第六届挑战赛A1-基于非侵入式负荷检测与分解的电力数据挖掘

摘要：

非侵入式负荷检测与分解技术(Non-Intrusive Load Monitoring and Decomposition,NILMD)是一种检测负荷耗电细节的电力分项计量技术。利用该技术能够更详尽地了解各个用电设备不同时段、不同状态的耗电特征，有利于提高电力系统的稳定性和安全性。NILMD技术无需进入设备内部，仅通过电力负荷入口处的电流、电压以及功率等信息的测量与分析便可实现负荷分解，具有简单、经济、易于推广与应用等优势。但是，由于测量数据较为复杂并且数据量较大，所以利用数据挖掘研究非侵入式负荷检测与分解具有重要的意义。

针对问题一，首先，结合设备操作将设备单一态数据进行可视化，剔除明显的异常值数据，然后通过对各个设备涉及的稳态及暂态时刻的电流、电压、功率、谐波和周波等数据进行分析，挖掘能够代表数据独特特征的统计量构成设备状态的特征矢量，并以此作为负荷印记。通过分析得到设备状态的稳态特征矢量成分为：电流波形的均值、均方差、最大值及范围值，功率的有功功率、无功功率及功率因数的均值及标准差，瞬时功率的均值、均方差、最大值及范围值，周波的 几何倾角，U、I 跨度，谐波的PCA前3个主成分；暂态特征矢量成分为：有功功率和无功功率的变化量，暂态过程时间，暂态过程中有功功率与无功功率的最 大值与暂态过程后稳定功率值的差值。另外，此处还根据线性插值估计空缺时间 的电流及电压，进而利用用电量模型估计了各用电设备的实时用电量。

针对问题二，对于未知设备的单一态时间序列数据，利用最小生成树(Minimum Spanning Tree, MST)原理估计时间序列上处于平稳状态的时间段。假设每个时刻为一个节点，以相邻时刻间的功率差与时间跨度的比为权定义节点间的边，权值越小说明两个节点越近。将权值由小到大进行排序，根据迭代依次判断并合并权值较小的两节点，直至没有节点满足合并条件，以此来完成时间序列上稳态时间段的识别。然后提取各稳态状态的特征矢量，利用多维空间欧氏距离衡量测试数据与样本库中各设备的匹配度，以此完成单一设备的自动识别。欧氏 距离越小，说明二者越相似，即匹配度越高。最后通过模拟得出结论：设备1为饮水机，设备2为挂式空调。并分别估计了各设备的实时用电量。

针对问题三和四，根据设备组的功率特性可知，随着设备状态的开启、关闭及变换，设备组的功率呈现加性叠加的形势。所以首要任务是在叠加态数据中精确地剥离出各状态的单一态数据。对于一组叠加态的时间序列数据，首先利用MST原理检测出时间序列上的稳态区间段。然后，根据相邻稳态区间段上有功功率的差值得到下一状态功率的单一态数据。假设每一状态服从一个高斯分布，计算此单一态数据属于各已知设备状态的概率来实现叠加态数据的设备操作及 状态的识别，概率越大说明匹配度越高。最后，根据各设备的具体状态及操作情况估计各设备的实时用电量。

另外，为了模拟上述模型，本文所有方法均在Matlab2016a软件环境下编程实现。 

关键词：非侵入式负荷检测与分解技术；负荷印记；特征矢量；最小生成树

阅读原文