李自文

摘要： 對于電力系統(tǒng)而言，電力負(fù)荷的監(jiān)測意義重大。隨著全世界正在進(jìn)行的大規(guī)模智能電能計(jì)量裝置的推廣安裝，非侵入式設(shè)備負(fù)荷監(jiān)測分解（NILM）將總電能消耗分解為單獨(dú)設(shè)備的消耗，成為研究熱點(diǎn)。本文論述了NILM在國內(nèi)外的研究進(jìn)展，總結(jié)了其基本原理與主要使用的算法流程，并重點(diǎn)講述其中的3 個(gè)重步驟，即事件檢測、特征提取、負(fù)荷識別，分析了各類算法的優(yōu)缺點(diǎn)。最后，本文探討NILM的應(yīng)用和未來的研究方向。

Abstract： For power systems， the monitoring of electrical loads is of great significance. With the promotion and installation of large-scale intelligent energy metering devices being performed all over the world， non-intrusive load monitoring （NILM） has broken down the total power consumption into the consumption of individual devices， and has become a research hotspot. This article discusses the research progress in NILM at home and abroad， summarizes its basic principles and the main algorithm flow， and focuses on three of the heavy steps， namely event detection， feature extraction， load identification， and analyzes the advantages and disadvantages of various algorithms. Finally， this paper discusses the application of NILM and future research directions.

關(guān)鍵詞： 非侵入式；負(fù)荷分解；方法

Key words： non-intrusive；load decomposition；method

中圖分類號：TM714 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2018）18-0233-03

0 引言

電力負(fù)荷設(shè)備監(jiān)測和分解方法大致可以分為侵入式和非侵入式兩類[1]。傳統(tǒng)的侵入式負(fù)荷監(jiān)測方法，在每個(gè)用戶的電器設(shè)備上都安裝傳感器以獲得用戶的電器用電數(shù)據(jù)，這樣子的好處是測量出來的數(shù)據(jù)能真實(shí)反映電器用電情況，缺點(diǎn)是不實(shí)際、實(shí)施成本高、難以為用戶所接受[2]。而非侵入式負(fù)荷監(jiān)測（non-intrusive load monitoring，NILM）則只用在用戶的電表加入NILM模塊，就能夠?qū)崿F(xiàn)對一個(gè)用戶所有負(fù)荷的在線監(jiān)測和分解[3]。NILM不需安裝大量的傳感器和測量裝置，從而減小購買、安裝和維護(hù)NILM系統(tǒng)硬件的成本，是未來負(fù)荷分解的發(fā)展熱點(diǎn)之一。為了提高NILM方法在非侵入式負(fù)荷分解的效率和精度，國內(nèi)外的研究人員相繼提出了各種分解方法[4-9]。近年來隨著能源互聯(lián)網(wǎng)、智能電網(wǎng)的提出和發(fā)展，NILM 研究在全世界仍然稱為熱門研究課題，然而國內(nèi)關(guān)于NILM的研究尚不充分，有較大的提升空間[2]。

1 非侵入式負(fù)荷分解的基本原理

NILM系統(tǒng)為裝載于智能電表量的一個(gè)模塊，如圖 1 所示，該裝置測量其下總負(fù)荷的用電狀況。它通過對測量到的總用電設(shè)備有功功率，無功功率等電氣量進(jìn)行各個(gè)用電設(shè)備的特征提取，從而把總設(shè)備用電量分解為各個(gè)電器設(shè)備消耗的電量，并且給出各個(gè)電器的運(yùn)行時(shí)間，啟停等信息。

NILM 系統(tǒng)測量獲得的用戶總用電的功率、電流等電氣量可視為蘊(yùn)含電氣信息的信號，包含了不同負(fù)荷組合而成的電氣信息，通過提取這些電氣量的負(fù)荷特征，就能用NILM系統(tǒng)來進(jìn)行負(fù)荷分解。

Hart提出了負(fù)荷特征（load signatures）的概念[4]。他定義負(fù)荷特征為一個(gè)電器在運(yùn)行中用電狀態(tài)發(fā)生變化時(shí)能唯一地提供用電狀態(tài)的信息，如電器設(shè)備的用功無功等。負(fù)荷特征由用電設(shè)備的工作條件決定可分為暫態(tài)、穩(wěn)態(tài)兩種相應(yīng)的分解方法也是基于用電設(shè)備的暫態(tài)[5]或者穩(wěn)態(tài)[6]來提出的，也有將兩者結(jié)合一起考慮的[7]。另外從負(fù)荷分解的角度可將各行業(yè)的用電設(shè)備分為開關(guān)狀態(tài)型、多狀態(tài)型、連續(xù)變化型、永久運(yùn)行型 4 種[6]。

2 非侵入式負(fù)荷分解算法的關(guān)鍵技術(shù)

