技术领域
[0001] 本
发明涉及电
力系统负荷分解领域，特别是涉及一种非侵入式负荷分解方 法及系统。
背景技术
[0002]
电力负荷分解是智能用电领域的一个重要研究方向，对于国家，
电网公司 和电力用户都有重要意义。随着用户节能意识逐渐提高，迫切需要一种途径能 够得到家庭内部各负荷具体的耗能信息，进而采取合理的节能措施，目前用户 只能通过智能
电子表了解家庭整体的
能源消耗信息。而这种监测方式需要大量
硬件设备，在采购、安装、维护时都需要耗费大量的成本。因此，非侵入式负 荷分解应运而生。非侵入式负荷分解是指仅在电力系统的总端安装监测装置， 通过采集总端的电气参数，分析得到系统内各负荷的含量和状态，变相实现对 系统内每类负荷的状态监测，是基于电力复合入口处的
电压，
电流及功率的变 化信息进行分解。目前很多分解方法需要以高频
采样策略不间断的捕捉各负荷 信息变化，存在设备昂贵，自身耗能高，准确率不够等缺点。
发明内容
[0003] 本发明的目的是提供一种非侵入式负荷分解方法及系统，实现对家庭负荷 准确分解，减少负荷分解时的数据存储量和计算量。
[0004] 为实现上述目的，本发明提供了如下方案：
[0005] 一种非侵入式负荷分解方法，其特征在于，所述方法包括：
[0006] 获取各负荷处于稳定状态时的电流数据；
[0007] 将所述电流数据量化分析，建立量化监测值的概率分布；
[0008] 根据所述概率分布识别各所述负荷状态；
[0009] 将各所述负荷状态进行组合，构成组合状态；
[0010] 根据所述各负荷处于稳定状态时的电流数据以及所述组合状态，分析出所 述组合状态转变时的相关性，以及所述组合状态与总电流量监测值间的关联 性，创建
马尔可夫模型；
[0011] 将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；
[0012] 根据所述压缩后的稀疏矩阵结合数据查询
算法和改进的维特比算法分解 出各负荷所处于的运行状态。
[0013] 可选的，所述获取各负荷处于稳定状态时的电流数据具体包括：
[0014] 通过为各负荷配备
传感器来获取各负荷处于稳定状态时的电流数据。
[0015] 可选的，所述将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量具体包括：
[0016] 1)创建一个空的行向量V以及用于计数的变量r＝0；
[0017] 2)获取马尔可夫模型中的稀疏矩阵；
[0018] 3)从第0列开始判断所述稀疏矩阵中的元素值是否为正数，得到第三判 断结果，当第三判断结果表示所述元素值为正数时，将所述元素值添加到所述 行向量V中；
[0019] 4)若第三判断结果表示所述元素值不是正数时，变量r计数加1，直到读 取到下一个正数或矩阵末尾，取r的负值添加到所述行向量V中；
[0020] 5)重复所述步骤3)和步骤4)直到所述稀疏矩阵数据读取结束。
[0021] 可选的，所述数据查询算法具体包括从压缩后的行向量V中查询所述稀疏 矩阵i列中的正数数据和从压缩后的行向量V中查询所述稀疏矩阵i行j列的数 据；
[0022] 所述从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据具体包 括：
[0023] 创建变量a＝0和包含两个列向量的矩阵H；
[0024] 从首元素开始读取所述行向量V中的数据；
[0025] 判断所述数据是正数还是负数，得到第五判断结果，当第五判断结果表示 所述数据为负数时，将所述读取到的数据取绝对值加给所述变量a，之后判断 变量a是否满足a＜T×(i+1)，得到第六判断结果，若第六判断结果表示变量a满 足a＜T×(i+1)时，继续从行向量V中读取数据，当a≥T×(i+1)时，数据读取结 束；
[0026] 当第五判断结果表示所述数据是正数时，变量a加1，之后判断变量a是 否满足a＞T×i且a≤T×(i+1)，得到第八判断结果，若第八判断结果表示变量a满 足a＞T×i且a≤T×(i+1)时，表示所述数据在所述稀疏矩阵中的(a-T×i-1)行i 列，将(a-T×i-1)和所述数据添加到所述矩阵H中；
[0027] 继续从V中读取数据，直到a≥T×(i+1)；
[0028] 所述从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据具体包括：
[0029] 创建变量b＝0；
[0030] 从首元素开始读取所述行向量V中的数据；
