非侵入式负荷监测的关键技术

摘要：

本文详细叙述非侵入式负荷监测（non-intrusive load monitoring, NILM）事件检测、特征提取和负荷识别涉及的关键技术，这些技术是NILM系统的核心内容，也是研究的重点。每种技术优缺点都比较明显，而且都有很大的提升空间。

背景：

本文需要对非侵入式负荷检测技术有一定的了解，需要一定的电力基础知识和模式识别算法（包含不仅限于K 最近邻算法、神经网络、支持向量机、决策树算法、隐形马尔科夫模型）相关知识。

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。

图一 三小时负荷示意图

在图一中，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。

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。

如图二所示，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。

图二考虑电压与电压、有功功率的电器识别示意图

如图三所示，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。

图三 考虑电流和电流、有功功率的电器识别示意图

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1）模型难以求解；2）准确识别需要完备的负荷特征库，在实际中难以实现；3）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。

未来挑战

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。

EIOT数据俱乐部

聚焦工业互联，分享数据价值，助力人才转型