基于維特比算法改進的穩暫態混合非侵入式負荷識別方法

劉 宇 劉叢笑 趙 欣 高 山 黃學良

基于維特比算法改進的穩暫態混合非侵入式負荷識別方法

劉 宇 劉叢笑 趙 欣 高 山 黃學良

（東南大學電氣工程學院 南京 210018）

非侵入式負荷識別技術因其具有諸多優勢，成為目前負荷運行狀態監測的主流方法。通常可將其分為基于穩態特征的負荷識別和基于暫態特征的負荷識別。考慮相鄰穩態過程和暫態過程之間的負荷運行狀態開關邏輯，該文構建了時序校核模型和策略，以此排除不可信的結果以提高識別精度。首先，分別采用離散粒子群優化算法和動態時間規整進行基于穩態特征和暫態特征的負荷識別；然后，基于概率評價選取多個識別結果構建負荷識別結果候選集，聯立多個連續的穩態和暫態過程的候選集，基于維特比算法構建時序識別結果的概率序列和評價方法，并進行優選以確定最終的識別結果；最后，分別在仿真數據集和實測數據集上對該方法進行驗證分析。實驗結果表明，該方法能有效提高整體的負荷識別精度，并明顯改善大功率負荷的識別效果，同時保持小功率負荷的識別準確率。

非侵入式負荷識別 離散粒子群優化算法 動態時間規整 維特比算法 穩暫態

0 引言

智能電網是我國電力系統未來的重要發展方向。負荷側作為電力系統的終端，對其進行精細高效的管理是實現智能電網的關鍵環節之一。對負荷實現精細化管理，分析負荷的運行規律特征[1]，發掘負荷的需求響應潛力[2]，并對負荷進行合理的運行安排，有助于減小新能源發電大規模接入對電網安全運行所造成的不利影響[3]，在一定程度上能夠促進節能減排，助力早日實現“碳達峰”和“碳中和”的目標。對負荷的運行狀態進行實時準確的監測是實現負荷精細化管理的第一步[4]，其可為后續的負荷特性分析提供數據支持，為負荷調控策略提供參考依據，也可幫助電力用戶了解自身的用電行為，為其提供合理有效的用電建議，促進用戶養成良好的用電習慣[5]。

目前，非侵入式負荷識別（Non-Intrusive Load Monitoring, NILM）技術是實現負荷運行狀態監測的主要方法。NILM技術于20世紀90年代被提出[6]，旨在通過在電力用戶的入口總線處安裝一個智能電表，采集用戶的電壓、電流等總用電數據并將其進行算法分解，從而對用戶家中各個負荷電器的運行狀態及消耗功率進行識別。NILM具有諸多優勢，包括節約成本、數據量低、數據傳輸風險小、可擴展性強、隱私保護機制可靈活定制、易于推廣普及等[7]。因此其在被提出后，迅速受到了國內外研究學者的廣泛關注。

負荷電器在運行過程中所表現出的電氣特征，使得其能夠被準確識別出來。不同類型的電器都會有其特定的負荷特征[8]。負荷特征的存在性和重復性，是實現NILM的基本假設和重要前提。基于不同的時間尺度和電氣特性，負荷特征可分為穩態特征和暫態特征兩類[9]，相對應的即為基于穩態特征的負荷識別方法和基于暫態特征的負荷識別方法。

當所有負荷處于穩定運行狀態時，所反映出的電氣特征稱為穩態特征。基于穩態特征的負荷識別問題通常可采用優化算法或機器學習方法進行求解。文獻[10]采用近鄰傳播聚類算法獲取負荷設備的運行狀態，并采用遺傳優化算法進行負荷識別。文獻[11]提出基于協同進化的多目標粒子群算法的非侵入式負荷識別方法，利用多個種群協同進化的方式尋找局部最優值和全局最優值，進行多目標優化負荷識別。文獻[12]在傳統功率特征的基礎上，將總諧波失真率作為負荷新特征引入目標函數，采用動態自適應粒子群算法對實測用電數據進行負荷分解。文獻[13]提取負荷處于穩態運行時的-特性，并進行歸一化處理，利用卷積神經網絡提取特征向量作為負荷特征，將其輸入至雙向長短時記憶神經網絡中進行負荷識別，并利用動態時間規整優化識別結果。此外，可將基于穩態特征的負荷識別問題看作多標簽分類問題[14]，每個負荷的工作狀態看作一個標簽，采用多標簽分類的方法進行求解。文獻[15]分別采用RAKEL（Random k-Labelsets）和MLKNN（Multi-Label k-Nearest Neighbor）多標簽分類算法，并采用時域和頻域兩種特征，實現負荷識別。文獻[16]采用RAKEL算法，并用隨機森林進行求解，對負荷的運行狀態進行識別，在識別結果的基礎上，進一步估計負荷的功率消耗情況。文獻[17]將一種基于期望最大化的半監督學習多標簽分類方法應用于負荷識別問題中。

當負荷發生工作狀態切換時，其相應的功率和電流變化也會引起總用電數據的變化，這個過程在NILM領域被稱為事件（event）。通過事件檢測算法確定事件發生的時間及時長，并對事件持續過程中總用電數據的電氣特征進行提取[18]，識別引起事件發生的負荷，即為基于暫態特征的負荷識別方法，通常可將其看作多分類問題進行求解。文獻[19]提出一種基于半監督機器學習的負荷識別方法，通過小波變換提取負荷的暫態特征信息，并采用最近鄰和決策樹兩種分類器協同進行負荷識別。文獻[20]基于希爾伯特變換對暫態特征進行提取，采用Seq2Seq-LSTM對負荷進行識別。文獻[21]對負荷的暫態有功功率波形進行分段線性近似，實現負荷暫態特征的提取和降維，并使用以高斯動態彎曲核為核函數的支持向量機進行負荷識別。文獻[22]采用通過動態時間規整算法計算當前暫態功率波形與歷史暫態功率波形的匹配度，并利用動態聚類算法判斷該功率波形對應的負荷操作，實現負荷識別。文獻[23]提取事件過程中的電流軌跡作為負荷的暫態特征，并采用卷積神經網絡識別負荷的工作狀態。文獻[24]面向工業負荷識別，根據工業負荷的特點分離出事件波形，構建有效描述事件波形的結構化特征空間，建立映射規則實現特征空間與解釋空間的對應，并通過類別判定實現負荷識別。

