非侵入式負荷分解方法綜述

李自文

摘要： 對于電力系統而言，電力負荷的監測意義重大。隨著全世界正在進行的大規模智能電能計量裝置的推廣安裝，非侵入式設備負荷監測分解（NILM）將總電能消耗分解為單獨設備的消耗，成為研究熱點。本文論述了NILM在國內外的研究進展，總結了其基本原理與主要使用的算法流程，并重點講述其中的3 個重步驟，即事件檢測、特征提取、負荷識別，分析了各類算法的優缺點。最后，本文探討NILM的應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.

關鍵詞： 非侵入式；負荷分解；方法

Key words： non-intrusive；load decomposition；method

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

0 引言

電力負荷設備監測和分解方法大致可以分為侵入式和非侵入式兩類[1]。傳統的侵入式負荷監測方法，在每個用戶的電器設備上都安裝傳感器以獲得用戶的電器用電數據，這樣子的好處是測量出來的數據能真實反映電器用電情況，缺點是不實際、實施成本高、難以為用戶所接受[2]。而非侵入式負荷監測（non-intrusive load monitoring，NILM）則只用在用戶的電表加入NILM模塊，就能夠實現對一個用戶所有負荷的在線監測和分解[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NILM系統硬件的成本，是未來負荷分解的發展熱點之一。為了提高NILM方法在非侵入式負荷分解的效率和精度，國內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網、智能電網的提出和發展，NILM 研究在全世界仍然稱為熱門研究課題，然而國內關于NILM的研究尚不充分，有較大的提升空間[2]。

1 非侵入式負荷分解的基本原理

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

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

Hart提出了負荷特征（load signatures）的概念[4]。他定義負荷特征為一個電器在運行中用電狀態發生變化時能唯一地提供用電狀態的信息，如電器設備的用功無功等。負荷特征由用電設備的工作條件決定可分為暫態、穩態兩種相應的分解方法也是基于用電設備的暫態[5]或者穩態[6]來提出的，也有將兩者結合一起考慮的[7]。另外從負荷分解的角度可將各行業的用電設備分為開關狀態型、多狀態型、連續變化型、永久運行型 4 種[6]。

2 非侵入式負荷分解算法的關鍵技術

如圖 2 所示，在 NILM算法的主要流程中，非侵入式負荷分解的關鍵技術包括數據的測量（輸入）和預處理、事件檢測、負荷特征提取、負荷特征匹配識別和最后的分解輸出這五個模塊。

2.1 數據的輸入和預處理

數據的準確測量是 NILM分解系統的輸入，也是非常關鍵的第一步。其目的在于獲得總用電負荷的穩態和暫態電氣量。針對于不同的分解方法，所需要測量的數據種類的數據頻密度要求不盡相同。采樣率較低的數據目前的電表可以提供，但是暫態的數據，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。

對于輸入的測量數據，通常要進行數據處理，通常設置一個閾值，以濾去用電設備自身正常的運行波動所帶來的小干擾。

2.2 負荷的特征提取

對處理之后的輸入數據進行負荷特征提取，通常采用事件檢測的方法。事件檢測又稱為變點識別，該方法將每個用電設備的啟/停或者運行狀態發生變化（比如洗衣機由洗滌狀態轉為脫水狀態）的時間點定義為一個事件，相應的時間點稱為變點。

變點識別的依據是在一個小時間段ε內負荷特征的較大變化，該部分的關鍵在于變點檢測時的參數選取，其中時間段ε大小與負荷特征改變的閾值選取以及負荷特征的種類關系十分密切，時間段太大可能會有兩個電器同時啟動帶來干擾，太小則意味數據頻密度太高，會增大計算量和存儲的負擔。

負荷特征的提取目前已有很多方案，如以有功功率為負荷特征，有學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，特別是多工作狀態電器、連續變化型電器的增多，在此趨勢下，一個抗干擾能力更強，準確性更高的變點檢測十分重要。變點檢測的另一個難點是參數的選擇。通常用于變點檢測的如功率閾值等參數由經驗確定，自適應性較差。其中文獻[8]提出了可以對參數進行訓練的觀點。

2.3 負荷特征匹配識別

負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荷特征與已經建立的模板特征庫中的負荷特征進行比較，當兩者的相似度大于某個閾值時，就認為是該電器設備啟動或者關停。

負荷識別算法則主要存在數學優化算法和模式識別算法，這兩類算法性能上各有優缺點。[1]提出了一種利用n 類用電設備穩態諧波電流的線性疊加來估計總用電負荷的在線實時組成情況。其基于不同用電設備的穩態電流諧波次數作為負荷特征，將其分為n類主要用電設備。再將測量到的總負荷穩態電流分解為穩態電流諧波，利用人工神經網絡進行求解得到n類用電設備的組成情況。

模式識別中的負荷匹配實質是通過NILM系統學習訓練各個電器的負荷運行模式，從而實現識別負荷的目標。按訓練過程中是否有人工干預，負荷的識別方法可分為有監督和非監督兩類算法。有監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[9]、支持向量機、人工神經網絡法等，其應用效果令人滿意。

基于非監督學習的負荷識別算法無需人工輔助得到用電設備的特征，增強了實用性。文獻[9]研究所檢測的總負荷的穩態特征，從而形成穩態特征的負荷時間序列，并從中遴選出對應電器的狀態變化（開/關），再根據主旨模式挖掘技術，推斷出各用電設備的工作狀態（開/關），但如何分辨出狀態連續變化型設備的不同工作狀態以及兩個相似用電設備的干擾等問題還有待研究。

2.4 負荷分解輸出

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

3 研究展望

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

3.1 用戶數據的擴展

目前大多數研究集中在居民用電，其數據通常通過自己使用電器來進行實驗的方式來獲得，但針對工商業用戶的研究偏少，因為工商業的用電數據難以獲得。而且各種分解方法所要求的數據種類（暫態/穩態）和頻密度的要求五花八門，數據的缺乏對于研究和理論的驗證也帶來的困難。但是，在國外已經研究機構公開負荷分解數據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的數據集，這在一定程度上會制約國內非侵入式負荷分解研究的發展。

3.2 負荷分解的性能的驗證和應用

一個負荷分解方法的性能需要在復雜的用電設備系統下能夠實行是NILM方法實用化的基本需要。為此，一方面可借鑒人工智能等新領域的研究成果，對分解方法進行創新；另一方面還需將NILM方法應用于其他類型的用戶，如商業或工業用戶，而不是簡單的實驗室里面的幾種主要家庭用電電器組成的用電系統。

3.3 NILM系統的應用

目前，智能電表研究已經開始結合 NILM技術，部分國內外的研究人員已經開發出實用的裝載NILM系統的智能電表，但是如何利用該系統與用戶需求相結合目前尚不清楚。可以利用數據挖掘技術對NILM方法收集的大量數據展開分析，提供用電策略方面的建議。在宏觀的電力系統層面，電網公司可以利用 NILM系統來提高電力負荷的預測建模精度。而且，在此之上，電力研究人員還可將它擴展到例如用戶需求側的管理、電網電壓/無功綜合優化等研究中。

參考文獻：

[1]黎鵬，余貽鑫.非侵入式電力負荷在線分解[J].天津大學學報，2009，42（4）：303.

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

[3][5]牛盧璐，賈宏杰.一種適用于非侵入式負荷監測的暫態事件檢測算法[J].電力系統自動化，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.非侵入式電力負荷分解和監測[D].天津：天津大學，2009.

[7]黎鵬，余貽鑫.非侵入式電力負荷在線分解[J].天津大學學報.

[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.