【技术实现步骤摘要】
本专利技术涉及非侵入式负荷监测，尤其涉及一种基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法。
技术介绍
1、非侵入式负荷监测(nilm)技术作为智能电网高级量测体系的重要组成部分，对提升能源利用效率具有重要意义。由于隐马尔可夫模型(hmm)具有建模电力数据和表征负荷状态的能力，因此被广泛应用于nilm领域。
2、现阶段电力负荷监测主要分为侵入式负荷监测(intrusive load monitoring,ilm)与非侵入式负荷监测(non-intrusive load monitoring,nilm)两种方式。ilm技术通过在每一个负荷设备上部署传感器实现用电实时监测，需要投入大量资金进行硬件购置及维护。该技术通用性较差，传感装置需要入户安装的同时较难适应负荷设备的物理布局变化，因而无法进行大规模推广应用。而nilm技术通过对总负荷电表数据进行分析处理，获取电力用户内部各用电负荷的实时能耗信息。由于家庭环境的私密性，使得nilm技术在节省传感器硬件成本的同时，能够实现对用户隐私的保护。随着nilm研究的不断发展，机器学习方法被引入用于提升监测的准确性、实时性及通用性。
3、根据是否需要辨识负荷投切事件，nilm可以分为事件型及非事件型两种不同类型的方法。事件型nilm方法着眼于单个负荷设备信号分量中的差异化特征，以及在观测总计量数据中差分信号提取的事件特征，通过对差异化特征及事件特征进行识别匹配实现监测过程。非事件型nilm方法多考虑单个负荷设备的信号特征与观测总计量数据的映射关系，从而直
4、目前的电表较易获取负荷低频下的稳态特征，借助易获取的稳态特征以提高负荷的辨识率，将有益于nilm技术的普及。非事件型方法中隐马尔可夫模型(hmm)具备很好的处理时序问题的能力，此外，该模型由于通过观测值对负荷状态进行表征，所需训练时间及数据量较少，在nilm领域得到了广泛关注。然而，基于hmm的方法较多采用有功功率特征构建负荷模型，难以实现对功率近似负荷的有效区分。此外，用hmm进行负荷分解存在的主要问题是模型所处理的状态数量及运算量随着设备数量及各设备的状态数目的增加呈指数增加，存在计算效率低下的问题。
技术实现思路
1、为了提高对功率相似设备的分解准确性，并实现负荷分解的高效率计算，本专利技术提出了一种基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法。
2、为实现上述目的，本专利技术提供了一种基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法，包括：
3、获取多负荷情境下的总功率信息；
4、将所述总功率信息输入负荷分解模型中，获得负荷组合状态序列，通过所述负荷组合状态序列得到每一个负荷的工作状态；
5、其中，所述负荷分解模型由因子隐马尔可夫fhmm模型构建，所述因子隐马尔可夫fhmm模型基于多维隐马尔可夫hmm模型构建，并利用维特比优化方法对所述fhmm模型进行优化。
6、优选地，构建所述因子隐马尔可夫fhmm模型的方法包括：
7、确定负荷设备的能耗动态变化情况，通过前向概率及后向概率得到用于负荷模型参数迭代的辅助变量，并通过baum-welch方法进行迭代求解，获得所述hmm模型参数更新表达式；
8、基于所述hmm模型参数更新表达式构建所述fhmm模型。
9、优选地，确定所述负荷设备的能耗动态变化情况，包括：
10、根据不可观测的状态序列和可观测的观测序列确定所述负荷设备的能耗动态变化情况，通过马尔可夫齐次性及观测独立性假设进行表征，并采用多维高斯模型表示发射概率分布；其中，所述不可观测的状态序列包括空调的待机状态、制冷状态及制热状态，所述可观测的观测序列为负荷因处于不同工作状态而产生的功率序列。
11、优选地，采用所述多维高斯模型表示发射概率分布为：
12、
13、式中，为状态j下的期望向量；为状态j下的协方差矩阵；bj(o)为发射概率矩阵。
14、优选地，得到所述用于负荷模型参数迭代的辅助变量的方法为：
15、
16、式中，γt(i)为负荷在时刻t处于状态i的概率；ξt(i,j)为负荷在时刻t处于状态i，并且在时刻t+1时处于状态j的概率；αt(i)为到时刻t观测序列为o1:t且状态为i的前向概率；βt(i)为在时刻t处于状态i，且从时刻t到时刻t的观测序列为ot+1:t的后向概率；αt(j)为到时刻t观测序列为o1:t且状态为j的前向概率；βt(j)为在时刻t处于状态j，且从时刻t到时刻t的观测序列为ot+1:t的后向概率；aij为负荷从状态i切换到状态j的转移概率，bj(ot+1)为负荷在状态j下处于用电信息ot+1的观测概率；βt+1(j)为在时刻t+1处于状态j，且从时刻t+2到时刻t的观测序列为ot+2:t的后向概率；n为负荷状态个数。
17、优选地，所述hmm模型参数更新表达式包括：
18、πi＝γ1(i)，
19、
