“泰迪杯”挑战赛 - 基于非侵入式负荷检测与分解的电力数据挖掘（附详细数据及代码）

目录

1. 挖掘背景与目标
   1.1 挖掘背景
   1.2 挖掘目标

2. 问题分析
   2.1 问题 1 的分析
   2.2 问题 2 的分析
   2.3 问题 3 的分析
   2.4 问题 4 的分析

3. 基本假设及符号说明
   3.1 基本假设
   3.2 符号说明

4. 分析方法与过程
   4.1 问题 1 分析方法与过程
   4.1.1 稳态特征库
   4.1.2 暂态特征库
   4.1.3 实时用电量
   4.2 问题 2 分析方法与过程
   4.2.1 模型建立与求解
   4.2.2 结果分析
   4.2.3 实时用电量
   4.3 问题 3 分析方法与过程
   4.3.1 模型建立与求解
   4.3.2 结果分析
   4.3.3 实时用电量
   4.4 问题 4 分析方法与过程
   4.4.1 结果分析
   4.4.2 实时用电量

5. 总结

参考文献

附录

1.挖掘背景与目标

1.1 挖掘背景

随着智能电网的迅速发展，自动化监测各用电设备的不同状态及时段的耗能情况有利于电网方案的制定，进而降低能源消耗，提高能源利用效率。电力分项计量可以对连接到入户线后的建筑物内各个用电设备所消耗的电能进行独立计量，将电器识别作为重要研究方向，从物理层面去查看设备情况，能够实现各用电设备的不同状态及时段的耗能情况的监测。

电力分项计量技术主要分为两种：一种是侵入式电力负荷监测(Intrusive residential load monitoring, ILM)，通过在总负荷内部为每个用电设备配备一个带有数字传感器采集各设备的用电信息。但是安装需要进入到负荷内部，投入较大，效率低，不宜全面推广与应用；另一种是非侵入式电力负荷与分解(Non-IntrusiveLoad Monitoring and Decomposition, NILMD)，其仅需要在用户入口安装一个传感器，通过采集和分析用户的用电总功率或电力掳爱监测每个或每类用电设备的功率及工作状态。为此，NILMD 技术的分项计量技术具有更加简单、经济、可靠等优势，更适用于全面推广与应用。

NILMD 传感器采集到的数据可能是多用电设备耗电数据的叠加结果，如何从海量的、复杂的测量数据中分析并得到各用电设备的运行状态及耗能情况是技术的关键。为此，针对数据特点，利用数据挖掘技术研究非侵入式负荷检测与分解具有重要的意义。

1.2 挖掘目标

(1)根据单一态数据分析各用电设备的运行特征，包括稳态特征和暂态特征，挖掘能够代表数据独特特征的统计量构成设备状态的特征矢量，以此构建特征库。

(2)结合稳态及暂态特征设计特征矢量匹配模型，以实现单一态或者叠加态时各用电设备的识别及相应耗电情况。

2.问题分析

图 1 为非侵入式负荷检测与分解的原理。根据图 1 可知，非侵入式负荷检测与分解的重点即负荷特征提取与识别。

2.1 问题 1 的分析

根据已知数据提取设备及其状态的有效特征并估计实时用电量。附件一中给出了各个设备处于单一态环境下的运行数据，包括电流、电压、功率、周波及谐波等。结合设备操作对各个状态数据的特征进行分析，得到能够代表设备所处状态独特特征的统计量形成特征矢量，以此作为负荷印记，以此构建特征库。其中，稳态负荷印记共同组成了稳态特征库，暂态负荷印记共同组成了暂态特征库。

2.2 问题 2 的分析

根据未知设备的单一态数据，自动识别设备并估计实时用电量。附件二中给出了未知设备处于单一态环境下的运行数据，首先，根据问题 1 中各设备中各个状态特征矢量的统计量提取测试数据的负荷印记，并将其与特征库中的数据进行匹配，认为未知设备即为匹配度最高的那一设备。该问题的难点在于，特征库中只有描述设备中各个状态的负荷印记，没有明确表示设备的印记，为此，在构建未知设备与已知设备匹配度的模型时需要把设备中的所有状态看做一个整体来讨论。

2.3 问题 3 的分析

设备组成分已知，根据设备组叠加态数据，自动识别各设备的状态、操作及操作时间，并估计实时用电量。附件 3 中给出了设备组的运行数据，该数据为不同设备不同状态共同作用的数据，本文称为叠加态数据。该问题的难点在于如何在叠加态数据中剥离出单一态数据，进而完成状态、及操作的匹配，进而确定操作时间。此外，附件 3 中还包含具有操作及操作时间的数据，本文将其视为标准数据，对提出模型的求解结果进行定量分析。

2.4 问题 4 的分析

设备组成分未知情况下，根据设备组叠加态数据，自动识别各设备的状态、操作及操作时间，并估计实时用电量。附件 4 中给出了设备组的运行数据，运用问题 3 中的方法对附件 4 中的数据进行分析，得到各设备的状态、操作及操作时间，并估计实时用电量。