從已有研究中可以看出，無論是穩態還是暫態，非侵入式負荷分解研究的重點在于對算法進行改造，以獲取可靠的識別結果。上述研究雖然取得了一些進展，但在識別過程中均僅考慮單個的穩態或暫態過程。在實際情況中，穩態過程和暫態過程會不斷交替出現，相鄰的穩態和暫態過程所對應的負荷運行狀態之間存在著開關邏輯關系，若將其應用于負荷識別中，對穩態和暫態的識別結果進行相互校核，可在一定程度上排除錯誤的負荷識別結果，有助于進一步提高識別精度。文獻[25]將穩態過程的識別結果用于暫態過程負荷識別計算的參數初始化，并基于暫態過程的負荷識別結果對穩態過程的負荷識別結果進行修正，實現二者的相互校核，并將其用于確定屋頂光伏的負荷模型參數，實現含有屋頂光伏的非侵入式負荷識別。文獻[26]在文獻[25]的基礎上，進一步考慮屋頂光伏的無功補償特性，并在不同補償策略下實現了具有魯棒性的非侵入式負荷識別。但文獻[25-26]的研究中，主要考慮光伏接入后穩態特征的高度不確定性，并基于暫態識別的可信假設以輔助穩態識別，兩者在模型和方法上并不對等，也沒有形成具有通用性的概率模型評價與表達。

穩態過程和暫態過程對應的負荷運行狀態彼此之間具有關聯性，每個穩態或暫態過程的負荷狀態會受到其前序和后序負荷狀態的共同影響，若僅考慮前序或后序過程對識別結果進行校核分析，可能會得到不同的結果。多個連續的穩態和暫態過程之間會相互作用，應被看作一個具備時序邏輯的整體。因此在進行負荷識別時，可對多個穩態和暫態過程連接形成的整體進行分析計算，進而逐步確定每個穩態和暫態過程的具體識別結果。

基于此，本文提出一種基于維特比算法改進的穩暫態混合非侵入式負荷識別方法，通過融合多個連續穩態和暫態的識別過程，構建時序概率模型評價，從而實現識別結果的校核和修正。首先進行穩態特征和暫態特征的負荷識別，并基于概率置信水平選取若干個可能的識別結果，構建負荷識別結果候選集；然后分析相鄰穩態和暫態過程對應的負荷運行狀態之間的邏輯關系，以此對負荷識別結果進行校核，構建表征負荷運行狀態變化的時間序列，通過計算負荷狀態變化的最優路徑得到最終的負荷識別結果；最后分別在LVNS（low voltage network simulator）仿真平臺獲取的仿真數據以及 UK-DALE實測數據集上進行算例分析，驗證了所提方法的可行性及優越性。

1 基于穩態特征和暫態特征的負荷識別

1.1 基于穩態特征的負荷識別

基于穩態特征的負荷識別算法要求所有負荷均處于穩定狀態，通過提取用電數據的穩態電氣特征并進行分析，識別出所有處于運行狀態的負荷。其目標函數為

該目標函數反映了不同的負荷組合的功率疊加之和與實際總功率的相近程度。目標函數越小，其所對應的負荷組合的用電量之和與實際總用電量越接近，即該組合為正確的識別結果的概率也就越大。

1.2 基于暫態特征的負荷識別

不同負荷的狀態切換過程會反映出不同的電氣特征。基于暫態過程的負荷識別算法，需首先通過事件識別算法確定事件發生的時刻及持續時間；然后提取事件過程中用電數據的暫態電氣特征并進行分析；最終識別出引起該事件發生的負荷。因此可將基于暫態特征的負荷識別視作一個多分類問題，其目標函數為

本文采用動態時間規整（Dynamic Time Warping, DTW）算法對基于暫態特征的負荷識別問題進行求解。DTW常用于語音識別領域，是衡量兩個時序數據距離的一種度量方法。在本文中選用功率波形作為電氣特征，將DTW用于對從事件過程中提取到的功率時序數據與不同負荷發生狀態切換時的模板功率時序數據的相似性進行計算和比較。

考慮到不同負荷發生狀態切換過程的持續時間不同，因此對應的模板功率時序數據長度也會不同。而DTW可兼顧時序映射不是一一對應的情況。其基于動態規劃的思想，將時序數據相似性計算過程轉換為尋找一條最優路徑，路徑長度時刻為局部最優值。DTW算法示意圖如圖1所示。

圖1 DTW算法示意圖

如圖1所示的兩個時序數據和，DTW算法通過動態規劃計算得到數據中每一個數據點到數據的局部最佳匹配點，以此計算二者之間的距離。

基于DTW的功率時序數據相似性的計算模型如下：

在基于暫態特征的負荷識別計算中，將從事件持續過程中提取的功率時序數據與不同負荷發生狀態切換時的模板功率時序數據的距離進行計算，選取距離最小的功率時序數據所對應的負荷，作為負荷識別的結果，即該負荷的狀態切換引起該次事件的發生。

