE數(shù)據(jù)集上的負(fù)荷識別結(jié)果

Tab.8 The load identification results in UK-DALE dataset using method 3

而從表7和表8中能夠看出，方法2能夠在方法1的基礎(chǔ)上使得識別結(jié)果有著一定程度的提高，而方法3則能夠進(jìn)一步提高負(fù)荷識別的準(zhǔn)確度。從方法1～方法3，各個負(fù)荷的1值均不斷提高，僅有電飯鍋的1值略低，并且各個負(fù)荷的RMSE、MAE和NMSE值均在降低。此外不難發(fā)現(xiàn)，大功率負(fù)荷的識別精度均有明顯提高，烤面包機(jī)的1值從最初的0.194 7提高到了0.846 2，而熱水壺的1值也從0.717 0提高到了0.987 5，取得滿意的準(zhǔn)確率。雖然小功率負(fù)荷的識別精度變化不大但仍略有提升，電冰箱的1值從0.922 2提高到了0.949 3。其中，烤面包機(jī)、熱水壺和電冰箱的識別結(jié)果對比如圖7所示。

圖7 三種負(fù)荷的識別結(jié)果對比

在負(fù)荷識別的過程中，所提出的方法參考其他穩(wěn)態(tài)及暫態(tài)過程的負(fù)荷識別結(jié)果，對識別結(jié)果候選集進(jìn)行分析篩選，排除不滿足邏輯關(guān)系的選項，最終確定更為合理的識別結(jié)果。因此在實測數(shù)據(jù)集中，本文所提出的負(fù)荷識別方法能夠在保證小功率負(fù)荷的識別精度的前提下，有效提高大功率負(fù)荷的識別精度。

進(jìn)一步選取多狀態(tài)負(fù)荷洗碗機(jī)在一段時間內(nèi)的真實功率數(shù)據(jù)與通過方法1～3進(jìn)行負(fù)荷識別得到的洗碗機(jī)功率分解結(jié)果進(jìn)行對比分析，結(jié)果分別如圖8～圖11所示。

圖8 洗碗機(jī)的真實功率變化情況

圖9 方法1對洗碗機(jī)的功率分解結(jié)果

圖10 方法2對洗碗機(jī)的功率分解結(jié)果

圖11 方法3對洗碗機(jī)的功率分解結(jié)果

圖8為洗碗機(jī)的真實功率變化情況?？梢钥闯?，洗碗機(jī)具有兩種不同的工作狀態(tài)，其中一個工作狀態(tài)的額定功率約為2 kW，另一個工作狀態(tài)的額定功率約為100 W。洗碗機(jī)在一個完整的運(yùn)行周期中，首先處于2 kW的工作狀態(tài)，隨后切換到100 W的工作狀態(tài)直到關(guān)閉。

圖9～圖11分別為使用方法1～3進(jìn)行負(fù)荷識別得到的洗碗機(jī)功率分解結(jié)果。方法1雖能識別出洗碗機(jī)大部分的工作狀態(tài)，但在某些穩(wěn)態(tài)過程中，雖然洗碗機(jī)未開啟，但方法1仍將其識別為處于開啟狀態(tài)，出現(xiàn)識別錯誤的情況。而方法2相較于方法1，可以成功識別出洗碗機(jī)處于開啟狀態(tài)的全部穩(wěn)態(tài)過程，并且出現(xiàn)錯誤識別的數(shù)量有所減少。而方法3則有更好的識別表現(xiàn)，不僅成功識別出洗碗機(jī)處于開啟狀態(tài)的全部穩(wěn)態(tài)過程，而且只出現(xiàn)一次識別錯誤的情況，其對洗碗機(jī)的消耗功率的分解結(jié)果與其實際變化情況更為吻合。因此，本文所提出的方法能夠有效排除在穩(wěn)態(tài)過程中可能出現(xiàn)的錯誤識別結(jié)果，并保留正確的結(jié)果，提高負(fù)荷識別的準(zhǔn)確程度和可靠性。

