微分算法 非侵入式负荷识别_非侵入式负荷监测的识别方法和关键技术

原标题：非侵入式负荷监测的识别方法和关键技术

在智能电网时代，必须突破目前用户家用电表只能读取用电总量，不能深入分析用户内部负荷成分，获取负荷信息有限的这一瓶颈，以完善用电信息采集系统和智能用电系统。

非侵入式负荷监测的应用价值和应用前景毋庸置疑，很多行业企业也在开展此技术的研发，一些关键技术仍是制约行业发展的痛点所在！

借助负荷印记实现非侵入式负荷监测

非侵入式负荷监测(non-intrusive load monitoring, NILM)装置可以测量获得总负荷的电压、电流等承载电力信息的信号，这些信息包含了不同特性负荷成分的信息。通过提取这些电气量的特征信息，NILM系统就能实现负荷分解。

也就是说，通过探测总负荷的电压、电流等电力信号，就能探测用户在使用什么电器。看起来这么神奇，究竟是怎么实现呢？通过什么在总负荷中只依靠电压、电流等电力数据便可以识别出什么电器设备在运行？

可以想象如下场景，当我们去火车站、机场接朋友的时候，如何从茫茫人群中快速识别出哪一个是朋友呢？这是因为每个人有不同的面孔、声音和背影，通过这些个人特征我们可以从拥挤的人群中快速找到他们。即便我们去接一个陌生人，我们也可以通过性别、身高、胖瘦、衣服颜色等各类特征找到这个陌生人。

这些特征都是个体所特有的，是每个人身上独一无二的印记，跟人类一样，每个电器也有这样的特征，也正是因为这些特征，我们才有可能从总负荷中分解并识别每一个电器，我们将这些特征称之为负荷印记。

负荷印记能反映一个用电设备在运行中所体现的独特的反映用电状态的信息，比如电压、有功的波形、启动电流等。这些特征由用电设备的工作条件决定的，据此可将负荷印记分为稳态、暂态、运行模式3类，其中稳态和暂态取决于设备内部的元器件特征；运行模式由设备的运行控制策略决定。在设备运行过程中，这些负荷印记会重复出现，基于此，我们就可以把各个电器识别出来。

图一中四副子图分别是不同家用电器电压、电流、基波有功功率、基波无功功率四个特征的折线图，通过电流特征的折线图，我们可以识别出不同的电气设备。当然，不同电器以及其相同电器在不同运行模式和状态，其特征参数也不相同。

以空调为例，空调在制冷和制热时有功功率相差很大，无功功率也有明显差别。用折线图可明显看出各电器特征参数的差异，利用这些差异，如图一所示，我们就可以将他们分离出来。

图一 家用电器特征参数分布

非侵入式负荷监测系统基本框架

道理虽然很简单，可是实现NILM的整个过程却很复杂，分为数据测量、数据处理、事件检测、特征提取、负荷识别5大步骤，其框架如图二所示。

数据测量目的在于获得总负荷的暂态和稳态信号。数据测量主要问题是存在测量误差：一是测量装置的不一致性，即对于同一个用电设备，不同的测量装置有不同的测量值；二是传感器由于压缩、传输原始数据的过程中，造成数据丢失。正是因为以为数据采集与传输造成的偏差，所以有必要对数据进行处理以提高负荷识别方法的抗噪能力。

数据处理主要包括去噪、有功等电气量的计算和标幺化。标幺化主要目的是便于处理电能质量波动带来的干扰问题。

图二 非侵入式负荷检测系统基本框架

数据测量与处理是NILM的准备工作，事件检测、特征提取和负荷识别则是关键技术。

事件检测根据处理后的数据，来发现用电设备运行状态的变化。事件检测根据一段时间内负荷印记的变化情况，来探测是否有新的事件发生。比如，设定两个时刻有功功率之差的阈值，如果变化大于阈值则有新的事件产生。

在探测到事件后，便可以进行特征提取，即从事件发生前后的数据中提取出供负荷使用的一系列不同的负荷印记特征。为了能够识别与负荷印记相似的负荷，提取的特征应该合理有效。当然，根据选定的负荷印记以及提取方法，会得到不同的特征。

用提取到的特征与负荷库中的特征进行比对，就可以识别出相应的用电设备。当然特征库的建立非常关键，目前主流的方法有两种。一是人工辅助下记录用电设备的负荷印记特征；二是通过算法自动分类。

总的来说，在非侵入是负荷监测就是通过电器负荷的特征(负荷印记)来识别电器设备，整个过程可以分为数据测量、数据处理、事件检测、特征提取、负荷识别五步。其中事件检测、特征提取、负荷识别是关键技术。

非侵入式负荷监测关键技术--事件检测

事件检测简单来说就是按照一定的规则根据信号的变化来判断是否有新事件的产生。最简单的方法就是通过计算相邻时刻或者时间段负荷印记的变化，并将其与设定的阈值进行比较，当变化超过阈值时，判断有事件发生。该方法简单易操作，问题在于阈值的设定具有技巧性，太大或者太小都会导致错误的事件检测结果。为此，需要对大量的样本对参数进行训练。

