。 J.Zico Kolter 构建了 REDD(Reference Energy Disaggregation Data set) 数据集[57] ,该数据集在不同时段,利用不同采样频率采集了 6个美国家庭的电力负荷数据,包括电流、电压和功率信号等。另外, Sean Barker 等人构建了 Smart Star 数据集[58] ,该数据集包括两类数据集,分别是从三个家庭中得到的高分辨率数据集(UMass Smart 数据集) 和从 400 个家庭中得到的低分辨率数据集(UMass Smart Microgrid 数据集)。.. 结论非侵入式电力负荷监测系统由于需要安装的硬件设备少,以及较好的经济效益,逐渐成为负荷监测的发展趋势,因此负荷辨识算法也成为重要的研究课题。本文从实际需要出发,通过对非侵入电力负荷分解算法的研究,充分结合电力负荷的负荷特性,提出相应的分解算法,以达到节能减排的目的。本文主要完成了以下工作: (1) 本文以电力负荷幅值变化为特征,对负荷运行状态进行辨识。监测数据是负荷辨识的基础,因此监测数据的可靠性很重要, 为了消除观测结果中的异常数据,对状态识别前,首先要对数据进行预处理,通过移除常开设备信号、量化和滤波消除噪声点,然后计算差分波形,得到特征观测值序列,然后根据功率幅值范围,用 K 均值聚类算法对电力负荷设备进行分类。(2) 隐半马尔科夫模型(HSMM) 是隐马尔科夫模型(HMM) 的一种拓展模型, HSMM 在 HMM 中引入了状态持续时间 D ,即设备运行状态的转换不仅和当前所处的运行状态有关,还与此运行状态所持续的时间有关。在解决实际问题中, HSMM 提供了更好的建模和分析能力。为此,本文基于 HSMM 对电力负荷进行建模,然后用改进的 Viterbi 方法对其状态辨识,使负荷分解问题变成一个状态优化问题,求得每类设备的最佳状态转移序列。
全文预览
