技术摘要：
本发明公开了基于混合概率标签时变约束分配的非侵入式负荷监测方法，考虑在单个时间点上混合设备信号特征可使用混合高斯模型进行建模，并引入时间域上的设备工作状态标签联合分配机制，提出一种比HMM方法更为高效的，且能对电力负荷时空域信号特征进行联合相关识别分析 全部
背景技术：
非侵入式负荷监测(nonintrusive load monitoring NILM)技术考虑从单点信号 测量中获取所有设备聚合的能量消耗数据，在不安装其他传感设备的情况下，根据单个电 器设备的消耗特征反向推算出系统负荷中的各个设备工作状况，它已成为当前提升供电服 务质量、保障供电服务安全的重要技术手段。 现有的NILM技术主要分为基于事件的和非基于事件的两类方法。基于事件的监测 算法包含事件检测和分类两步骤，如累积和检测，鲁棒贝叶斯检测，广义似然比检测等，其 中的事件检测性能会较大程度地影响后续分类效果。非基于事件检测的NILM方法无需事件 检测的步骤，而是直接分析所有采样的复合电力信号特征。其中，隐马尔可夫模型(Hidden Markov Model，HMM)及其改进模型是广泛应用的一类有效方法。基于HMM的方法考虑使用较 长采样点上的信号数据，设备混合状态的计算复杂度随着设备数量的增加将呈指数级增 长，实时计算效率并不高。 NILM技术在不同领域都有一定的应用，如电力系统，水流监测系统，通风监测系 统，太阳能发电等。近来，国内外对NILM技术都有一定的研究及改进。 国内对NILM也有一些研究报告，考虑总电流信号为负荷单独运行时电流信号混合 叠加，将负荷分解问题转化为盲源分离问题，对混合电流信号进行白化处理，并构建解混矩 阵，对居民用电进行分解。也有利用差量特征提取转化为单个负荷特征识别，并通过模糊聚 类实现负荷设备的识别，但这一方法在低功耗负荷设备的识别性能仍不理想。
技术实现要素：
发明目的：本发明提供基于混合概率标签时变约束分配的非侵入式负荷监测方 法，考虑在单个时间点上混合设备信号特征可使用混合高斯模型进行建模，并引入时间域 上的设备工作状态标签联合分配机制，提出一种比HMM方法更为简洁的，且能对电力负荷时 空域信号特征进行联合相关识别分析的监测新方法，将非侵入式环境下不同负荷设备的数 据作为训练样本，通过主成分分析提取负荷特征样本，并根据综合评估值及样本排序图将 负荷设备分为两类，结合Fisher判别准则实现不同类型的负荷设备特征分离；具体利用差 量特征提取的方法，减小低功耗负荷设备被大功耗负荷设备掩盖特征的影响，在单个时间 点上利用混合高斯模型进行建模，并引入时间域上的设备工作状态标签联合分配机制，对 电力负荷时空域信号特征进行联合相关识别分析，从而提高负荷设备的识别的准确率。 技术方案：本发明所述的基于混合概率标签时变约束分配的非侵入式负荷监测方 法，所述方法具体如下： (1)基于高斯混合概率模型和时变标签最优耦合分配机制，通过迭代优化分配方 4 CN 111598145 A 说 明 书 2/6 页 法识别电力负荷设备状态，引入混合概率标签时变约束分配策略，提取负荷设备的暂态特 征与稳态特征，模型通过最大化自解释归约目标实现对连续数值数据的自适应划分建模， 并进而对其进行分析。 (2)进行差量特征提取总有功功率P，总无功功率Q，C相有功功率PC及C相无功功率 QC以及谐波电流IC； (3)训练所有负荷设备不同状态下单独运行时的数据，得到对应的负荷设备特征， 即高斯模型参数均值μ和协方差Σ； (4)利用单点混合高斯模型，通过计算公式判断负荷设备的运行状态； (5)在T时刻(T>2) ,通过计算公式的累积误差，以累积误差ET最小化为目标，若累 积误差ET变小时，重新进行步骤(4)； (6)当累积误差ET逐渐收敛并小于log2T时，本时刻计算结束，回溯分配终止，识别 相应的负荷设备工作状态。 