1.3 構建負荷識別結果候選集

在實際情況中，隨著用戶家庭負荷數量的不斷增加，不同負荷電器或電器組合具有相似電氣特征的概率也隨之增大，這使得基于穩態特征或暫態特征的負荷識別方法的精度有所降低。單一特征負荷識別算法求解得到的結果，并不一定能夠表征負荷真實的運行狀態。考慮到在時間尺度上，穩態過程和暫態過程會交替出現，且一次事件通常只有一個負荷的工作狀態發生變化，因此，相鄰的穩態過程識別結果和暫態過程識別結果之間會滿足一定的負荷運行時序邏輯關系。基于此邏輯關系，可將負荷識別結果進行校核分析，以提高負荷識別結果的精度，具體邏輯分析和校核方法將在第2節進行闡述。

為了構建時序邏輯模型和校核要素，基于穩態或暫態特征的單一確定性識別結果不再適用。考慮到式（1）和式（6）的本質是最大似然估計，對引入時序邏輯模型的穩態或暫態結果進行概率化描述，并將單一結果擴展為帶概率化描述的識別結果候選集，以適應時序邏輯評價的要求。

具體而言，針對基于穩態特征的負荷識別，其候選集包括若干個使得目標函數達到最小的負荷狀態組合；針對基于暫態特征的負荷識別，其候選集包括若干個與事件持續過程中提取得到的功率時序序列最為相似的模板功率時序數據所對應的負荷狀態切換情況。

2 基于維特比算法的負荷識別結果優選

2.1 負荷狀態向量的編碼和解碼

式中，%為除法求余數計算。

（3）根據式（15）計算下一輪循環的中間變量。

（3）根據式（18）計算下一輪循環的中間變量。

2.2 不同負荷識別結果之間的邏輯關系分析

穩態過程和暫態過程在時間軸上會交替出現，因此基于穩態特征和暫態特征的負荷識別結果之間會滿足一定的邏輯關系。考慮到兩個相鄰穩態過程之間的負荷運行狀態變化，應對應于暫態過程所識別出的負荷運行狀態切換，即在時序運行邏輯上應滿足

基于上述分析，正確的負荷識別結果應滿足式（19）所示的邏輯關系。若在負荷識別過程中，出現有識別結果不滿足式（19）的情況，則某個過程的負荷識別結果可能出現錯誤，應對識別結果進行校核分析。

考慮兩個相鄰的穩態過程及其之間的暫態過程，在從三者的識別結果候選集中，優先選取滿足式（19）所示的邏輯關系的識別結果組合。若存在多個這樣的識別結果組合，則選取能使得三次負荷識別過程中目標函數加權之和最小的識別結果組合，作為最終的負荷識別結果，以實現對負荷識別結果最基本的校核分析，從而減小具有相似電氣特征的負荷或負荷組合對識別過程的影響，提高負荷識別的精確程度，優化模型為

式中，分別為三個識別結果所對應目標函數在校核分析中所占權重，且。該基本校核方法示意圖如圖2所示。

2.3 基于維特比算法的負荷識別結果校核

2.2節所述的負荷識別結果校核方法雖能在一定程度上提高負荷識別的精度，但由于該方法僅對相鄰穩態過程和暫態過程的負荷識別結果進行校核分析，使得某一個穩態過程的負荷識別在經過兩次不同的校核分析后，可能得到兩種不同的結果，從而無法確定最終的識別結果。

基于此，本文構建一個包含多個連續穩態過程和暫態過程識別結果候選集的時間序列，用以表征負荷在不同時間所處運行狀態的情況。由于該序列由多個負荷識別結果候選集構成，其每一序列節點中都有若干個負荷識別結果待選，因此在進行校核分析并確定最終負荷識別結果時，需從每個候選集中優選出一個識別結果，相當于在時間序列中確定一條最優路徑，表征負荷運行狀態隨時間的變化情況。本文采用維特比算法（Viterbi algorithm）對最優路徑進行計算，實現對識別結果的優選分析，確定最終的負荷識別結果，其流程如圖3所示。

圖3 基于維特比算法的負荷識別結果校核方法流程

圖3中豎條紋所示即為通過維特比算法獲取的負荷運行狀態轉移路徑，其每一步為對應穩態或暫態過程的最終負荷識別結果。

維特比算法是一種求解最優路徑的動態規劃算法。通過構建維特比路徑，基于路徑中每一步的結果去尋找下一步的結果，使得每一步的結果達到局部最優，實現尋找最有可能產生觀測事件序列的隱含狀態序列，并通過回溯計算確定序列中每一步的狀態。

基于維特比算法的負荷識別結果優選方法步驟如下：

2.4 負荷識別算法流程

本文所提出的基于維特比算法改進的穩暫態混合非侵入式負荷識別方法流程如圖4所示。

圖4 基于DPSO和DTW結合維特比算法的非侵入式負荷識別算法流程

算法步驟如下：

（1）獲取用戶的用電數據，包括所有負荷的用電總數據，以及每個負荷的用電數據，并使用文獻[27]所述的累積和（Cumulative Sum, CUSUM）變點檢測算法，對事件進行檢測，確定各個事件的開始時間及持續時間。

（2）提取各個穩態過程中的電氣特征，以及各個暫態過程中的功率數據變化曲線。

（3）針對每個負荷，對其用電數據進行事件檢測及具有噪聲的基于密度的聚類方法（Density-Based Spatial Clustering of Applications with Noise, DBSCN）分析，獲取其典型工作狀態數目及其對應的額定功率，以及負荷發生狀態切換時的典型功率變化情況，構建負荷的典型特征庫。

（4）使用1.1節所述的基于穩態特征的負荷識別算法，對各個穩態過程中的負荷狀態進行識別；同時使用1.2節所述的基于暫態特征的負荷識別算法，對各個暫態過程中的負荷狀態切換情況進行識別。將所有識別結果進行編碼并存儲，分別構建基于穩態特征的識別結果候選集和基于暫態特征的識別結果候選集。