此外，在對負(fù)荷處于運(yùn)行狀態(tài)所消耗功率進(jìn)行預(yù)測時，通過聚類算法獲取其典型工作狀態(tài)數(shù)目及其對應(yīng)的額定功率是十分重要的預(yù)測依據(jù)，聚類結(jié)果的準(zhǔn)確程度會影響負(fù)荷識別及功率預(yù)測的精度。從圖9～圖11中可以看出，方法1～3雖在識別負(fù)荷所處運(yùn)行狀態(tài)方面表現(xiàn)有所不同，但對負(fù)荷消耗功率進(jìn)行預(yù)測，其結(jié)果較為相似且很接近實際情況，這也在一定程度上反映了本文所選的聚類算法的準(zhǔn)確性和可行性。

3.5 不同算法識別精度對比

選取文獻(xiàn)[32]所提的非侵入式負(fù)荷識別算法與本文的方法1和方法3進(jìn)行對比。文獻(xiàn)[32]采用組合優(yōu)化（Combinatorial Optimization, CO）算法進(jìn)行負(fù)荷識別，即選取與采樣得到的總功率數(shù)據(jù)最為接近的負(fù)荷組合作為負(fù)荷識別結(jié)果，以及因子隱馬爾科夫模型（Factor Hidden Markov Model, FHMM），即為每個負(fù)荷構(gòu)建一條馬爾科夫鏈，表征其運(yùn)行狀態(tài)的變化情況，并分別對其參數(shù)進(jìn)行訓(xùn)練，最后使用期望最大算法進(jìn)行計算，實現(xiàn)負(fù)荷識別。

在同一計算機(jī)的運(yùn)行環(huán)境下，用上述四種方法對3.1節(jié)所述UK-DALE數(shù)據(jù)集House2的連續(xù)10天用電數(shù)據(jù)進(jìn)行測試，負(fù)荷識別結(jié)果見表9和表10，以及如圖12所示。

表9 四種算法在UK-DALE數(shù)據(jù)集上的識別結(jié)果RMSE

Tab.9 The RMSE results for UK-DALE dataset using four methods

從表9、表10及圖12可以看出，CO和FHMM方法對大部分負(fù)荷的識別表現(xiàn)優(yōu)于方法1，僅在對電冰箱和電飯鍋的識別準(zhǔn)確度上低于方法1。而方法3的負(fù)荷識別效果則幾乎全面提升，除烤面包機(jī)外，方法3在其他負(fù)荷的RMSE和MAE均優(yōu)于CO和FHMM方法。方法3在方法1的基礎(chǔ)上，結(jié)合穩(wěn)態(tài)過程和暫態(tài)過程負(fù)荷運(yùn)行狀態(tài)之間的邏輯關(guān)系，對識別結(jié)果進(jìn)行校核分析。方法1的負(fù)荷識別精度原本低于CO和FHMM方法，而經(jīng)過改進(jìn)得到的方法3，其負(fù)荷識別表現(xiàn)超越CO和FHMM方法，進(jìn)一步驗證了本文所提方法的有效性和優(yōu)越性。

表10 四種算法在UK-DALE數(shù)據(jù)集上的識別結(jié)果MAE

Tab.10 The MAE results for UK-DALE dataset using four methods

圖12 四種方法的負(fù)荷識別結(jié)果對比

4 結(jié)論

本文對相鄰穩(wěn)態(tài)過程和暫態(tài)過程所對應(yīng)負(fù)荷運(yùn)行狀態(tài)之間的邏輯關(guān)系進(jìn)行分析，提出一種基于維特比算法改進(jìn)的穩(wěn)暫態(tài)混合非侵入式負(fù)荷識別方法。首先通過對負(fù)荷在運(yùn)行過程中所表現(xiàn)出的電氣特征進(jìn)行分析，并將其劃分為穩(wěn)態(tài)特征和暫態(tài)特征兩類，分別使用離散粒子群算法和動態(tài)時間規(guī)整算法進(jìn)行基于穩(wěn)態(tài)特征和暫態(tài)特征的負(fù)荷識別，并對每個穩(wěn)態(tài)或暫態(tài)過程，均選取若干個識別結(jié)果構(gòu)建負(fù)荷識別結(jié)果候選集。隨后對相鄰穩(wěn)態(tài)和暫態(tài)過程的負(fù)荷運(yùn)行狀態(tài)之間的邏輯關(guān)系進(jìn)行闡述分析，進(jìn)而聯(lián)立多個連續(xù)的穩(wěn)態(tài)和暫態(tài)過程對應(yīng)的識別結(jié)果候選集，對識別結(jié)果進(jìn)行校核，采用維特比算法構(gòu)建表征負(fù)荷運(yùn)行狀態(tài)變化的時間序列，對反映負(fù)荷運(yùn)行狀態(tài)隨時間變化情況的最優(yōu)路徑進(jìn)行計算，確定最終的負(fù)荷識別結(jié)果。通過在仿真數(shù)據(jù)集和實測數(shù)據(jù)集進(jìn)行的驗證分析，所提方法能夠提高整體的負(fù)荷識別的精度，實現(xiàn)高效的負(fù)荷運(yùn)行狀態(tài)感知，并在保證小功率負(fù)荷的識別結(jié)果可靠性的同時，有效提高大功率負(fù)荷的識別準(zhǔn)確率。