进一步的，所述步骤(1)所述暂态特征包括瞬时电压、瞬时电流、瞬时功率及电压 噪声；稳态特征包括有功功率、无功功率、电流谐波、电压波形。 进一步的，所述步骤(3)具体为：混合高斯模型(Gaussian Mixture Model，GMM)具 有如下形式的概率分布模型， 其中， Ν(x|μk,Σk)混合高斯模型的第k个分量，πk为每个分量的 权重；单个概率密度函数为 式中，μk为负荷设备特征均值，Σk为负荷设备特征协方差，Ν(x|μk,Σk)的值为单 点高斯分布的概率密度函数。将任意负荷设备ek不同运行状态下的用电数据作为训练样 本，得到对应的均值μk和协方差Σk。 进一步的，所述步骤(4)具体为：设定πk的初始值为1/k，则每个负荷设备的概率 为： 则可以计算任意时刻t，所有负荷设备运行状态为 πk＝y(i,k)/Nk (8)。 进一步的，当πk<1/k时，认为负荷设备一定不在运行，当πk>1/k时，负荷设备有可能 运行，也有可能不在运行； 由此，任意时刻t所有的负荷设备{e1,e2,e3LeN-2,eN-1,eN}的运行状态为St＝{st,1, 5 CN 111598145 A 说 明 书 3/6 页 st,2,st,3,Lst,N-2,st,N-1,st,N} ,st,i∈{0,1} ,i＝1,2,LN，当si＝1时，负荷设备在此状态下运 行，当si＝0时，负荷设备在此状态下不运行；此处将同一设备的多种状态作为是不同设备， 即对于任意负荷设备ei的m种状态当作m个负荷设备的集合{ei,ei 1Lei m-2,ei m-1}，当ei处于 某一状态运行时，其中对应的设备处于运行状态，其他设备处于关闭状态；在任意相邻的两 个时刻之间的只有一个电器的工作的状态发生改变，则t 1时刻的运行状态为St 1＝{st 1,1, st 1,2,st 1,3,Lst 1,N-2,st 1,N-1,st 1,N},st 1,i∈{0,1},i＝1,2,LN，因其受t时刻运行状态St的 影响，只有N种运行状态的可能，状态st 1在t 1时刻的状态空间图；状态空间为t时刻到t 1 时刻之间的负荷设备的运行状态所有可能出现的状态。 进一步的，所述步骤(5)利用单点混合高斯模型，根据步骤(4)中计算公式(6)(7) (8)，得到T时刻负荷设备的概率向量WT＝{π1,π2…πk}，其中 回溯时刻T前所有电器的状态空间的累积误差为： 在T时刻时，根据St≤T与WT得到一个暂选的运行状态，并以此为基础分配T 1时刻的 运行状态；若T时刻下运行状态不能分配在T 1时刻运行状态，则向前回溯到T-1时刻。 进一步的，所述步骤(6)具体为：将累积误差ET最小化作为模型训练目标，当累积 误差ET逐渐收敛，并小于log2T时，回溯分配终止，识别相应的负荷设备工作状态。 有益效果：本发明揭示了基于混合概率标签时变约束分配的非侵入式负荷监测方 法，利用差量特征提取的方法，减小低功耗负荷设备被大功耗负荷设备掩盖特征的影响，在 单个时间点上利用混合高斯模型进行建模，并引入时间域上的设备工作状态标签联合分配 机制，对电力负荷时空域信号特征进行联合相关识别分析，从而提高负荷设备的识别的准 确率。 附图说明 图1为混合概率标签时变约束分配策略图； 图2为负荷设备相续时刻的状态空间图。