（5）將候選集中的結果進行解碼，然后使用2.3節所述的維特比算法對負荷識別結果進行校核分析，識別各個穩態過程中負荷的運行狀態并預測所消耗的功率情況，獲取最終的負荷識別結果。

3 算例分析

3.1 數據集介紹

本文分別選取從LVNS仿真平臺[28]獲取的仿真數據，以及UK-DALE公開數據集[29]的相關數據，對所提出的負荷識別方法進行驗證測試。

UK-DALE數據集由英國能源研究中心發布，記錄了英國5個家庭從2012年11月—2015年1月的用電數據。該數據集包括了數十種不同類型的負荷，并以1 Hz的采樣頻率記錄了總線上的有功功率數據，以及1/6 Hz的采樣頻率記錄了各個負荷的有功功率數據。本文選取House2家庭中的六個用電量較大的負荷電器在連續10天里的用電數據進行測試，分別為洗碗機、電冰箱、烤面包機、電飯鍋、熱水壺和微波爐。其中洗碗機為多狀態負荷，冰箱的運行特征具有周期性且額定負荷較小，熱水壺額定功率較大且運行時間短。負荷的額定功率參數見表1。

表1 UK-DALE數據集負荷參數

Tab.1 The load parameters in UK-DALE dataset

LVNS仿真平臺由加拿大阿爾伯塔大學PDS-Lab設計研發，其目的之一便是用于非侵入式負荷識別的研究。LVNS根據阻抗和電流諧波參數構建不同的負荷模型，并采用蒙特卡洛法對負荷的運行情況進行模擬。用戶可以根據需求預先設定家庭中負荷電器的數量、額定功率、功率因數等參數。經過仿真得到一天24 h中總線及各個負荷的功率和電流數據，采樣頻率為1 Hz。本文選取九個負荷電器進行測試，分別為電視、烤箱、烤面包機、食品加工機、電冰箱、電爐、兩個白熾燈及一輛電動汽車，前八個負荷的額定功率范圍從幾十瓦到2 kW不等，而電動汽車充電時的額定功率為7 kW左右，同樣進行10天的仿真并得到相應的用電數據。負荷的參數見表2。

表2 LVNS平臺仿真數據負荷參數

Tab.2 The load parameters in LVNS simulation data

分別從UK-DALE數據集和從LVNS仿真平臺獲取的數據中各自選取一天的用電總數據進行展示，其總功率數據分別如圖5和圖6所示。

圖5 UK-DALE數據集中某一天的總有功功率

從圖5和圖6可以看出，在一天時間內，無論是仿真數據還是UK-DALE的實測數據，均有數十個事件發生，負荷發生狀態切換較為頻繁，有功功率值通常在2 kW內變化，UK-DALE數據的有功功率有時能達到4 kW左右，而在仿真數據集中，當電動汽車接入進行充電時，有功功率則會達到8 kW左右。此外，仿真數據中有有功功率和無功功率數據，并且在穩態過程中功率的波動較小，而UK-DALE實測數據中僅有有功功率數據，并且在穩態過程中有功功率有時會出現較為明顯的波動。

圖6 LVNS仿真數據集某一天的總有功以及無功功率

選取僅采用DPSO的方法（下文稱為方法1）、采用2.2節所述基本識別結果校核的方法（下文稱為方法2）和采用2.3節所述基于維特比算法的識別結果校核方法（下文稱為方法3），分別在兩個數據集上進行負荷識別，并對三種方法的識別結果進行對比分析。

3.2 負荷識別結果評價指標

為實現對本文所提方法的準確性進行全面表征，選取在分類問題中的評價指標1值[30]、回歸問題中的評價指標方均根誤差（Root Mean Square Error, RMSE）、平均絕對誤差（Mean Absolute Error, MAE）及標準方均根誤差（Normalized Mean Square Error, NMSE）[31]，構成負荷識別結果評價指標體系。其中，1值用于評價識別負荷運行狀態的準確程度，取值范圍在0～1，并且值越大，表示識別準確程度越高；RMSE、MAE和NMSE用于評價負荷所消耗功率的預測值與真實值之間的相近程度，其取值越小，說明預測值與真實值越接近。RMSE、MAE反映了預測值與真實值之間的絕對誤差，而NMSE反映了預測值與真實值之間的相對誤差。1、RMSE、MAE、NMSE的計算方法分別為

3.3 LVNS仿真數據測試結果

首先使用從LVNS仿真平臺上獲取的數據對本文所提出的方法進行測試，方法1～3的負荷識別結果分別見表3～表5。

表3 方法1在LVNS仿真數據上的負荷識別結果

Tab.3 The load identification results in LVNS simulation data using method 1

表4 方法2在LVNS仿真數據上的負荷識別結果

Tab.4 The load identification results in LVNS simulation data using method 2

表5 方法3在LVNS仿真數據上的負荷識別結果

Tab.5 The load identification results in LVNS simulation data using method 3

從表3～表5可以看出，三種識別方法對電動汽車的識別均達到了很高的精度，主要原因在于電動汽車的有功功率遠高于其他負荷，其他負荷很難對電動汽車的識別造成干擾。在對其他負荷進行識別時，從表3中可以看出，方法1在LVNS平臺的仿真數據上有著較好的負荷識別結果。對食品加工機和電視機的識別精度較差，其1值遠低于其他負荷，而且NMSE偏高。其他負荷中有五個負荷的1值超過0.9，NMSE值低于0.45，其中三個負荷的1值甚至超過0.96，且NMSE值低于0.3。