如圖 2 所示，在 NILM算法的主要流程中，非侵入式負(fù)荷分解的關(guān)鍵技術(shù)包括數(shù)據(jù)的測量（輸入）和預(yù)處理、事件檢測、負(fù)荷特征提取、負(fù)荷特征匹配識別和最后的分解輸出這五個(gè)模塊。

2.1 數(shù)據(jù)的輸入和預(yù)處理

數(shù)據(jù)的準(zhǔn)確測量是 NILM分解系統(tǒng)的輸入，也是非常關(guān)鍵的第一步。其目的在于獲得總用電負(fù)荷的穩(wěn)態(tài)和暫態(tài)電氣量。針對于不同的分解方法，所需要測量的數(shù)據(jù)種類的數(shù)據(jù)頻密度要求不盡相同。采樣率較低的數(shù)據(jù)目前的電表可以提供，但是暫態(tài)的數(shù)據(jù)，則要求新電表具備突變量錄波等功能，這也為存儲提出了要求。

對于輸入的測量數(shù)據(jù)，通常要進(jìn)行數(shù)據(jù)處理，通常設(shè)置一個(gè)閾值，以濾去用電設(shè)備自身正常的運(yùn)行波動所帶來的小干擾。

2.2 負(fù)荷的特征提取

對處理之后的輸入數(shù)據(jù)進(jìn)行負(fù)荷特征提取，通常采用事件檢測的方法。事件檢測又稱為變點(diǎn)識別，該方法將每個(gè)用電設(shè)備的啟/?；蛘哌\(yùn)行狀態(tài)發(fā)生變化（比如洗衣機(jī)由洗滌狀態(tài)轉(zhuǎn)為脫水狀態(tài)）的時(shí)間點(diǎn)定義為一個(gè)事件，相應(yīng)的時(shí)間點(diǎn)稱為變點(diǎn)。

變點(diǎn)識別的依據(jù)是在一個(gè)小時(shí)間段ε內(nèi)負(fù)荷特征的較大變化，該部分的關(guān)鍵在于變點(diǎn)檢測時(shí)的參數(shù)選取，其中時(shí)間段ε大小與負(fù)荷特征改變的閾值選取以及負(fù)荷特征的種類關(guān)系十分密切，時(shí)間段太大可能會有兩個(gè)電器同時(shí)啟動帶來干擾，太小則意味數(shù)據(jù)頻密度太高，會增大計(jì)算量和存儲的負(fù)擔(dān)。

負(fù)荷特征的提取目前已有很多方案，如以有功功率為負(fù)荷特征，有學(xué)者提出了傅里葉變換、小波變換[8]等提取方案。但隨著家用電器越來越多樣，特別是多工作狀態(tài)電器、連續(xù)變化型電器的增多，在此趨勢下，一個(gè)抗干擾能力更強(qiáng)，準(zhǔn)確性更高的變點(diǎn)檢測十分重要。變點(diǎn)檢測的另一個(gè)難點(diǎn)是參數(shù)的選擇。通常用于變點(diǎn)檢測的如功率閾值等參數(shù)由經(jīng)驗(yàn)確定，自適應(yīng)性較差。其中文獻(xiàn)[8]提出了可以對參數(shù)進(jìn)行訓(xùn)練的觀點(diǎn)。

2.3 負(fù)荷特征匹配識別

負(fù)荷特征的匹配識別是 NILM方法的重要一步，即將上一步提取的負(fù)荷特征與已經(jīng)建立的模板特征庫中的負(fù)荷特征進(jìn)行比較，當(dāng)兩者的相似度大于某個(gè)閾值時(shí)，就認(rèn)為是該電器設(shè)備啟動或者關(guān)停。

負(fù)荷識別算法則主要存在數(shù)學(xué)優(yōu)化算法和模式識別算法，這兩類算法性能上各有優(yōu)缺點(diǎn)。[1]提出了一種利用n 類用電設(shè)備穩(wěn)態(tài)諧波電流的線性疊加來估計(jì)總用電負(fù)荷的在線實(shí)時(shí)組成情況。其基于不同用電設(shè)備的穩(wěn)態(tài)電流諧波次數(shù)作為負(fù)荷特征，將其分為n類主要用電設(shè)備。再將測量到的總負(fù)荷穩(wěn)態(tài)電流分解為穩(wěn)態(tài)電流諧波，利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行求解得到n類用電設(shè)備的組成情況。

模式識別中的負(fù)荷匹配實(shí)質(zhì)是通過NILM系統(tǒng)學(xué)習(xí)訓(xùn)練各個(gè)電器的負(fù)荷運(yùn)行模式，從而實(shí)現(xiàn)識別負(fù)荷的目標(biāo)。按訓(xùn)練過程中是否有人工干預(yù)，負(fù)荷的識別方法可分為有監(jiān)督和非監(jiān)督兩類算法。有監(jiān)督的識別算法目前研究較為廣泛，如Adaboost算法、K最鄰近算法、稀疏編碼技術(shù)[9]、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)法等，其應(yīng)用效果令人滿意。

