住宅非侵入式负荷监测算法研究

【摘要】：随着能源的日益枯竭和环境的日益恶化,节能减排成为当今社会的一大主题。为了迎合这一主题,电网逐步向智能化与节约型发展。作为智能电网的关键技术,家庭负荷监测技术的发展对于社会而言具有重要的意义。为了满足智能电网中智能测量和需求侧管理的要求,高效率、低成本的负荷监测成为亟待解决的技术难题。传统意义上的家庭负荷监测方法通常是侵入式的,通过将电流电压检测设备安装到每条电器负荷支路上,来监测各条支路的功率情况。这样的实现方式存在的最大问题在于设备安装维护复杂、成本高。因此,研究人员提出了非侵入式负荷监测(Non-intrusive Load Monitoring,NILM)的方式。该方式只需要在住宅供电入口处安装电流电压互感器,将总的电流电压数据进行分解,得到单个电器负荷的运行状态和功率情况,实现对每个电器负荷的监测。目前NILM的研究方向主要有两个,分别是基于事件检测的非侵入式负荷识别和基于负荷模型的非侵入式负荷分解,本文分别从这两个方向提出了相应的解决方法。事件检测是指对电器负荷运行状态变化的检测。本文提出了基于数学形态学的事件检测方法,使用多分辨率数学形态学梯度检测电流变化,对电流变化梯度进行尖峰检测,来检测事件和定位事件发生的时刻。实验表明,本文提出的事件检测方法可以准确的检测事件。在此基础上,本文提出了基于事件检测的考虑多运行状态的负荷识别算法。该算法利用k-means聚类方法,以无监督的方式,对单个电器不同运行状态下的稳态负荷信号进行聚类标签,并对标签后的负荷信号提取谐波特征或者V-I轨迹特征,用来训练分类模型,使用训练好的分类模型进行负荷识别。算例分析表明,本文提出的负荷识别方法能够准确的识别各类负荷。针对基于负荷模型的实现方法,本文提出了基于隐马尔可夫模型(Hidden Markov Model,HMM)的非侵入式负荷分解算法。该算法使用基于密度的聚类方法(DensityBased Spatial Clustering of Applications with Noise,DBSCAN),对单一电器建立准确的隐马尔可夫模型。在此基础上,利用基于因子隐马尔可夫模型(Factorial HMM,FHMM)的总负荷模型,将负荷分解的问题转化为寻找最大概率的优化问题,采用整数规划的方法对优化问题进行求解。算例分析证明了本文提出的负荷分解算法具有很好的分解效果。