在未來的研究中，應(yīng)嘗試使用其他算法進(jìn)行基于穩(wěn)態(tài)特征和暫態(tài)特征的負(fù)荷識別，以測試本文所提方法的通用性和可擴(kuò)展性。此外，考慮多狀態(tài)負(fù)荷電器運(yùn)行行為的復(fù)雜性，應(yīng)對此類負(fù)荷的穩(wěn)態(tài)過程、暫態(tài)過程及相鄰過程的邏輯關(guān)系作進(jìn)一步分析，并構(gòu)建更為完善的識別結(jié)果判定機(jī)制。在應(yīng)對實時負(fù)荷監(jiān)測問題時，如何對不同時間尺度下得到的負(fù)荷識別結(jié)果進(jìn)行滾動校核分析，并通過本文所提方法進(jìn)行模型參數(shù)的自適應(yīng)調(diào)整，也具有重要的學(xué)術(shù)意義和工程價值。

[1] 徐明杰, 趙健, 王小宇, 等. 基于多任務(wù)聯(lián)合模型的居民用電模式分類方法[J]. 電工技術(shù)學(xué)報, 2022, 37(21): 5490-5502. Xu Mingjie, Zhao Jian, Wang Xiaoyu, et al. Residential electricity consumption pattern classification method based on multi-task joint model[J]. Transactions of China Electrotechnical Society, 2022, 37(21): 5490-5502.

[2] 范睿, 孫潤稼, 劉玉田. 考慮空調(diào)負(fù)荷需求響應(yīng)的負(fù)荷恢復(fù)量削減方法[J]. 電工技術(shù)學(xué)報, 2022, 37(11): 2869-2877. Fan Rui, Sun Runjia, Liu Yutian. A load restoration amount reduction method considering demand response of air conditioning loads[J]. Transactions of China Electrotechnical Society, 2022, 37(11): 2869-2877.

[3] 金國彬, 潘狄, 陳慶, 等. 考慮源荷不確定性的直流配電網(wǎng)模糊隨機(jī)日前優(yōu)化調(diào)度[J]. 電工技術(shù)學(xué)報, 2021, 36(21): 4517-4528. Jin Guobin, Pan Di, Chen Qing, et al. Fuzzy random day-ahead optimal dispatch of DC distribution network considering the uncertainty of source-load[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4517-4528.

[4] 張潼, 于鶴洋, 田江, 等. 基于非侵入式負(fù)荷辨識的聚合負(fù)荷需求響應(yīng)能力在線評估[J]. 電力工程技術(shù), 2020, 39(6): 19-25, 65. Zhang Tong, Yu Heyang, Tian Jiang, et al. Online aggregation monitoring of low-voltage power load demand responsecapability based on non-intrusive load identification[J]. Electric Power Engineering Technology, 2020, 39(6): 19-25, 65.

[5] 雷怡琴, 孫兆龍, 葉志浩, 等. 電力系統(tǒng)負(fù)荷非侵入式監(jiān)測方法研究[J]. 電工技術(shù)學(xué)報, 2021, 36(11): 2288-2297. Lei Yiqin, Sun Zhaolong, Ye Zhihao, et al. Research on non-invasive load monitoring method in power system[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2288-2297.

[6] Hart G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.

