非侵入式负荷分解方法

非侵入式负荷监测（non-intrusive load monitoring,NILM）

---

0 引言

电力负荷设备检测和分解方法分为：侵入式和非侵入式。
侵入式

• 在每个用户的电气设备上都安装传感器以获得用户的电器用电数据。
• 好处：测量数据真实反映电器的实际情况
• 缺点：不实际、成本高、用户难以接受

非侵入式

• 在用户的电表加NILM模块
• 优点：不需安装大量的传感器和测量装备，节约成本

1 非侵入式负荷分解的基本原理

NILM系统通过对测量到的总用电设备有功功率、无功功率等电气量进行各个用电设备的特征提取，从而把总设备用电量分解为各个电气设备消耗的电量，并且给出各个电器的运行时间、启停等信息。

负荷特征：电器在运行中用电状态发生变化时能唯一地提供用电状态的信息，如有功无功等。负荷特征由用电设备的工作条件可分为暂态、稳态两种，相应的分解方法也是基于用电设备的暂态或者稳态。

2 分解算法的关键技术

关键技术：数据的测量（输入）、预处理、事件检测、负荷特征提取、负荷特征匹配识别和分解输出。

1. 输入和预处理
   获得总用电负荷的稳态和暂态电气量。
   对于测量数据，通常设置一个阀值，以滤去用电设备自身正常的运动波动所带来的小干扰。
2. 负荷的特征提取
   事件检测（变点识别）的方法，将每个用电设备的启/停或者运动状态发生变化（比如洗衣机由洗涤状态转为脱水状态）的时间点定义为一个事件，相应的时间点称为变点。
3. 负荷特征匹配识别
   将上一步提取的负荷体征与建立的模板特征库中的负荷特征进行比较，当两者的相似度大于某个阈值时，就认为是该电器设备启动或者关停。
   通过NILM系统学习训练各个电器的负荷运行模式，从而实现识别负荷的目标。
   按训练过程中是否有人工干预，负荷的识别方法可分为有监督和非监督两类算法。有监督：Adaboost算法、K最邻近算法、稀疏编码技术、支持向量机、人工神经网络法等。
4. 负荷分解输出
   标记哪些设备正在运行，也能在离线状态得到一段时间的用电设备运行的曲线。

引用文本：非侵入式负荷分解方法综述 http://www.doc88.com/p-8465048307127.html