[0031] 判断所述数据是正数还是负数，得到第九判断结果，若第九判断结果表示 所述数据为负数时，取所述负数的绝对值加给所述变量b,之后判断变量b是 否满足b≥T×j+i+1，得到第十判断结果，若第十判断结果表示变量b满足 b≥T×j+i+1时，所求i行j列的数据为0；
[0032] 若第九判断结果表示所述数据是正数时，所述变量b加1，进一步判断所 述变量b是否满足b＝T×j+i+1，若变量b满足b＝T×j+i+1，所述正数为所求i行 j列的数据。
[0033] 可选的，所述改进的维特比算法具体包括：
[0034]
[0035] Pt[j]为t时刻为组合状态j的概率，A[i,j]表示在t-1时刻组合状态为i的条 件下，t时刻组合状态为j的概率；B[j,yt]表示t时刻组合状态为j的条件下， 实际监测到的量化监测值为yt的概率，P0为初始时刻各组合状态的额定概率构 成的长度为T的行向量。
[0036] 本发明还另外提供一种非侵入式负荷分解系统，所述系统包括：
[0037] 电流数据获取模
块，用于获取各负荷处于稳定状态时的电流数据；
[0038] 概率分布获取模块，用于将所述电流数据量化分析，建立量化监测值的概 率分布；
[0039] 负荷状态获取模块，根据所述概率分布识别各所述负荷状态；
[0040] 组合状态获取模块，将各所述负荷状态进行组合，构成组合状态；
[0041] 马尔可夫模型获取模块，用于根据所述各负荷处于稳定状态时的电流数据 以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态 与总电流量监测值间的关联性，创建马尔可夫模型；
[0042] 压缩向量获取模块，用于将马尔可夫模型中的稀疏矩阵压缩，得到压缩向 量；
[0043] 运行状态获取模块，用于根据所述压缩后的稀疏矩阵结合数据查询算法和 改进的维特比算法分解出各负荷所处于的运行状态。
[0044] 根据本发明提供的具体
实施例，本发明公开了以下技术效果：
[0045] 本发明中的非侵入式负荷分解方法，只需要根据稳态电流的前一抽样时刻 的量化监测值和当前抽样时刻的量化监测值，不需要预调整器；通过采用改进 后的维特比算法来分解出各负荷的运行状态，大大提高了分解的准确率。有效 减少分解器成本，适合面向家庭用户推广，对全社会节能环保，科学用电有重 要意义。
附图说明
[0046] 为了更清楚地说明本发明实施例或
现有技术中的技术方案，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性 的前提下，还可以根据这些附图获得其他的附图。
[0047] 图1为本发明实施例非侵入式负荷分解方法
流程图；
[0048] 图2为本发明实施例非侵入式负荷分解系统结构图。
具体实施方式
[0049] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050] 本发明的目的是提供一种非侵入式负荷分解方法，实现对家庭负荷准确分 解，减少负荷分解时的数据存储量和计算量。
[0051] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。
[0052] 图1为本发明实施例非侵入式负荷分解方法流程图，如图1所示，所述方 法包括：
[0053] 步骤101：获取各负荷处于稳定状态时的电流数据；
[0054] 步骤102：将所述电流数据量化分析，建立量化监测值的概率分布；
[0055] 步骤103：根据所述概率分布识别各所述负荷状态；
[0056] 步骤104：将各所述负荷状态进行组合，构成组合状态；
[0057] 步骤105：根据所述各负荷处于稳定状态时的电流数据以及所述组合状 态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电流量监测 值间的关联性，创建马尔可夫模型；
[0058] 步骤106：将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量；
[0059] 步骤107：根据所述压缩后的稀疏矩阵结合数据查询算法和改进的维特比 算法分解出各负荷所处于的运行状态。
[0060] 具体的，步骤101中是通过为各负荷配备传感器来获取各负荷处于稳定状 态时的电流数据。
[0061] 具体的，步骤103中根据所述概率分布识别各所述负荷状态具体包括：
[0062] 获取单个量化检测值的概率p(n)，n为量化监测值；
[0063] 判断p(n)-p(n+1)以及p(n)-p(n-1)是否大于0，得到第一判断结果，若第 一判断结果表示p(n)-p(n+1)以及p(n)-p(n-1)大于0时，p(n)为极大值；