而從表4和表5中能夠看出，相較于方法1，方法2和方法3能夠進一步提高負荷識別的準確度，而方法3的準確率又整體高于方法2。在方法3的識別結果中，八個負荷中有七個的1值高于0.9，其中五個負荷的1值超過了0.97，電爐的1值達到了最大為0.995 6。而且RMSE、MAE、NMSE等評價指標相較于方法1和方法2也有所下降。僅有第二個白熾燈的識別準確率有明顯的下降，但由于該負荷的額定功率很低，僅有40 W，因此不會對整體識別準確度造成較為明顯的影響。識別結果表明，本文所提方法能夠有效提高整體的負荷識別準確率，并且在進行識別結果校核的過程中，計及多個連續穩態過程和暫態過程的校核方法，其識別準確度會高于僅參考相鄰穩態過程和暫態過程的校核方法。

3.4 UK-DALE數據集測試結果

隨后在UK-DALE數據集上對本文所提出的方法進行測試，方法1～3的負荷識別結果分別見表6～表8。

從表6中可以看出，方法1在UK-DALE數據集上的表現并不是很好，僅對電冰箱和熱水壺的識別準確度較高。其主要原因在于，不同負荷之間會出現相似電氣特征的情況，在僅考慮當前穩態過程進行識別時，會對負荷運行狀態的判定造成干擾，使得負荷識別結果出現偏差。此外，由于UK-DALE為實測數據集，負荷在實際運行過程中，會受到諸如電壓波動等外界干擾，并考慮到傳感器采集數據時產生的噪聲和誤差，使得其負荷的功率產生一定的波動，而且UK-DALE數據集中僅記錄了有功功率數據，可用的電氣特征較少。這些因素也在一定程度上增加了負荷識別的難度。

表6 方法1在UK-DALE數據集上的負荷識別結果

Tab.6 The load identification results in UK-DALE dataset using method 1

表7 方法2在UK-DALE數據集上的負荷識別結果

Tab.7 The load identification results in UK-DALE dataset using method 2

表8 方法3在UK-DALE數據集上的負荷識別結果

Tab.8 The load identification results in UK-DALE dataset using method 3

而從表7和表8中能夠看出，方法2能夠在方法1的基礎上使得識別結果有著一定程度的提高，而方法3則能夠進一步提高負荷識別的準確度。從方法1～方法3，各個負荷的1值均不斷提高，僅有電飯鍋的1值略低，并且各個負荷的RMSE、MAE和NMSE值均在降低。此外不難發現，大功率負荷的識別精度均有明顯提高，烤面包機的1值從最初的0.194 7提高到了0.846 2，而熱水壺的1值也從0.717 0提高到了0.987 5，取得滿意的準確率。雖然小功率負荷的識別精度變化不大但仍略有提升，電冰箱的1值從0.922 2提高到了0.949 3。其中，烤面包機、熱水壺和電冰箱的識別結果對比如圖7所示。

圖7 三種負荷的識別結果對比

在負荷識別的過程中，所提出的方法參考其他穩態及暫態過程的負荷識別結果，對識別結果候選集進行分析篩選，排除不滿足邏輯關系的選項，最終確定更為合理的識別結果。因此在實測數據集中，本文所提出的負荷識別方法能夠在保證小功率負荷的識別精度的前提下，有效提高大功率負荷的識別精度。

進一步選取多狀態負荷洗碗機在一段時間內的真實功率數據與通過方法1～3進行負荷識別得到的洗碗機功率分解結果進行對比分析，結果分別如圖8～圖11所示。

圖8 洗碗機的真實功率變化情況

圖9 方法1對洗碗機的功率分解結果

圖10 方法2對洗碗機的功率分解結果

圖11 方法3對洗碗機的功率分解結果

圖8為洗碗機的真實功率變化情況。可以看出，洗碗機具有兩種不同的工作狀態，其中一個工作狀態的額定功率約為2 kW，另一個工作狀態的額定功率約為100 W。洗碗機在一個完整的運行周期中，首先處于2 kW的工作狀態，隨后切換到100 W的工作狀態直到關閉。

圖9～圖11分別為使用方法1～3進行負荷識別得到的洗碗機功率分解結果。方法1雖能識別出洗碗機大部分的工作狀態，但在某些穩態過程中，雖然洗碗機未開啟，但方法1仍將其識別為處于開啟狀態，出現識別錯誤的情況。而方法2相較于方法1，可以成功識別出洗碗機處于開啟狀態的全部穩態過程，并且出現錯誤識別的數量有所減少。而方法3則有更好的識別表現，不僅成功識別出洗碗機處于開啟狀態的全部穩態過程，而且只出現一次識別錯誤的情況，其對洗碗機的消耗功率的分解結果與其實際變化情況更為吻合。因此，本文所提出的方法能夠有效排除在穩態過程中可能出現的錯誤識別結果，并保留正確的結果，提高負荷識別的準確程度和可靠性。

此外，在對負荷處于運行狀態所消耗功率進行預測時，通過聚類算法獲取其典型工作狀態數目及其對應的額定功率是十分重要的預測依據，聚類結果的準確程度會影響負荷識別及功率預測的精度。從圖9～圖11中可以看出，方法1～3雖在識別負荷所處運行狀態方面表現有所不同，但對負荷消耗功率進行預測，其結果較為相似且很接近實際情況，這也在一定程度上反映了本文所選的聚類算法的準確性和可行性。

3.5 不同算法識別精度對比

選取文獻[32]所提的非侵入式負荷識別算法與本文的方法1和方法3進行對比。文獻[32]采用組合優化（Combinatorial Optimization, CO）算法進行負荷識別，即選取與采樣得到的總功率數據最為接近的負荷組合作為負荷識別結果，以及因子隱馬爾科夫模型（Factor Hidden Markov Model, FHMM），即為每個負荷構建一條馬爾科夫鏈，表征其運行狀態的變化情況，并分別對其參數進行訓練，最后使用期望最大算法進行計算，實現負荷識別。