[7] 余貽鑫, 劉博, 欒文鵬. 非侵入式居民電力負(fù)荷監(jiān)測與分解技術(shù)[J]. 南方電網(wǎng)技術(shù), 2013, 7(4): 49-51. Yu Yixin, Liu Bo, Luan Wenpeng. Nonintrusive residential load monitoring and decomposition technology[J]. Southern Power System Technology, 2013, 7(4): 49-51.

[8] Liang Jian, Ng S K K, Kendall G, et al. Load signature study—part I: basic concept, structure, and methodology[J]. IEEE Transactions on Power Delivery, 2010, 25(2): 551-560.

[9] 程祥, 李林芝, 吳浩, 等. 非侵入式負(fù)荷監(jiān)測與分解研究綜述[J]. 電網(wǎng)技術(shù), 2016, 40(10): 3108-3117. Cheng Xiang, Li Linzhi, Wu Hao, et al. A survey of the research on non-intrusive load monitoring and disaggregation[J]. Power System Technology, 2016, 40(10): 3108-3117.

[10] 徐青山, 婁藕蝶, 鄭愛霞, 等. 基于近鄰傳播聚類和遺傳優(yōu)化的非侵入式負(fù)荷分解方法[J]. 電工技術(shù)學(xué)報, 2018, 33(16): 3868-3878. Xu Qingshan, Lou Oudie, Zheng Aixia, et al. A non-intrusive load decomposition method based on affinity propagation and genetic algorithm optimization[J]. Transactions of China Electrotechnical Society, 2018, 33(16): 3868-3878.

[11] 尹立亞. 非侵入式負(fù)荷特征提取與識別算法的研究[D]. 北京: 華北電力大學(xué), 2021.

[12] 孫毅, 張璐, 趙洪磊, 等. 基于動態(tài)自適應(yīng)粒子群算法的非侵入式家居負(fù)荷分解方法[J]. 電網(wǎng)技術(shù), 2018, 42(6): 1819-1826. Sun Yi, Zhang Lu, Zhao Honglei, et al. A non-intrusive household load monitoring method based on dynamic adaptive particle swarm optimization algorithm[J]. Power System Technology, 2018, 42(6): 1819-1826.

[13] 林順富, 詹銀楓, 李毅, 等. 基于CNN-BiLSTM與DTW的非侵入式住宅負(fù)荷監(jiān)測方法[J]. 電網(wǎng)技術(shù), 2022, 46(5): 1973-1981. Lin Shunfu, Zhan Yinfeng, Li Yi, et al. Non-intrusive residential load monitoring method based on CNN-BiLSTM and DTW[J]. Power System Technology, 2022, 46(5): 1973-1981.

[14] Buddhahai B, Wongseree W, Rakkwamsuk P. A non-intrusive load monitoring system using multi-label classification approach[J]. Sustainable Cities and Society, 2018, 39: 621-630.

[15] Tabatabaei S M, Dick S, Xu W. Toward non-intrusive load monitoring via multi-label classification[J]. IEEE Transactions on Smart Grid, 2017, 8(1): 26-40.

[16] Liu Yu, Liu Congxiao, Shen Yiwen, et al. Non-intrusive energy estimation using random forest based multi-label classification and integer linear programming[J]. Energy Reports, 2021, 7: 283-291.

[17] Li Ding, Sawyer K, Dick S. Disaggregating household loads via semi-supervised multi-label classification[C]// 2015 Annual Conference of the North American Fuzzy Information Processing Society (NAFIPS) held jointly with 2015 5th World Conference on Soft Computing (WConSC), Redmond, WA, USA, 2015: 1-5.

[18] 周東國, 張恒, 周洪, 等. 基于狀態(tài)特征聚類的非侵入式負(fù)荷事件檢測方法[J]. 電工技術(shù)學(xué)報, 2020, 35(21): 4565-4575. Zhou Dongguo, Zhang Heng, Zhou Hong, et al. Non-intrusive load event detection method based on state feature clustering[J]. Transactions of China Electro-technical Society, 2020, 35(21): 4565-4575.

[19] 張致強(qiáng), 周步祥, 張冰, 等. 計及小波設(shè)計和半監(jiān)督機(jī)器學(xué)習(xí)的非侵入式負(fù)載識別[J]. 電力系統(tǒng)及其自動化學(xué)報, 2020, 32(5): 143-150. Zhang Zhiqiang, Zhou Buxiang, Zhang Bing, et al. Wavelet design and semi-supervised machine learning for non-intrusive load identification[J]. Proceedings of the CSU-EPSA, 2020, 32(5): 143-150.

