论文部分内容阅读
随着世界科学技术水平和经济实力的不断提高,终端能源中电能的比例越来越大,已经成为人们不可或缺的重要元素。而由于全球变暖和能源短缺已成为现代社会的两大问题。一些研究表明,人类生产活动是导致这两大问题出现的主要驱动力。长期以来,政府和公共机构一直在大力推进节能减排。因此,有效利用电能将带来显著的节能效果。研究表明,提供有关用电设备功率消耗的综合信息可以促进潜在的节能20%以上。功率消耗信息的可用性为电力系统操作和调度以及电网规划提供了显着的益处。因此,提供功率消耗信息的技术可以极大程度上提高资产利用率和能源效率。而获取和分析功率消耗信息的一个重要方法是非侵入式负荷监测(Non-intrusive load monitoring,NILM),它允许根据在单个输入端测量的总的功率消耗信号,而不是安装多个传感器来推断单个用电设备的功率消耗信号。为了提高非侵入式负荷监测的准确性和可推广性,从而更大可能地将非侵入式负荷监测推广到所有安装智能电表的居民用户。本文提出了一种可扩展、自适应的综合模型来解决负荷分解问题,该模型采用基于迭代模糊聚类算法(Iterative fuzzy c-cluster,IFCM)的可加性因子近似最大后验概率模型(Additive factorial approximate maximum a posteriori,AFAMAP)。为了确保该模型适应于其他家庭,本文应用隐马尔可夫模型(Hidden Markov model,HMM)来获得每个用电设备的独立负荷模型,并且将迭代模糊聚类算法用于自适应地确定隐马尔可夫模型的运行状态数,随后所有用电设备的负荷模型集成建立数据库,以便其他居民用户的使用。最后,利用可加性因子近似最大后验概率模型基于隐马尔可夫模型构建的独立负荷模型来分解总功率消耗信号。为了验证该模型的有效性,本文使用开源数据集AMPds(Almanac of minutely power datasets)进行负荷分解的仿真研究,结果表明,与其他模型相比,所提出的模型分解结果更准确且效率更高。本文展开了以下四个方面的研究:(1)结合非侵入式负荷监测的理论研究,建立基于因子隐马尔可夫模型(Factorial hidden Markov model,FHMM)负荷分解模型。该模型通过预先设定聚类簇的数量,即隐马尔可夫模型运行状态数量,使用k均值聚类方法(k-means)确定运行状态对应的功率消耗,然后基于隐士马尔可夫模型对单个用电设备进行建模,最后用因子隐马尔可夫模型进行分解得到最终的分解结果。选择6种常用的用电设备作为研究对象,分析该方法的有效性。(2)为了提高非侵入式负荷监测的可推广性,本文提出了迭代模糊聚类算法来自适应的确定运行状态数和对应的功率,同样选择6种常用的用电设备作为研究对象,分析该方法的有效性。同时为了验证迭代模糊聚类算法选取的运行状态数量的最优性,逐一改变6个用电状态的运行状态数量,依次分析准确性。(3)本文为了进一步提高非侵入式负荷监测的准确率和效率,摒弃了传统的因子隐马尔可夫模型来对总的功率消耗信号进行分解,采用结合加法因子隐马尔可夫模型(Addictive factorial hidden Markov model,AFHMM)和减法因子隐马尔可夫模型(Difference factorial hidden Markov model,DFHMM)两者优势的可加性因子近似最大后验概率模型进行负荷分解。鉴于可加性因子近似最大后验概率模型带来了繁冗的计算量,本文提出了具有自适应阈值的非重叠窗口技术来判断待分解窗口是否发生状态改变,只对发生状态改变的窗口执行分解,最终展开仿真实验进行对比。(4)为了更好的将非侵入式负荷监测应用于实际中,本文除了对单个用电设备建立负荷模型,同时考虑在噪声场景下建立了Row(Rest of world)模型,最后用可加性因子近似最大后验概率模型对实际的总功率消耗信号进行负荷分解。