在同一計算機的運行環境下，用上述四種方法對3.1節所述UK-DALE數據集House2的連續10天用電數據進行測試，負荷識別結果見表9和表10，以及如圖12所示。

表9 四種算法在UK-DALE數據集上的識別結果RMSE

Tab.9 The RMSE results for UK-DALE dataset using four methods

從表9、表10及圖12可以看出，CO和FHMM方法對大部分負荷的識別表現優于方法1，僅在對電冰箱和電飯鍋的識別準確度上低于方法1。而方法3的負荷識別效果則幾乎全面提升，除烤面包機外，方法3在其他負荷的RMSE和MAE均優于CO和FHMM方法。方法3在方法1的基礎上，結合穩態過程和暫態過程負荷運行狀態之間的邏輯關系，對識別結果進行校核分析。方法1的負荷識別精度原本低于CO和FHMM方法，而經過改進得到的方法3，其負荷識別表現超越CO和FHMM方法，進一步驗證了本文所提方法的有效性和優越性。

表10 四種算法在UK-DALE數據集上的識別結果MAE

Tab.10 The MAE results for UK-DALE dataset using four methods

圖12 四種方法的負荷識別結果對比

4 結論

本文對相鄰穩態過程和暫態過程所對應負荷運行狀態之間的邏輯關系進行分析，提出一種基于維特比算法改進的穩暫態混合非侵入式負荷識別方法。首先通過對負荷在運行過程中所表現出的電氣特征進行分析，并將其劃分為穩態特征和暫態特征兩類，分別使用離散粒子群算法和動態時間規整算法進行基于穩態特征和暫態特征的負荷識別，并對每個穩態或暫態過程，均選取若干個識別結果構建負荷識別結果候選集。隨后對相鄰穩態和暫態過程的負荷運行狀態之間的邏輯關系進行闡述分析，進而聯立多個連續的穩態和暫態過程對應的識別結果候選集，對識別結果進行校核，采用維特比算法構建表征負荷運行狀態變化的時間序列，對反映負荷運行狀態隨時間變化情況的最優路徑進行計算，確定最終的負荷識別結果。通過在仿真數據集和實測數據集進行的驗證分析，所提方法能夠提高整體的負荷識別的精度，實現高效的負荷運行狀態感知，并在保證小功率負荷的識別結果可靠性的同時，有效提高大功率負荷的識別準確率。

在未來的研究中，應嘗試使用其他算法進行基于穩態特征和暫態特征的負荷識別，以測試本文所提方法的通用性和可擴展性。此外，考慮多狀態負荷電器運行行為的復雜性，應對此類負荷的穩態過程、暫態過程及相鄰過程的邏輯關系作進一步分析，并構建更為完善的識別結果判定機制。在應對實時負荷監測問題時，如何對不同時間尺度下得到的負荷識別結果進行滾動校核分析，并通過本文所提方法進行模型參數的自適應調整，也具有重要的學術意義和工程價值。

[1] 徐明杰, 趙健, 王小宇, 等. 基于多任務聯合模型的居民用電模式分類方法[J]. 電工技術學報, 2022, 37(21): 5490-5502. Xu Mingjie, Zhao Jian, Wang Xiaoyu, et al. Residential electricity consumption pattern classification method based on multi-task joint model[J]. Transactions of China Electrotechnical Society, 2022, 37(21): 5490-5502.

[2] 范睿, 孫潤稼, 劉玉田. 考慮空調負荷需求響應的負荷恢復量削減方法[J]. 電工技術學報, 2022, 37(11): 2869-2877. Fan Rui, Sun Runjia, Liu Yutian. A load restoration amount reduction method considering demand response of air conditioning loads[J]. Transactions of China Electrotechnical Society, 2022, 37(11): 2869-2877.

[3] 金國彬, 潘狄, 陳慶, 等. 考慮源荷不確定性的直流配電網模糊隨機日前優化調度[J]. 電工技術學報, 2021, 36(21): 4517-4528. Jin Guobin, Pan Di, Chen Qing, et al. Fuzzy random day-ahead optimal dispatch of DC distribution network considering the uncertainty of source-load[J]. Transactions of China Electrotechnical Society, 2021, 36(21): 4517-4528.

[4] 張潼, 于鶴洋, 田江, 等. 基于非侵入式負荷辨識的聚合負荷需求響應能力在線評估[J]. 電力工程技術, 2020, 39(6): 19-25, 65. Zhang Tong, Yu Heyang, Tian Jiang, et al. Online aggregation monitoring of low-voltage power load demand responsecapability based on non-intrusive load identification[J]. Electric Power Engineering Technology, 2020, 39(6): 19-25, 65.

[5] 雷怡琴, 孫兆龍, 葉志浩, 等. 電力系統負荷非侵入式監測方法研究[J]. 電工技術學報, 2021, 36(11): 2288-2297. Lei Yiqin, Sun Zhaolong, Ye Zhihao, et al. Research on non-invasive load monitoring method in power system[J]. Transactions of China Electrotechnical Society, 2021, 36(11): 2288-2297.

[6] Hart G W. Nonintrusive appliance load monitoring[J]. Proceedings of the IEEE, 1992, 80(12): 1870-1891.

[7] 余貽鑫, 劉博, 欒文鵬. 非侵入式居民電力負荷監測與分解技術[J]. 南方電網技術, 2013, 7(4): 49-51. Yu Yixin, Liu Bo, Luan Wenpeng. Nonintrusive residential load monitoring and decomposition technology[J]. Southern Power System Technology, 2013, 7(4): 49-51.

