[发明专利]一种基于低频采集信号的居民非侵入式负荷监测方法

说明书

一种仅利用低频采集信息的居民用户非侵入负荷监测方法，通过智能电表低频采样用户入口处的总功率信号，进行降噪处理；建立事件检测器，根据滑动窗口对采集的负荷数据进行特征统计，判断电器投切位置；提取事件发生时间点前后的功率序列作为识别特征，利用互补集合经验模态分解计算功率序列中的多阶本征模态分量和最终趋势；将功率序列、本征模态分量和最终趋势绘制成二维图像作为负荷特征，输入卷积神经网络训练识别。最后利用居民用户实测公开数据集REDD进行算例仿真。本发明通过互补集合经验模态分解提取低频采样数据中的特征，增加卷积神经网络的识别能力，旨在降低采样成本的同时提升识别准确率，使居民用户更好地参与需求侧响应。

技术领域

本发明涉及一种基于低频采集信号的居民非侵入式负荷监测方法。

背景技术

近年来我国电网负荷峰值呈逐年上升的趋势，亟需负荷侧资源参与需求侧管理来缓解电网供给侧压力以及延缓电网建设投资。在此背景下，有必要开展负荷识别研究来获取能耗信息和设备用电规律为需求响应策略提供数据支撑。智能用电使居民负荷成为一种相对可控的资源，通过直接负荷控制、分时电价等手段，实现负荷转移和削峰填谷。而负荷监测则是智能用电的核心环节，利用智能电表分析用户内部负荷成分和负荷特性，获得详细的用户用电行为和电器用能信息，开发需求侧资源是用户侧实现“智能电网+”的关键技术。通过负荷监测，用户可以及时了解各电器用能情况，主动优化用电方式，实现家庭能量管理；电网则能获悉居民负荷组成，准确进行居民需求侧管理，有助于对居民负荷资源进行优化管理。

非侵入式负荷监测(non-intrusive load monitoring,NILM)能够在保护用户隐私的前提下实时监测用户用电行为，其具有经济投入小，实用性强等优点，现已成为电网和用户交互的重要手段。NILM可视为一个两阶段问题：负荷分解和负荷识别。负荷分解是从智能电表采样的信号(如功率、电流，谐波等)中分解出独立的负荷特征信息，便于后续的负荷识别。关于负荷分解的研究工作可分为非基于事件和基于事件两类。非基于事件的方法往往将电器的状态作为变量，通过模式识别从总功率序列中分解出各种电器的功率和开关状态，但这类方法的计算量会随电器数量增加呈指数增长，而事件监测的方法依赖于不同的边缘检测算法进行事件检测来捕获负荷特征，由于仅对检测到的事件执行推断，因此计算效率高，但检测器参数一般主观选择，导致模型适用性弱。本发明选用计算效率高的事件检测方法，利用广义似然比检测法提取事件，设计事件检测度量指标并针对不同场景求解最佳检测器，解决了事件检测器模型适用性弱的问题。

负荷识别需要根据负荷信息特征进行差异性识别，从而获取相应负荷类型，通常可分为匹配组合优化和智能学习算法两类方法。匹配组合优化是基于先验数据建立负荷特征库，然后训练分类器实现负荷识别，存在的问题是在面对不同用户需要建立不同的特征库，且识别准确率依赖完备的特征库，而工程应用中难以满足。基于智能学习的方法虽在一定程度上提高了识别准确率，但其较为依赖训练数据的数量和质量。为提高识别准确率，多是通过增加特征量的维度或采用高频采样信息来获取更多的负荷信息，这不仅会增加采样成本，也加大了边缘数据处理的难度。本发明为降低采样成本和边缘数据处理的难度，提出了一种基于低频功率信号的NILM方法，仅通过低频采样信号识别出投切的负荷。

发明内容

为降低采样成本和边缘数据处理的难度，本发明选取了无需高频采样的稳态功率作为识别特征，提出了一种基于低频功率信号的NILM方法，通过互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)提取低频采样信号的细节信息，建立卷积神经网络(Convolution Neural Network,CNN)模型实现负荷识别，旨在降低采集信号设备的成本，实现高精度的负荷识别。

为了实现上述目的，本发明的技术方案是：

一种基于有限低频信息的居民用户非侵入负荷监测方法，该方法包括以下步骤：