论文部分内容阅读
智能电网技术的发展减少了能源消耗及对环境的影响。智能电网的电力负荷监测技术实现了对用户用电情况的远程实时监控，其中的非侵入式负荷监测(NILM)技术可以只通过分析电力总入口处的电力负荷数据就能实现对用电系统内部各用电设备的运行状态和电能消耗情况的自动监测，对于智能电网的经济运行和调度管理有着重要意义。
利用不断发展的隐马尔可夫模型（HMM）及其拓展模型解决NILM中的负荷分解问题已成为NILM的研究热点。其基本思路是将一个NILM问题可以表述为HMM的解码问题，通过利用HMM中解码算法，对于获取到的总的监测电力数据，求解得出用电系统内部各个用电设备的状态。同时基于HMM的NILM方法中也存在未考虑用电设备驻留状态时长影响以及未建模用电设备干扰识别结果的问题。主要研究工作如下：
①标准Viterbi算法存在解码时需要计算和遍历的状态数目大，存在计算耗时高的问题。通过利用用电系统中连续两个负荷事件之间用电设备状态不会发生变化的特性，减少了原Viterbi算法所需计算以及遍历的次数，从而改进了Viterbi算法；
②针对HMM的NILM方法中存在着未考虑用电设备驻留状态时长影响以及未建模用电设备干扰识别结果的问题，本文结合因子隐马尔可夫模型（FHMM）具有多条Markov链和隐半马尔可夫模型（HSMM）引入了状态时长参数的优点，提出了因子隐半马尔可夫模型（FHSMM）。针对提出的FHSMM解决NILM问题，该解决方法能够充分地考虑用电设备的状态驻留时长，能够更准确识别多个用电设备功率或状态叠加的同类型设备，同时不需要对所有用电设备进行建模，大幅度减小了电力负荷建模的计算时间；
③利用合成负荷数据以及公开的BLUED数据集分别对提出的改进的Viterbi算法和因子隐半马尔可夫模型进行对比实验。实验结果表明，改进后的Viterbi算法具有更低的时间复杂度以及更适用于多设备的场景。将本文提出的FHSMM方法与AFAMAP算法对比，实验结果表明，基于FHSMM的NILM方法在时间效率和识别精度上优于AFAMAP算法。
利用不断发展的隐马尔可夫模型（HMM）及其拓展模型解决NILM中的负荷分解问题已成为NILM的研究热点。其基本思路是将一个NILM问题可以表述为HMM的解码问题，通过利用HMM中解码算法，对于获取到的总的监测电力数据，求解得出用电系统内部各个用电设备的状态。同时基于HMM的NILM方法中也存在未考虑用电设备驻留状态时长影响以及未建模用电设备干扰识别结果的问题。主要研究工作如下：
①标准Viterbi算法存在解码时需要计算和遍历的状态数目大，存在计算耗时高的问题。通过利用用电系统中连续两个负荷事件之间用电设备状态不会发生变化的特性，减少了原Viterbi算法所需计算以及遍历的次数，从而改进了Viterbi算法；
②针对HMM的NILM方法中存在着未考虑用电设备驻留状态时长影响以及未建模用电设备干扰识别结果的问题，本文结合因子隐马尔可夫模型（FHMM）具有多条Markov链和隐半马尔可夫模型（HSMM）引入了状态时长参数的优点，提出了因子隐半马尔可夫模型（FHSMM）。针对提出的FHSMM解决NILM问题，该解决方法能够充分地考虑用电设备的状态驻留时长，能够更准确识别多个用电设备功率或状态叠加的同类型设备，同时不需要对所有用电设备进行建模，大幅度减小了电力负荷建模的计算时间；
③利用合成负荷数据以及公开的BLUED数据集分别对提出的改进的Viterbi算法和因子隐半马尔可夫模型进行对比实验。实验结果表明，改进后的Viterbi算法具有更低的时间复杂度以及更适用于多设备的场景。将本文提出的FHSMM方法与AFAMAP算法对比，实验结果表明，基于FHSMM的NILM方法在时间效率和识别精度上优于AFAMAP算法。