本发明公开了基于混合概率标签时变约束分配的非侵入式负荷监测方法，考虑在单个时间点上混合设备信号特征可使用混合高斯模型进行建模，并引入时间域上的设备工作状态标签联合分配机制，提出一种比HMM方法更为高效的，且能对电力负荷时空域信号特征进行联合相关识别分析 全部
背景技术：
非侵入式负荷监测(nonintrusive load monitoring NILM)技术考虑从单点信号 测量中获取所有设备聚合的能量消耗数据，在不安装其他传感设备的情况下，根据单个电 器设备的消耗特征反向推算出系统负荷中的各个设备工作状况，它已成为当前提升供电服 务质量、保障供电服务安全的重要技术手段。 现有的NILM技术主要分为基于事件的和非基于事件的两类方法。基于事件的监测 算法包含事件检测和分类两步骤，如累积和检测，鲁棒贝叶斯检测，广义似然比检测等，其 中的事件检测性能会较大程度地影响后续分类效果。非基于事件检测的NILM方法无需事件 检测的步骤，而是直接分析所有采样的复合电力信号特征。其中，隐马尔可夫模型(Hidden Markov Model，HMM)及其改进模型是广泛应用的一类有效方法。基于HMM的方法考虑使用较 长采样点上的信号数据，设备混合状态的计算复杂度随着设备数量的增加将呈指数级增 长，实时计算效率并不高。 NILM技术在不同领域都有一定的应用，如电力系统，水流监测系统，通风监测系 统，太阳能发电等。近来，国内外对NILM技术都有一定的研究及改进。 国内对NILM也有一些研究报告，考虑总电流信号为负荷单独运行时电流信号混合 叠加，将负荷分解问题转化为盲源分离问题，对混合电流信号进行白化处理，并构建解混矩 阵，对居民用电进行分解。也有利用差量特征提取转化为单个负荷特征识别，并通过模糊聚 类实现负荷设备的识别，但这一方法在低功耗负荷设备的识别性能仍不理想。
技术实现要素：
发明目的：本发明提供基于混合概率标签时变约束分配的非侵入式负荷监测方 法，考虑在单个时间点上混合设备信号特征可使用混合高斯模型进行建模，并引入时间域 上的设备工作状态标签联合分配机制，提出一种比HMM方法更为简洁的，且能对电力负荷时 空域信号特征进行联合相关识别分析的监测新方法，将非侵入式环境下不同负荷设备的数 据作为训练样本，通过主成分分析提取负荷特征样本，并根据综合评估值及样本排序图将 负荷设备分为两类，结合Fisher判别准则实现不同类型的负荷设备特征分离；具体利用差 量特征提取的方法，减小低功耗负荷设备被大功耗负荷设备掩盖特征的影响，在单个时间 点上利用混合高斯模型进行建模，并引入时间域上的设备工作状态标签联合分配机制，对 电力负荷时空域信号特征进行联合相关识别分析，从而提高负荷设备的识别的准确率。 技术方案：本发明所述的基于混合概率标签时变约束分配的非侵入式负荷监测方 法，所述方法具体如下： (1)基于高斯混合概率模型和时变标签最优耦合分配机制，通过迭代优化分配方 4 CN 111598145 A 说 明 书 2/6 页 法识别电力负荷设备状态，引入混合概率标签时变约束分配策略，提取负荷设备的暂态特 征与稳态特征，模型通过最大化自解释归约目标实现对连续数值数据的自适应划分建模， 并进而对其进行分析。 (2)进行差量特征提取总有功功率P，总无功功率Q，C相有功功率PC及C相无功功率 QC以及谐波电流IC； (3)训练所有负荷设备不同状态下单独运行时的数据，得到对应的负荷设备特征， 即高斯模型参数均值μ和协方差Σ； (4)利用单点混合高斯模型，通过计算公式判断负荷设备的运行状态； (5)在T时刻(T>2) ,通过计算公式的累积误差，以累积误差ET最小化为目标，若累 积误差ET变小时，重新进行步骤(4)； (6)当累积误差ET逐渐收敛并小于log2T时，本时刻计算结束，回溯分配终止，识别 相应的负荷设备工作状态。 