[0064] 当p(n)为极大值时，判断p(n)是否大于e，得到第二判断结果，当第二判 断结果表示p(n)大于e时，则表示识别到负荷的一个状态e表示测量误差；
[0065] 具体的，步骤104中，将各所述负荷状态进行组合，构成组合状态，具体 包括：
[0066] 将各所述负荷状态进行组合，构成组合状态，具体包括：
[0067] W＝k(1)k(2)k(3)…k(M)其中W为组合状态，M为负荷总数，k(M)为第M个 负荷，将组合状态按照以下公式进行索引：
[0068]
[0069] S为索引号，K(i)为第i个负荷具有量化状态总数，M为负荷总数，k(m)为 第m个负荷的量化状态索引。
[0070] 具体的，步骤105中，根据所述各负荷处于稳定状态时的电流数据以及所 述组合状态，分析出所述组合状态转变时的相关性，以及所述组合状态与总电 流量监测值间的关联性，创建马尔可夫模型，具体包括：
[0071] λ＝{P0,A,B}
[0072] 其中，λ为马尔可夫模型，P0为初始时刻各组合状态的额定概率构成的长 度为T的行向量，A为T×T的状态转移矩阵，T表示T个组合状态，B为T×N的 发射矩阵，N为可能得到的量化监测值的个数；
[0073] A[i,j]＝P{St＝j|St-1＝i}
[0074] B[j,n]＝P{yt＝n|St＝j}
[0075] St为t时刻的组合状态，yt为t时刻的量化监测值，A[i,j]表示在t-1时刻组 合状态为i的条件下，t时刻组合状态为j的概率；B[j,n]表示t时刻组合状态为 j的条件下，实际监测到的量化监测值为n的概率。
[0076] 具体的步骤106中，将马尔可夫模型中的稀疏矩阵压缩，得到压缩向量具 体包括：
[0077] 1)创建一个空的行向量V以及用于计数的变量r＝0；
[0078] 2)获取马尔可夫模型中的稀疏矩阵；
[0079] 3)从第0列开始判断所述稀疏矩阵中的元素值是否为正数，得到第三判 断结果，当第三判断结果表示所述元素值为正数时，将所述元素值添加到所述 行向量V中；
[0080] 4)若第三判断结果表示所述元素值不是正数时，变量r计数加1，直到读 取到下一个正数或矩阵末尾，取r的负值添加到所述行向量V中；
[0081] 5)重复所述步骤3)和步骤4)直到所述稀疏矩阵数据读取结束。
[0082] 具体的，步骤107中，数据查询算法具体包括：
[0083] 从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据和从压缩后的 行向量V中查询所述稀疏矩阵i行j列的数据；
[0084] 所述从压缩后的行向量V中查询所述稀疏矩阵i列中的正数数据具体包 括：
[0085] 创建变量a＝0和包含两个列向量的矩阵H；
[0086] 从首元素开始读取所述行向量V中的数据；
[0087] 判断所述数据是正数还是负数，得到第五判断结果，当第五判断结果表示 所述数据为负数时，将所述读取到的数据取绝对值加给所述变量a，之后判断 变量a是否满足a＜T×(i+1)，得到第六判断结果，若第六判断结果表示变量a满 足a＜T×(i+1)时，继续从行向量V中读取数据，当a≥T×(i+1)时，数据读取结 束；
[0088] 当第五判断结果表示所述数据是正数时，变量a加1，之后判断变量a是 否满足a＞T×i且a≤T×(i+1)，得到第八判断结果，若第八判断结果表示变量a满 足a＞T×i且a≤T×(i+1)时，表示所述数据在所述稀疏矩阵中的(a-T×i-1)行i 列，将(a-T×i-1)和所述数据添加到所述矩阵H中；
[0089] 继续从V中读取数据，直到a≥T×(i+1)；
[0090] 所述从压缩后的行向量V中查询所述稀疏矩阵i行j列的数据具体包括：
[0091] 创建变量b＝0；
[0092] 从首元素开始读取所述行向量V中的数据；
[0093] 判断所述数据是正数还是负数，得到第九判断结果，若第九判断结果表示 所述数据为负数时，取所述负数的绝对值加给所述变量b,判断变量b是否满 足b≥T×j+i+1，得到第十判断结果，若第十判断结果表示变量b是否满足 b≥T×j+i+1时，所求i行j列的数据为0；
[0094] 若第九判断结果表示所述数据是正数时，所述变量b加1，进一步判断所 述变量b是否满足b＝T×j+i+1，若变量b满足b＝T×j+i+1，所述正数为所求i行 j列的数据。
[0095] 改进的维特比算法具体包括：
[0096] 设yt-1和yt分别为t-1和t时刻总电流的量化监测值，监测到yt-1时，组合状 态索引j的概率可以由以下公式得出：
[0097]