事件检测还可以归结为变点检测的问题。变点指一个序列或过程的部分统计特性发生改变时所对应的时刻。找到该时刻后，通过对该时刻前后进行似然比测试或者信号突变检验算法，来检测是否有新事件发生。此外，我们还可以借鉴图像识别领域的边缘检测算法，用于事件检测。

随着科技的进步，用电设备日益多样化，特别是洗衣机、微波炉等多状态、连续变化型负荷增多，变点检测不失为一种较好的方法。该方法抗干扰能力强，准确度高。此外，在实际应用中用电设备的性能会逐渐发生变化，新的用电设备也会不断增加，因此需要动态调整负荷印记的参数，使用诸如考虑fisher准则的人工免疫算法，来提高事件检测的精度。

图三 三小时负荷示意图

在图三中，负荷剧烈变化的点，就是有新事件产生的时刻，通过变点检测，可察觉到设备的启停以及状态的改变。

非侵入式负荷监测关键技术--特征提取

检测到用电设备投入使用后，可以进一步提取负荷印记的特征。相关特征分为稳态特征和暂态特征，据此可以将提取技术归为基于稳态特征、暂态特征以及将两者综合考虑的三类方法。

基于稳态特征的特征提取技术不能有效应对一些辨识难度较高的场景，比如用电设备的特征类似以及重合；而基于暂态特征的提取技术则具有更强的适应性，其原因在于暂态特征的负荷印记更能反映不同设备的特性和功能。此外，暂态过程事件短，特征重叠的可能性较少。但暂态特征提取对数据采集和处理提出了更高的要求。

因此，综合考虑稳态特征和暂态特征的特征提取技术吸取两者的优势，能进一步提高负荷识别精度。将有功、无功、电压、电流四者稳态特征组合，再加上有功暂态波形进行特征提取，能够得到更高的识别精度。

如图四所示，当用单一的电压特征时，饮水机、热水器与日光灯难以区分，空调的四种状态也难以区分开来，但是，当采用电压和基波有功功率两个特征后，我们就可以准确将这些设备加以区分。

图四 考虑电压与电压、有功功率的电器识别示意图

如图五所示，当采用电流和有功功率为特征时，区分效果要更加明显。因此，多特征识别电气设备比但特征要好，同时，选择合适的特征来区分电气设备也是非常关键的。

图五 考虑电流和电流、有功功率的电器识别示意图

非侵入式负荷监测关键技术--负荷识别

负荷识别需要解决的问题是，给定用电设备的特征库和从采集数据中提取出来的负荷特征，识别总负荷的成分，实现负荷分解。

这个看似简单的问题，在数学上却难以建立模型以及求解。因为

模型难以求解；

准确识别需要完备的负荷特征库，在实际中难以实现；

建模的前提是特征可以叠加或进行数学运算，但部分特征往往不满足这类要求。

因此可以采用模式识别的方法来完成，基于模式识别的负荷识别，实质是通过学习各种用电设备的负荷印记特征，来达到识别负荷的目标。模式识别方法有监督学习和非监督学习两种。

基于监督学习的模式识别算法众多，包括K 最近邻算法、神经网络、支持向量机、Adaboost算法等，但该类算法设计负荷种类不多，处理场景也简单，在复杂场景下的表现需要进一步提升。基于非监督学习的识别算法目前精度不高，比如隐形马尔科夫模型和主旨模式挖掘等算法直接应用准确率较低，但是人工干预少，算法经改进后表现提升很大，应用前景良好。

模式识别方法通常对负荷特征进行学习和训练，过程繁琐，需要的样本也较大，因此如何简化训练过程，减小计算量并提高识别准确率是研究的重点。

总的来说，事件检测、特征提取和负荷识别是NILM系统的三大技术关键点，现在已有多种方法来实现，但由于各种方法优缺点明显，还需要进行深入的研究。比如对不同的技术方法进行组合来提高识别的准确率，以及对各种方法加以完善或者对现有的方法进行不断改进。

(原文来源：授之以能微信公众号)

电动汽车产业步入加速发展的“快车道”，并且智能电表覆盖率已经非常高。面对市场前景看好的两个电力垂直细分市场，引发了我们对潜在的商业机会和行业延伸的思考和探索！智能电表、电动车、充电桩与储能等相关行业如何多方协同发展，也正在成为越来越多人的关注点。

在此种种背景下，环球表计特别为表计圈量身打造《环球表计》轻活动系列之“电动车和计量”专题，一起走进智能电表、充电桩、电动车及车联网等细分行业，探寻电动车和计量行业种种可能的机遇与融合！

地点：北京·蔚来

费用：7月31日之前报名并付款 1200元/人

正在研究电动车、储能、充电桩市场机会的表计企业；

正在寻找或准备寻找表计行业合作的电动车、充电桩、车联网平台公司；

对电动车和计量都关注的专业人士。

详细议程请点击

关于网、车、桩、表，他们都讲清楚了！

欢迎志同道合的表计和电动车企业

助力此次专题活动！

更多宣传需求，欢迎联系我们！

微信号

(原创声明：必须要说，原创是不容易的，坚持每天原创更不容易！如需转载，请联系我们，并请勿改动文章内容及排版，违者必究！)返回搜狐，查看更多

责任编辑：