[8] Liang Jian, Ng S K K, Kendall G, et al. Load signature study—part I: basic concept, structure, and methodology[J]. IEEE Transactions on Power Delivery, 2010, 25(2): 551-560.

[9] 程祥, 李林芝, 吳浩, 等. 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. Cheng Xiang, Li Linzhi, Wu Hao, et al. A survey of the research on non-intrusive load monitoring and disaggregation[J]. Power System Technology, 2016, 40(10): 3108-3117.

[10] 徐青山, 婁藕蝶, 鄭愛霞, 等. 基于近鄰傳播聚類和遺傳優化的非侵入式負荷分解方法[J]. 電工技術學報, 2018, 33(16): 3868-3878. Xu Qingshan, Lou Oudie, Zheng Aixia, et al. A non-intrusive load decomposition method based on affinity propagation and genetic algorithm optimization[J]. Transactions of China Electrotechnical Society, 2018, 33(16): 3868-3878.

[11] 尹立亞. 非侵入式負荷特征提取與識別算法的研究[D]. 北京: 華北電力大學, 2021.

[12] 孫毅, 張璐, 趙洪磊, 等. 基于動態自適應粒子群算法的非侵入式家居負荷分解方法[J]. 電網技術, 2018, 42(6): 1819-1826. Sun Yi, Zhang Lu, Zhao Honglei, et al. A non-intrusive household load monitoring method based on dynamic adaptive particle swarm optimization algorithm[J]. Power System Technology, 2018, 42(6): 1819-1826.

[13] 林順富, 詹銀楓, 李毅, 等. 基于CNN-BiLSTM與DTW的非侵入式住宅負荷監測方法[J]. 電網技術, 2022, 46(5): 1973-1981. Lin Shunfu, Zhan Yinfeng, Li Yi, et al. Non-intrusive residential load monitoring method based on CNN-BiLSTM and DTW[J]. Power System Technology, 2022, 46(5): 1973-1981.

[14] Buddhahai B, Wongseree W, Rakkwamsuk P. A non-intrusive load monitoring system using multi-label classification approach[J]. Sustainable Cities and Society, 2018, 39: 621-630.

[15] Tabatabaei S M, Dick S, Xu W. Toward non-intrusive load monitoring via multi-label classification[J]. IEEE Transactions on Smart Grid, 2017, 8(1): 26-40.

[16] Liu Yu, Liu Congxiao, Shen Yiwen, et al. Non-intrusive energy estimation using random forest based multi-label classification and integer linear programming[J]. Energy Reports, 2021, 7: 283-291.

[17] Li Ding, Sawyer K, Dick S. Disaggregating household loads via semi-supervised multi-label classification[C]// 2015 Annual Conference of the North American Fuzzy Information Processing Society (NAFIPS) held jointly with 2015 5th World Conference on Soft Computing (WConSC), Redmond, WA, USA, 2015: 1-5.

[18] 周東國, 張恒, 周洪, 等. 基于狀態特征聚類的非侵入式負荷事件檢測方法[J]. 電工技術學報, 2020, 35(21): 4565-4575. Zhou Dongguo, Zhang Heng, Zhou Hong, et al. Non-intrusive load event detection method based on state feature clustering[J]. Transactions of China Electro-technical Society, 2020, 35(21): 4565-4575.

[19] 張致強, 周步祥, 張冰, 等. 計及小波設計和半監督機器學習的非侵入式負載識別[J]. 電力系統及其自動化學報, 2020, 32(5): 143-150. Zhang Zhiqiang, Zhou Buxiang, Zhang Bing, et al. Wavelet design and semi-supervised machine learning for non-intrusive load identification[J]. Proceedings of the CSU-EPSA, 2020, 32(5): 143-150.

[20] Le T T H, Heo S, Kim H. Toward load identification based on the Hilbert transform and sequence to sequence long short-term memory[J]. IEEE Transactions on Smart Grid, 2021, 12(4): 3252-3264.

[21] 牟魁翌, 楊洪耕. 基于PLA-GDTW支持向量機的非侵入式負荷監測方法[J]. 電網技術, 2019, 43(11): 4185-4192. Mu Kuiyi, Yang Honggeng. Non-intrusive load identification method based on PLA-GDTW support vector machine[J]. Power System Technology, 2019, 43(11): 4185-4192.

[22] 趙文清, 張詩滿, 李剛. 基于聚類和關聯分析的居民用戶非侵入式負荷分解[J]. 電力自動化設備, 2020, 40(6): 8-14. Zhao Wenqing, Zhang Shiman, Li Gang. Non-intrusive load decomposition of residential users based on cluster and association analysis[J]. Electric Power Automation Equipment, 2020, 40(6): 8-14.

[23] Yang Dongsheng, Gao Xiaoting, Kong Liang, et al. An event-driven convolutional neural architecture for non-intrusive load monitoring of residential appliance[J]. IEEE Transactions on Consumer Electronics, 2020, 66(2): 173-182.

[24] 武昕, 于金瑩, 彭林, 等. 基于用戶邊緣側事件解析的工業電力負荷非侵入式感知辨識[J]. 電力系統自動化, 2021, 45(4): 29-37. Wu Xin, Yu Jinying, Peng Lin, et al. Non-intrusive perception and identification of industrial power load based on analysis of event on user edge[J]. Automation of Electric Power Systems, 2021, 45(4): 29-37.

[25] Liu Yu, Liu Congxiao, Wang Wen, et al. A robust non-intrusive load disaggregation method with roof-top photovoltaics[J]. Electric Power Systems Research, 2022, 208: 107887.

[26] Liu Yu, Liu Congxiao, Ling Qicheng, et al. Toward smart distributed renewable generation via multi-uncertainty featured non-intrusive interactive energy monitoring[J]. Applied Energy, 2021, 303: 117689.