基于非監(jiān)督學(xué)習(xí)的負(fù)荷識別算法無需人工輔助得到用電設(shè)備的特征，增強(qiáng)了實(shí)用性。文獻(xiàn)[9]研究所檢測的總負(fù)荷的穩(wěn)態(tài)特征，從而形成穩(wěn)態(tài)特征的負(fù)荷時(shí)間序列，并從中遴選出對應(yīng)電器的狀態(tài)變化（開/關(guān)），再根據(jù)主旨模式挖掘技術(shù)，推斷出各用電設(shè)備的工作狀態(tài)（開/關(guān)），但如何分辨出狀態(tài)連續(xù)變化型設(shè)備的不同工作狀態(tài)以及兩個(gè)相似用電設(shè)備的干擾等問題還有待研究。

2.4 負(fù)荷分解輸出

由NILM得到的分解結(jié)果可以在線標(biāo)記出有哪些設(shè)備正在運(yùn)行，也能在離線狀態(tài)下得到一段時(shí)間的用電設(shè)備運(yùn)行的曲線（有功/無功功率）。最后可以根據(jù)有功功率曲線計(jì)算得到各個(gè)用電設(shè)備的消耗電能情況，來給電力研究人員和用戶提供反饋。

3 研究展望

在非侵入式負(fù)荷分解方法的研究上，國外已取得較多成果，而國內(nèi)研究剛剛起步，其仍有待提高。

3.1 用戶數(shù)據(jù)的擴(kuò)展

目前大多數(shù)研究集中在居民用電，其數(shù)據(jù)通常通過自己使用電器來進(jìn)行實(shí)驗(yàn)的方式來獲得，但針對工商業(yè)用戶的研究偏少，因?yàn)楣ど虡I(yè)的用電數(shù)據(jù)難以獲得。而且各種分解方法所要求的數(shù)據(jù)種類（暫態(tài)/穩(wěn)態(tài)）和頻密度的要求五花八門，數(shù)據(jù)的缺乏對于研究和理論的驗(yàn)證也帶來的困難。但是，在國外已經(jīng)研究機(jī)構(gòu)公開負(fù)荷分解數(shù)據(jù)集以供研究人員研究，如REDD、BLUED等，但令人遺憾的是我國并沒有類似的可用性強(qiáng)的數(shù)據(jù)集，這在一定程度上會制約國內(nèi)非侵入式負(fù)荷分解研究的發(fā)展。

3.2 負(fù)荷分解的性能的驗(yàn)證和應(yīng)用

一個(gè)負(fù)荷分解方法的性能需要在復(fù)雜的用電設(shè)備系統(tǒng)下能夠?qū)嵭惺荖ILM方法實(shí)用化的基本需要。為此，一方面可借鑒人工智能等新領(lǐng)域的研究成果，對分解方法進(jìn)行創(chuàng)新；另一方面還需將NILM方法應(yīng)用于其他類型的用戶，如商業(yè)或工業(yè)用戶，而不是簡單的實(shí)驗(yàn)室里面的幾種主要家庭用電電器組成的用電系統(tǒng)。

3.3 NILM系統(tǒng)的應(yīng)用

目前，智能電表研究已經(jīng)開始結(jié)合 NILM技術(shù)，部分國內(nèi)外的研究人員已經(jīng)開發(fā)出實(shí)用的裝載NILM系統(tǒng)的智能電表，但是如何利用該系統(tǒng)與用戶需求相結(jié)合目前尚不清楚?？梢岳脭?shù)據(jù)挖掘技術(shù)對NILM方法收集的大量數(shù)據(jù)展開分析，提供用電策略方面的建議。在宏觀的電力系統(tǒng)層面，電網(wǎng)公司可以利用 NILM系統(tǒng)來提高電力負(fù)荷的預(yù)測建模精度。而且，在此之上，電力研究人員還可將它擴(kuò)展到例如用戶需求側(cè)的管理、電網(wǎng)電壓/無功綜合優(yōu)化等研究中。

參考文獻(xiàn)：

[1]黎鵬，余貽鑫.非侵入式電力負(fù)荷在線分解[J].天津大學(xué)學(xué)報(bào)，2009，42（4）：303.

[2]程祥，李林芝，吳浩，丁一，宋永華，孫維真.非侵入式負(fù)荷監(jiān)測與分解研究綜述[J].電網(wǎng)技術(shù)，2016，40（10）：3108-3117.

[3][5]牛盧璐，賈宏杰.一種適用于非侵入式負(fù)荷監(jiān)測的暫態(tài)事件檢測算法[J].電力系統(tǒng)自動化，2011，35（9）：30-35.

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

[6]黎鵬.非侵入式電力負(fù)荷分解和監(jiān)測[D].天津：天津大學(xué)，2009.

[7]黎鵬，余貽鑫.非侵入式電力負(fù)荷在線分解[J].天津大學(xué)學(xué)報(bào).

[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]Shao H，Marwah M，Ramakrishnan N.A temporal motif 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.