[20] Le T T H, Heo S, Kim H. Toward load identification based on the Hilbert transform and sequence to sequence long short-term memory[J]. IEEE Transactions on Smart Grid, 2021, 12(4): 3252-3264.

[21] 牟魁翌, 楊洪耕. 基于PLA-GDTW支持向量機(jī)的非侵入式負(fù)荷監(jiān)測方法[J]. 電網(wǎng)技術(shù), 2019, 43(11): 4185-4192. Mu Kuiyi, Yang Honggeng. Non-intrusive load identification method based on PLA-GDTW support vector machine[J]. Power System Technology, 2019, 43(11): 4185-4192.

[22] 趙文清, 張詩滿, 李剛. 基于聚類和關(guān)聯(lián)分析的居民用戶非侵入式負(fù)荷分解[J]. 電力自動化設(shè)備, 2020, 40(6): 8-14. Zhao Wenqing, Zhang Shiman, Li Gang. Non-intrusive load decomposition of residential users based on cluster and association analysis[J]. Electric Power Automation Equipment, 2020, 40(6): 8-14.

[23] Yang Dongsheng, Gao Xiaoting, Kong Liang, et al. An event-driven convolutional neural architecture for non-intrusive load monitoring of residential appliance[J]. IEEE Transactions on Consumer Electronics, 2020, 66(2): 173-182.

[24] 武昕, 于金瑩, 彭林, 等. 基于用戶邊緣側(cè)事件解析的工業(yè)電力負(fù)荷非侵入式感知辨識[J]. 電力系統(tǒng)自動化, 2021, 45(4): 29-37. Wu Xin, Yu Jinying, Peng Lin, et al. Non-intrusive perception and identification of industrial power load based on analysis of event on user edge[J]. Automation of Electric Power Systems, 2021, 45(4): 29-37.

[25] Liu Yu, Liu Congxiao, Wang Wen, et al. A robust non-intrusive load disaggregation method with roof-top photovoltaics[J]. Electric Power Systems Research, 2022, 208: 107887.

[26] Liu Yu, Liu Congxiao, Ling Qicheng, et al. Toward smart distributed renewable generation via multi-uncertainty featured non-intrusive interactive energy monitoring[J]. Applied Energy, 2021, 303: 117689.

[27] 牛盧璐, 賈宏杰. 一種適用于非侵入式負(fù)荷監(jiān)測的暫態(tài)事件檢測算法[J]. 電力系統(tǒng)自動化, 2011, 35(9): 30-35. Niu Lulu, Jia Hongjie. Transient event detection algorithm for non-intrusive load monitoring[J]. Automation of Electric Power Systems, 2011, 35(9): 30-35.

[28] Torquato R, Shi Qingxin, Xu W, et al. A Monte Carlo simulation platform for studying low voltage residential networks[J]. IEEE Transactions on Smart Grid, 2014, 5(6): 2766-2776.

[29] Kelly J, Knottenbelt W. The UK-DALE dataset, domestic appliance-level electricity demand and whole-house demand from five UK homes[J]. Scientific Data, 2015, 2(1): 1-14.

[30] 馮人海, 袁萬琦, 葛磊蛟. 基于圖信號交替優(yōu)化的居民用戶非侵入式負(fù)荷監(jiān)測方法[J]. 中國電機(jī)工程學(xué)報, 2022, 42(4): 1355-1364. Feng Renhai, Yuan Wanqi, Ge Leijiao. Non-intrusive load monitoring method for resident users based on alternating optimization in graph signal[J]. Proceedings of the CSEE, 2022, 42(4): 1355-1364.

[31] Song J, Lee Yonggu, Hwang E. Time-frequency mask estimation based on deep neural network for flexible load disaggregation in buildings[J]. IEEE Transac-tions on Smart Grid, 2021, 12(4): 3242-3251.

[32] Batra N, Kelly J, Parson O, et al. NILMTK: an open source toolkit for non-intrusive load monitoring[C]// Proceedings of the 5th international conference on Future energy systems, Cambridge, United Kingdom, 2014: 265-276.

