基于启停状态识别改进因子隐马尔可夫模型的非侵入式负荷分解

摘要：

非侵入式负荷分解(non-intrusive load disaggregation,NILD)是通过对总电气量分析得到用户家中各电器设备的能耗数据,该数据为节能、需求响应及公共安全等方面提供重要依据.目前,NILD算法存在因设备启停状态识别准确率低导致负荷分解精度低的问题.为此,该文提出一种基于设备启停状态识别改进因子隐马尔可夫模型(factorial hidden Markov model,FHMM)的NILD方法.首先,通过人工少数类过采样法(synthetic minority over-sampling technique,SMOTE)对训练数据做重采样处理、深度神经网络(deep neural network,DNN)模型提取启停状态特征以及双向长短时记忆网络及条件随机场(bidirectional long short term memory-conditional random field,BiLSTM-CRF)模型提升其对不平衡启停状态的识别能力;然后,将设备启停状态组合模块按照数理组合方法划分数据集,形成若干启停状态组合子数据集,并分别对各子数据集中处于启状态的设备建立FHMM进行负荷分解;最后,在公开数据集每分钟电力年鉴数据集(the almanac of minutely power dataset,AMPds)进行实验,该文算法得到的设备负荷分解平均精度比传统FHMM方法提升了3.8倍,验证了所提方法的有效性和准确性.

关键词：非侵入式负荷分解;不平衡启停状态特征提取;启停状态识别;启停状态组合;因子隐马尔可夫模型

所属期刊栏目：45

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家自然科学基金项目51767001

在线出版日期：2021-11-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：4540-4550