20、式中，πi为初始时刻负荷处于状态i的概率，γ1(i)为负荷在初始时刻处于状态i的概率，t为总时间步长，t为当前时刻，μi为状态i下的期望向量，ot为时刻t的观测向量，σi为状态i下的协方差矩阵，μ为期望向量。
21、优选地，所述fhmm模型的参数集合定义为λ＝(π,a,μ,σ)，其中，参数π及a通过对各负荷模型中的对应参数进行克罗内克积运算获得，参数μ及σ通过对各负荷模型对应参数的有功功率及无功功率分量累加获取。
22、优选地，对所述维特比算法进行优化，包括：
23、通过总有功功率及无功功率序列推断出负荷组合状态序列q1:t，对所有可能的负荷组合状态序列中找到一条概率最大的最优路径，在最终时刻对所述最优路径进行回溯，得到负荷组合状态序列，并引入状态空间约束系数及状态转移路径约束系数对维特比方法进行优化；
24、其中，基于负荷的运行状态对维特比算法的状态空间及状态转移路径进行约束，使得新的状态空间下的功率水平满足用户历史最大功率或最大负荷功率的要求当功率变化为正值时，对于时刻t+1的负荷组合状态i的计算，仅考虑在t时刻负荷组合状态索引小于等于i+βm′的情况，当所述变化为负值时，对于时刻t+1的负荷组合状态i的计算，仅考虑在t时刻负荷组合状态索引值大于等于i-βm′的情况，β为状态转移路径约束系数，m′为新的状态空间大小。
25、优选地，获得所述负荷组合状态序列后，通过组合状态分解算式获取每一个负荷的本文档来自技高网...
【技术保护点】
1.一种基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，包括：
2.根据权利要求1所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，构建所述因子隐马尔可夫FHMM模型的方法包括：
3.根据权利要求2所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，确定所述负荷设备的能耗动态变化情况，包括：
4.根据权利要求3所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，采用所述多维高斯模型表示发射概率分布为：
5.根据权利要求2所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，得到所述用于负荷模型参数迭代的辅助变量的方法为：
6.根据权利要求5所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，所述HMM模型参数更新表达式包括：
7.根据权利要求6所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，所述FHM
8.根据权利要求1所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，所述维特比优化方法，包括：
9.根据权利要求8所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，获得所述负荷组合状态序列后，通过组合状态分解算式获取每一个负荷的工作状态；其中，状态分解及历史平均有功功率映射为：
10.根据权利要求1所述的基于多维低频特征和加速Viterbi算法的非侵入式负荷分解方法，其特征在于，所述方法还包括根据各负荷功率之和约等于总功率的约束条件，构建基于凸二次规划的功率分解模型，具体能耗分配过程为：
...【技术特征摘要】
1.一种基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法，其特征在于，包括：
2.根据权利要求1所述的基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法，其特征在于，构建所述因子隐马尔可夫fhmm模型的方法包括：
3.根据权利要求2所述的基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法，其特征在于，确定所述负荷设备的能耗动态变化情况，包括：
4.根据权利要求3所述的基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法，其特征在于，采用所述多维高斯模型表示发射概率分布为：
5.根据权利要求2所述的基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法，其特征在于，得到所述用于负荷模型参数迭代的辅助变量的方法为：
6.根据权利要求5所述的基于多维低频特征和加速viterbi算法的非侵入式负荷分解方法，其特征在于，所述hmm模型参数更新表达式包括：
7...
【专利技术属性】
技术研发人员：王超，朱厚羿，郭孝超，郑皓月，王斌，
申请(专利权)人：重庆师范大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。