进一步的，所述步骤(1)所述暂态特征包括瞬时电压、瞬时电流、瞬时功率及电压 噪声；稳态特征包括有功功率、无功功率、电流谐波、电压波形。 进一步的，所述步骤(3)具体为：混合高斯模型(Gaussian Mixture Model，GMM)具 有如下形式的概率分布模型， 其中， Ν(x|μk,Σk)混合高斯模型的第k个分量，πk为每个分量的 权重；单个概率密度函数为 式中，μk为负荷设备特征均值，Σk为负荷设备特征协方差，Ν(x|μk,Σk)的值为单 点高斯分布的概率密度函数。将任意负荷设备ek不同运行状态下的用电数据作为训练样 本，得到对应的均值μk和协方差Σk。 进一步的，所述步骤(4)具体为：设定πk的初始值为1/k，则每个负荷设备的概率 为： 则可以计算任意时刻t，所有负荷设备运行状态为 πk＝y(i,k)/Nk (8)。 进一步的，当πk<1/k时，认为负荷设备一定不在运行，当πk>1/k时，负荷设备有可能 运行，也有可能不在运行； 由此，任意时刻t所有的负荷设备{e1,e2,e3LeN-2,eN-1,eN}的运行状态为St＝{st,1, 5 CN 111598145 A 说 明 书 3/6 页 st,2,st,3,Lst,N-2,st,N-1,st,N} ,st,i∈{0,1} ,i＝1,2,LN，当si＝1时，负荷设备在此状态下运 行，当si＝0时，负荷设备在此状态下不运行；此处将同一设备的多种状态作为是不同设备， 即对于任意负荷设备ei的m种状态当作m个负荷设备的集合{ei,ei 1Lei m-2,ei m-1}，当ei处于 某一状态运行时，其中对应的设备处于运行状态，其他设备处于关闭状态；在任意相邻的两 个时刻之间的只有一个电器的工作的状态发生改变，则t 1时刻的运行状态为St 1＝{st 1,1, st 1,2,st 1,3,Lst 1,N-2,st 1,N-1,st 1,N},st 1,i∈{0,1},i＝1,2,LN，因其受t时刻运行状态St的 影响，只有N种运行状态的可能，状态st 1在t 1时刻的状态空间图；状态空间为t时刻到t 1 时刻之间的负荷设备的运行状态所有可能出现的状态。 进一步的，所述步骤(5)利用单点混合高斯模型，根据步骤(4)中计算公式(6)(7) (8)，得到T时刻负荷设备的概率向量WT＝{π1,π2…πk}，其中 回溯时刻T前所有电器的状态空间的累积误差为： 在T时刻时，根据St≤T与WT得到一个暂选的运行状态，并以此为基础分配T 1时刻的 运行状态；若T时刻下运行状态不能分配在T 1时刻运行状态，则向前回溯到T-1时刻。 进一步的，所述步骤(6)具体为：将累积误差ET最小化作为模型训练目标，当累积 误差ET逐渐收敛，并小于log2T时，回溯分配终止，识别相应的负荷设备工作状态。 有益效果：本发明揭示了基于混合概率标签时变约束分配的非侵入式负荷监测方 法，利用差量特征提取的方法，减小低功耗负荷设备被大功耗负荷设备掩盖特征的影响，在 单个时间点上利用混合高斯模型进行建模，并引入时间域上的设备工作状态标签联合分配 机制，对电力负荷时空域信号特征进行联合相关识别分析，从而提高负荷设备的识别的准 确率。 附图说明 图1为混合概率标签时变约束分配策略图； 图2为负荷设备相续时刻的状态空间图。
