非侵入式负荷分解方法综述

李自文;魏平;李海

【摘 要】对于电力系统而言,电力负荷的监测意义重大.随着全世界正在进行的大规模智能电能计量装置的推广安装,非侵入式设备负荷监测分解(NILM)将总电能消耗分解为单独设备的消耗,成为研究热点.本文论述了NILM在国内外的研究进展,总结了其基本原理与主要使用的算法流程,并重点讲述其中的3个重步骤,即事件检测、特征提取、负荷识别,分析了各类算法的优缺点.最后,本文探讨NILM的应用和未来的研究方向.

【期刊名称】《价值工程》

【年(卷),期】2018(037)018

【总页数】3页(P233-235)

【关键词】非侵入式;负荷分解;方法

【作 者】李自文;魏平;李海

【作者单位】云南电网有限责任公司丽江供电局,丽江674100;云南电网有限责任公司丽江供电局,丽江674100;云南电网有限责任公司丽江供电局,丽江674100

【正文语种】中 文

【中图分类】TM714

0 引言

电力负荷设备监测和分解方法大致可以分为侵入式和非侵入式两类[1]。传统的侵入式负荷监测方法，在每个用户的电器设备上都安装传感器以获得用户的电器用电数据，这样子的好处是测量出来的数据能真实反映电器用电情况，缺点是不实际、实施成本高、难以为用户所接受[2]。而非侵入式负荷监测（non-intrusive load monitoring，NILM）则只用在用户的电表加入NILM模块，就能够实现对一个用户所有负荷的在线监测和分解 [3]。NILM不需安装大量的传感器和测量装置，从而减小购买、安装和维护NILM系统硬件的成本，是未来负荷分解的发展热点之一。为了提高NILM方法在非侵入式负荷分解的效率和精度，国内外的研究人员相继提出了各种分解方法[4-9]。近年来随着能源互联网、智能电网的提出和发展，NILM研究在全世界仍然称为热门研究课题，然而国内关于NILM的研究尚不充分，有较大的提升空间[2]。

1 非侵入式负荷分解的基本原理

NILM系统为装载于智能电表量的一个模块，如图1所示，该装置测量其下总负荷的用电状况。它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器设备消耗的电量，并且给出各个电器的运行时间，启停等信息。

图1 非侵入式负荷监测与分解装置示意图

NILM系统测量获得的用户总用电的功率、电流等电气量可视为蕴含电气信息的信号，包含了不同负荷组合而成的电气信息，通过提取这些电气量的负荷特征，就能用NILM系统来进行负荷分解。

Hart提出了负荷特征（load signatures）的概念[4]。他定义负荷特征为一个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，如电器设备的用功无功等。负荷特征由用电设备的工作条件决定可分为暂态、稳态两种相应的分解方法也是基于用电设备的暂态[5]或者稳态[6]来提出的，也有将两者结合一起考虑的[7]。另外从负荷分解的角度可将各行业的用电设备分为开关状态型、多状态型、连续变化型、永久运行型4种[6]。

2 非侵入式负荷分解算法的关键技术

如图2所示，在NILM算法的主要流程中，非侵入式负荷分解的关键技术包括数据的测量（输入）和预处理、事件检测、负荷特征提取、负荷特征匹配识别和最后的分解输出这五个模块。

图2 NILM算法的主要流程

2.1 数据的输入和预处理

数据的准确测量是NILM分解系统的输入，也是非常关键的第一步。其目的在于获得总用电负荷的稳态和暂态电气量。针对于不同的分解方法，所需要测量的数据种类的数据频密度要求不尽相同。采样率较低的数据目前的电表可以提供，但是暂态的数据，则要求

新电表具备突变量录波等功能，这也为存储提出了要求。

对于输入的测量数据，通常要进行数据处理，通常设置一个阈值，以滤去用电设备自身正常的运行波动所带来的小干扰。

2.2 负荷的特征提取

对处理之后的输入数据进行负荷特征提取，通常采用事件检测的方法。事件检测又称为变点识别，该方法将每个用电设备的启/停或者运行状态发生变化（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。

变点识别的依据是在一个小时间段ε内负荷特征的较大变化，该部分的关键在于变点检测时的参数选取，其中时间段ε大小与负荷特征改变的阈值选取以及负荷特征的种类关系十分密切，时间段太大可能会有两个电器同时启动带来干扰，太小则意味数据频密度太高，会增大计算量和存储的负担。

负荷特征的提取目前已有很多方案，如以有功功率为负荷特征，有学者提出了傅里叶变换、小波变换[8]等提取方案。但随着家用电器越来越多样，特别是多工作状态电器、连续变化型电器的增多，在此趋势下，一个抗干扰能力更强，准确性更高的变点检测十分重要。变点检测的另一个难点是参数的选择。通常用于变点检测的如功率阈值等参数由经验确定，自适应性较差。其中文献[8]提出了可以对参数进行训练的观点。