[27] 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. Niu Lulu, Jia Hongjie. Transient event detection algorithm for non-intrusive load monitoring[J]. Automation of Electric Power Systems, 2011, 35(9): 30-35.

[28] Torquato R, Shi Qingxin, Xu W, et al. A Monte Carlo simulation platform for studying low voltage residential networks[J]. IEEE Transactions on Smart Grid, 2014, 5(6): 2766-2776.

[29] Kelly J, Knottenbelt W. The UK-DALE dataset, domestic appliance-level electricity demand and whole-house demand from five UK homes[J]. Scientific Data, 2015, 2(1): 1-14.

[30] 馮人海, 袁萬琦, 葛磊蛟. 基于圖信號交替優化的居民用戶非侵入式負荷監測方法[J]. 中國電機工程學報, 2022, 42(4): 1355-1364. Feng Renhai, Yuan Wanqi, Ge Leijiao. Non-intrusive load monitoring method for resident users based on alternating optimization in graph signal[J]. Proceedings of the CSEE, 2022, 42(4): 1355-1364.

[31] Song J, Lee Yonggu, Hwang E. Time-frequency mask estimation based on deep neural network for flexible load disaggregation in buildings[J]. IEEE Transac-tions on Smart Grid, 2021, 12(4): 3242-3251.

[32] Batra N, Kelly J, Parson O, et al. NILMTK: an open source toolkit for non-intrusive load monitoring[C]// Proceedings of the 5th international conference on Future energy systems, Cambridge, United Kingdom, 2014: 265-276.

An Improved Steady- and Transient-State Mixed Non-Intrusive Load Monitoring Using Viterbi Algorithm

Liu Yu Liu Congxiao Zhao Xin Gao Shan Huang Xueliang

（School of Electrical Engineering Southeast University Nanjing 210018 China）

Non-intrusive load monitoring (NILM) is the most commonly used method to achieve load state identification, which is an important technology to realize power grid panoramic perception and support the carbon peaking and carbon neutrality goals. Depending on the detection object, NILM can be divided into two categories, i.e., steady-state signature based NILM and transient-state signature based NILM. Various studies have been conducted on both fields respectively, but the internal relationships between different states are rarely discussed. To explore the potential of associating the sequential states in load disaggregation problem, this paper thoroughly investigates the sequential logics between the load states in adjacent steady-state process and transient-state process, and makes use of them to improve the NILM performance.

Firstly, considering the switching states of appliances, steady-state signature based NILM is solved by discrete particle swarm optimization (DPSO) algorithm. Secondly, transient-state signature based NILM is addressed by dynamic time warping (DTW) approach, to deal with the complex event characteristics. Then, a probability evaluation system is applied for decision-making, where multiple identification results with high confidence are selected to construct the candidate sets of independent identification results. Lastly, the candidate sets of adjacent steady-state and transient-state are associated together, and Viterbi algorithm is utilized to establish the probabilistic sequential model and optimize the load identification results.

The proposed method is analyzed and validated on load consumption data from both low voltage network simulator (LVNS) and UK-DALE dataset. Four metrics, including F1 measure (F1), root mean square error (RMSE), mean absolute error (MAE), and normalized mean square error (NMSE), are utilized to evaluate the load disaggregation performance. The results show that the proposed method can effectively improve the overall load identification accuracy, especially for these appliances with high rated power. In the simulation-based case, the disaggregation performance for the incandescent light bulb rated at 40W is unsatisfactory by the proposed method, due to the similarity of the rated power and frequent fluctuating power values. However, such results for low-power appliances do not affect the overall performance, while the global NILM is greatly enhanced by integrating the different states together. In the measurement dataset-based case, all appliances, including the 85 W fridge, are accurately identified by the proposed method, along with a significant improvement compared with independent steady-state signature based NILM. Besides, the disaggregation results for dishwasher, the appliance with complex operation states, are remarkably promoted by the proposed method, indicating the superiority and applicability of this study. Finally, two conventional NILM approaches, i.e., Combinatorial optimization (CO) and factor hidden Markov model (FHMM), are also tested and compared in the cases. Although CO and FHMM outperform DPSO under traditional framework, by integrating the proposed strategy, the DPSO based NILM is largely enhanced from all metrics, generating a better NILM solution.

The following conclusions can be drawn from the verification analysis: (1) By utilizing the sequential logics between adjacent load states, the load disaggregation performance could be largely enhanced compared with independent steady-state signature based NILM, as well as transient-state signature based NILM. Bedside, the proposed framework has a good compatibility with diverse independent NILM approaches. (2) Compared with CO and FHMM, the proposed model has definite physical significance. In addition, the proposed method shows remarkable enhancement in load disaggregation, even if the basic steady-state signature based NILM algorithm performs poorly. (3) The proposed model and method are flexible in time scalability, which is promising in load perception and prediction under the dynamic rolling mechanism.

Non-intrusive load monitoring, discrete particle swarm optimization algorithm, dynamic time warping, Viterbi algorithm, steady- and transient-state

10.19595/j.cnki.1000-6753.tces.220566

TM714

國家自然科學基金（51907024）、東南大學“至善青年學者”支持計劃和中央高校基本科研業務費專項資金（2242022R40050）資助項目。

2022-04-14

2022-11-13

劉 宇 男，1990年生，副教授，碩士生導師，研究方向為電力系統規劃、運行與控制，需求側態勢感知，非侵入式負荷量測與分析等。E-mail：yuliu@seu.edu.cn（通信作者）

劉叢笑 男，1997年生，碩士研究生，研究方向為非侵入式負荷量測與分析，需求響應等。E-mail：220202962@seu.edu.cn

（編輯 赫蕾）