An Improved Steady- and Transient-State Mixed Non-Intrusive Load Monitoring Using Viterbi Algorithm

Liu Yu Liu Congxiao Zhao Xin Gao Shan Huang Xueliang

（School of Electrical Engineering Southeast University Nanjing 210018 China）

Non-intrusive load monitoring (NILM) is the most commonly used method to achieve load state identification, which is an important technology to realize power grid panoramic perception and support the carbon peaking and carbon neutrality goals. Depending on the detection object, NILM can be divided into two categories, i.e., steady-state signature based NILM and transient-state signature based NILM. Various studies have been conducted on both fields respectively, but the internal relationships between different states are rarely discussed. To explore the potential of associating the sequential states in load disaggregation problem, this paper thoroughly investigates the sequential logics between the load states in adjacent steady-state process and transient-state process, and makes use of them to improve the NILM performance.

Firstly, considering the switching states of appliances, steady-state signature based NILM is solved by discrete particle swarm optimization (DPSO) algorithm. Secondly, transient-state signature based NILM is addressed by dynamic time warping (DTW) approach, to deal with the complex event characteristics. Then, a probability evaluation system is applied for decision-making, where multiple identification results with high confidence are selected to construct the candidate sets of independent identification results. Lastly, the candidate sets of adjacent steady-state and transient-state are associated together, and Viterbi algorithm is utilized to establish the probabilistic sequential model and optimize the load identification results.

The proposed method is analyzed and validated on load consumption data from both low voltage network simulator (LVNS) and UK-DALE dataset. Four metrics, including F1 measure (F1), root mean square error (RMSE), mean absolute error (MAE), and normalized mean square error (NMSE), are utilized to evaluate the load disaggregation performance. The results show that the proposed method can effectively improve the overall load identification accuracy, especially for these appliances with high rated power. In the simulation-based case, the disaggregation performance for the incandescent light bulb rated at 40W is unsatisfactory by the proposed method, due to the similarity of the rated power and frequent fluctuating power values. However, such results for low-power appliances do not affect the overall performance, while the global NILM is greatly enhanced by integrating the different states together. In the measurement dataset-based case, all appliances, including the 85 W fridge, are accurately identified by the proposed method, along with a significant improvement compared with independent steady-state signature based NILM. Besides, the disaggregation results for dishwasher, the appliance with complex operation states, are remarkably promoted by the proposed method, indicating the superiority and applicability of this study. Finally, two conventional NILM approaches, i.e., Combinatorial optimization (CO) and factor hidden Markov model (FHMM), are also tested and compared in the cases. Although CO and FHMM outperform DPSO under traditional framework, by integrating the proposed strategy, the DPSO based NILM is largely enhanced from all metrics, generating a better NILM solution.

The following conclusions can be drawn from the verification analysis: (1) By utilizing the sequential logics between adjacent load states, the load disaggregation performance could be largely enhanced compared with independent steady-state signature based NILM, as well as transient-state signature based NILM. Bedside, the proposed framework has a good compatibility with diverse independent NILM approaches. (2) Compared with CO and FHMM, the proposed model has definite physical significance. In addition, the proposed method shows remarkable enhancement in load disaggregation, even if the basic steady-state signature based NILM algorithm performs poorly. (3) The proposed model and method are flexible in time scalability, which is promising in load perception and prediction under the dynamic rolling mechanism.

Non-intrusive load monitoring, discrete particle swarm optimization algorithm, dynamic time warping, Viterbi algorithm, steady- and transient-state

10.19595/j.cnki.1000-6753.tces.220566

TM714

國家自然科學(xué)基金（51907024）、東南大學(xué)“至善青年學(xué)者”支持計劃和中央高?；究蒲袠I(yè)務(wù)費(fèi)專項資金（2242022R40050）資助項目。

2022-04-14

2022-11-13

劉 宇 男，1990年生，副教授，碩士生導(dǎo)師，研究方向為電力系統(tǒng)規(guī)劃、運(yùn)行與控制，需求側(cè)態(tài)勢感知，非侵入式負(fù)荷量測與分析等。E-mail：yuliu@seu.edu.cn（通信作者）

劉叢笑 男，1997年生，碩士研究生，研究方向為非侵入式負(fù)荷量測與分析，需求響應(yīng)等。E-mail：220202962@seu.edu.cn

（編輯 赫蕾）