2.3 负荷特征匹配识别

负荷特征的匹配识别是NILM方法的重要一步，即将上一步提取的负荷特征与已经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。

负荷识别算法则主要存在数学优化算法和模式识别算法，这两类算法性能上各有优缺点。[1]提出了一种利用n类用电设备稳态谐波电流的线性叠加来估计总用电负荷的在线实时组成情况。其基于不同用电设备的稳态电流谐波次数作为负荷特征，将其分为n类主要用电设备。再将测量到的总负荷稳态电流分解为稳态电流谐波，利用人工神经网络进行求解得到n类用电设备的组成情况。

模式识别中的负荷匹配实质是通过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。有监督的识别算法目前研究较为广泛，如Adaboost算法、K最邻近算法、稀疏编码技术[9]、支持向量机、人工神经网络法等，其应用效果令人满意。

基于非监督学习的负荷识别算法无需人工辅助得到用电设备的特征，增强了实用性。文献[9]研究所检测的总负荷的稳态特征，从而形成稳态特征的负荷时间序列，并从中遴选出对应电器的状态变化（开/关），再根据主旨模式挖掘技术，推断出各用电设备的工作状态（开/关），但如何分辨出状态连续变化型设备的不同工作状态以及两个相似用电设备的干扰等问题还有待研究。

2.4 负荷分解输出

由NILM得到的分解结果可以在线标记出有哪些设备正在运行，也能在离线状态下得到一段时间的用电设备运行的曲线（有功/无功功率）。最后可以根据有功功率曲线计算得到各个用电设备的消耗电能情况，来给电力研究人员和用户提供反馈。

3 研究展望

在非侵入式负荷分解方法的研究上，国外已取得较多成果，而国内研究刚刚起步，其仍有待提高。

3.1 用户数据的扩展

目前大多数研究集中在居民用电，其数据通常通过自己使用电器来进行实验的方式来获得，但针对工商业用户的研究偏少，因为工商业的用电数据难以获得。而且各种分解方法所要求的数据种类（暂态/稳态）和频密度的要求五花八门，数据的缺乏对于研究和理论的验证也带来的困难。但是，在国外已经研究机构公开负荷分解数据集以供研究人员研究，如REDD、BLUED等，但令人遗憾的是我国并没有类似的可用性强的数据集，这在一定程度上会制约国内非侵入式负荷分解研究的发展。

3.2 负荷分解的性能的验证和应用

一个负荷分解方法的性能需要在复杂的用电设备系统下能够实行是NILM方法实用化的基本需要。为此，一方面可借鉴人工智能等新领域的研究成果，对分解方法进行创新；另一方面还需将NILM方法应用于其他类型的用户，如商业或工业用户，而不是简单的实

验室里面的几种主要家庭用电电器组成的用电系统。

3.3 NILM系统的应用

目前，智能电表研究已经开始结合NILM技术，部分国内外的研究人员已经开发出实用的装载NILM系统的智能电表，但是如何利用该系统与用户需求相结合目前尚不清楚。可以利用数据挖掘技术对NILM方法收集的大量数据展开分析，提供用电策略方面的建议。在宏观的电力系统层面，电网公司可以利用NILM系统来提高电力负荷的预测建模精度。而且，在此之上，电力研究人员还可将它扩展到例如用户需求侧的管理、电网电压/无功综合优化等研究中。

参考文献：

[1]黎鹏，余贻鑫．非侵入式电力负荷在线分解[J]．天津大学学报，2009，42（4）：303．

[2]程祥，李林芝，吴浩，丁一，宋永华，孙维真．非侵入式负荷监测与分解研究综述[J]．电网技术，2016，40（10）：3108-3117.

[3][5]牛卢璐，贾宏杰．一种适用于非侵入式负荷监测的暂态事件检测算法[J]．电力系统自动化，2011，35（9）：30-35.

[4]HartG W．Nonintrusive appliance load monitoring[J]．Proceedings of the IEEE，1992，80(12)：1870-1891．

[6]黎鹏．非侵入式电力负荷分解和监测[D].天津：天津大学，2009.

[7]黎鹏，余贻鑫．非侵入式电力负荷在线分解[J]．天津大学学报.

[8]Dong M，Meira P C，Xu W，et al．Non-intrusive signature extraction for major residential loads[J]．IEEE Transactions on Smart Grid，2013，4(3)：1421-1430．

[9]ShaoH，Marwah M，Ramakrishnan N．A temporalmotif mining approach to unsupervised energy disaggregation：Applications to residential and commercial buildings[C].Proceedings of the Twenty-Seventh AAAI Conference on Artificial Intelligence．Bellevue,Washington，USA：AAAI，2013：1328-1333．