3.基本假设及符号说明

3.1 基本假设

(1)假设数据的绝对准确性，即不考虑温度、湿度等因素对电流、电压以及功率等的影响。

(2)假设待识别设备来自于附件 1 中所给设备。

(3)假设叠加态数据的起始状态无任何设备打开。

3.2 符号说明

4.分析方法与过程

4.1 问题 1 分析方法与过程

各用电设备由于其构成元件、功能等不同，使设备在运行过程中体现出独特的负荷特性。根据设备的操作及状态可将负荷特性分为稳态特性和暂态特性。稳态特性是用电设备在稳定运行状态时表现出的特性，暂态特性指设备在开、关或状态切换时所表现出的特性。本节将详细讨论附件 1 中各设备的稳态及暂态特性。设备的设备类型及工作参数如表 2 所示。

4.1.1 稳态特征库

(1) 电流电压特性
将表 1 中各设备数据中的电流电压数据可视化如图 2 所示，其中(a)-(k)分别表示设备 YD1-YD11。

由图 2 可以看出，各设备的电流及电压波形存在明显差异性，其中，美的微波炉和 ThinkPad 笔记本电脑的电流具有明显的周期性波动的特征，激光打印机、饮水机、挂式空调和奔腾电吹风的电流会随着操作的切换经过一定时间的波动后达到稳定，而奥克斯风扇、九阳热水壶、白炽灯、节能灯和创维电视机的电流均会在切换操作后立即稳定到稳态特征。此外，通过电流纵坐标可以看出，各设备工作的稳态所处的电流具有较大幅度的差异性，例如，具有相似电流波形特征的九阳热水壶、白炽灯和节能灯，其稳态电流分别处于 8000(0.001A)、200(0.001A)和 40(0.001A)。具有明显的可区分性，为此能够用来识别设备及状态。但是，电压波形虽然具有明显差异性，但其波动范围较小，均在 2200(0.1V)左右上下波动，对设备的可区分性较小，为此，本文不单独对电压就行统计分析。

为了反应各设备电流波形之间的差异，对电流波形进行统计分析，利用平均值、均方根、最大值以及范围值等统计量来象征该波形，具体量化公式如下，

平均值：$I(\mu {)}_{ij}=\frac{1}{N}{\sum }_{t=1}^N{I}_{ij}(t),$, 其中，$N$ 为该状态所跨越的时间长度。 (1)

均方根：$I(\sigma {)}_{ij}=\sqrt{\frac{1}{N}{\sum }_{t=1}^N{I}_{ij}(t{)}^2}$。 (2)

最大值：$I(m{)}_{ij}=max{I}_{ij}(t),t=1,...,N$。 （3）

范围值： I ( R ) i j = m a x { I i j ( t ) } − m i n { I i j ( t ) } , t = 1 , . . . , N I(R)_{ij}=max \{I_{ij}(t)\}-min \{I_{ij}(t)\}, t=1,...,N I(R)ij​=max{ Iij​(t)}−min{ Iij​(t)},t=1,...,N。 （3）

提取的量化结果的特征值如表 3 所示，

(2) PQ 特性
有功功率、无功功率和功率因数是描述设备用电情况必不可少的数据，根据附件 1 中的已知数据将其可视化如图 3 所示，其中(a)-(k)分别表示设备YD1-YD11。

(a) 奥斯卡风扇

(b) 美的微波炉

© 九阳热水壶

(d) ThinkPad 笔记本电脑
(f) 节能灯

(g) FUJI 打印机

==

(h) 饮水机=

(j) 奔腾电吹风

(k) 创维电视机

图 3 设备数据中的有功功率、无功功率和功率因数可视化

由图 3 可知，各设备的有功功率与总有功功率、无功功率与总无功功率、功率因数与总功率因数几乎完全重合，为此，我们只需分析有功功率、无功功率和功率因数就能代表该设备的功率特征。由有功功率、无功功率和功率因数曲线可知，当设备状态处于稳态时，其功率特征是平滑的，只有在状态发生改变时具有波动性，并且其功率各不相同，为此具有可区分性。虽然美的微波炉、ThinkPad笔记本电脑和打印机的功率不平稳，但是其周期性的波段也是能够区别其与其他用电器的重要特点。为了反应各设备功率波形之间的差异，对功率进行统计分析，选取有功功率 P、无功功率 Q 和功率因数 F 组成特征向量，采用稳态时时间序列数据的均值和标准差刻画相应特征，具体量化公式如下，

有功功率平均值: $P_{(\mu )ij}=\frac{1}{N}{\sum }_{t=1}^N{P}_{ij}(t)$, 标准差：$P_{(\sigma )ij}=\sqrt{\frac{1}{N}{\sum }_{t=1}^N(P_{ij}(t)-P_{(\mu )ij}{)}^2}$。（5）

无功功率平均值：$Q_{(\mu )ij}=\frac{1}{N}{\sum }_{t=1}^N{Q}_{ij}(t)$, 标准差：$Q_{(\sigma )ij}=\sqrt{\frac{1}{N}{\sum }_{t=1}^N(Q_{ij}(t)-Q_{(\mu )ij}{)}^2}$。（6）

功率因数平均值：$F_{(\mu )ij}=\frac{1}{N}{\sum }_{t=1}^N{F}_{ij}(t)$, 标准差：$F_{(\sigma )ij}=$