[0098] yt-1为t时刻总电流的量化监测值，B[j,yt-1]为通过数据查询算法获得的非0 数据，因此，就避免了对零元素不必要的计算，减少了计算量，提高了计算准 确度；P0为初始时刻各组合状态的额定概率构成的长度为T的行向量，Pt-1[j]为 t-1时刻组合状态为j的概率。
[0099] 进一步的，可得出t时刻为组合状态j的概率，
[0100]
[0101] Pt[j]为t时刻为组合状态j的概率，A[i,j]表示在t-1时刻组合状态为i的条 件下，t时刻组合状态为j的概率；B[j,yt]表示t时刻组合状态为j的条件下， 实际监测到的量化监测值为yt的概率，P0为初始时刻各组合状态的额定概率构 成的长度为T的行向量。
[0102] 图2为本发明实施例一种非侵入式负荷分解系统结构图，所述系统包括：
[0103] 电流数据获取模块201，用于获取各负荷处于稳定状态时的电流数据；
[0104] 概率分布获取模块202，用于将所述电流数据量化分析，建立量化监测值 的概率分布；
[0105] 负荷状态获取模块203，根据所述概率分布识别各所述负荷状态；
[0106] 组合状态获取模块204，将各所述负荷状态进行组合，构成组合状态；
[0107] 马尔可夫模型获取模块205，用于根据所述各负荷处于稳定状态时的电流 数据以及所述组合状态，分析出所述组合状态转变时的相关性，以及所述组合 状态与总电流量监测值间的关联性，创建马尔可夫模型；
[0108] 压缩向量获取模块206，用于将马尔可夫模型中的稀疏矩阵压缩，得到压 缩向量；
[0109] 运行状态获取模块207，用于根据所述压缩后的稀疏矩阵结合数据查询算 法和改进的维特比算法分解出各负荷所处于的运行状态。
[0110] 具体的，设一个家庭内部有三个负荷，分别为电灯、电视、电磁炉，耗能 信息如表1所示
[0111] 表1
[0112]
[0113] 家庭允许最大的总电流值为10A，将监测数据量化到0.1A，则最大量化 监测值为Nmax＝100。
[0114] 对家庭总电流进行为期一周的监测和收集数据，通过对数据统计可创建出 电灯，电视，电磁炉的监测值概率分布函数和量化状态及索引，如表2，表3， 表4所示。将多个负荷的状态组合在一起获得组合状态，如102，该状态表示 电灯开启状态，电视关闭状态，电磁炉为状态2。组合状态102所对应的索引 为8。
[0115] 表2
[0116]
[0117] 表3
[0118]
[0119] 表4
[0120]
[0121] 根据对收集的数据进一步分析，可以得到：
[0122] P0＝[0.46，0.02，0.05，0.07，0.0，0.0，0.13，0.04，0.02，0.21，0.0，0.0]，[0123] 矩阵A压缩后的行向量VA＝[0.93，0.16，0.10，0.02，-2，0.01，-2，0.02， -2，0.01，0.61，0.17，-9，0.23，0.73，-12，0.97，-32，0.04，-5，0.85，0.11， 0.14，0.17，-8，0.01，
0.70，0.21，-9，0.01，0.19，0.65，-6，0.01，-2，0.12， -2，0.80，-11，0.01，-14][0124] 矩阵B压缩后的行向量VB＝[1，-158，0.03，-11，0.92，-11，0.05，-74， 0.19，-11，
0.68，-11，0.13，-134，0.02，-3，0.10，-7，0.11，-3，0.75，-7， 0.72，-3，0.15，-7，0.10，-11，
0.05，-114，0.01，-9，0.12，-1，0.15，-9， 0.81，-1，0.59，-9，0.07，-1，0.23，-11，0.02，-50，
0.02，-11，0.20，-11， 0.55，-11，0.23，-33，0.01，-11，0.16，-11，0.66，-11，0.15，-11，
0.02，-50， 0.01，-1，0.04，-9，0.22，-1，0.11，-9，0.62，-1，0.64，-9，0.14，-1，0.19， -9，
0.01，-1，0.02，-97，0.02，-11，0.11，-11，0.72，-11，0.12，-11，0.03， -144][0125] 选取其中一天的6:00-22:00的量化监测值。已知19:40时刻量化监测值 yt-1＝22，
19:41时刻量化监测值yt＝36，分解过程如下：
[0126] (1)通过数据查询算法从VB中获取矩阵B第22列的非零数据，得 到(6，0.68)；
[0127] (2)通过数据查询算法从VB中获取矩阵B第36列的非零数据，得 到(1，0.75)，(9，0.72)；
[0128] (3)Pt-1[6]＝P0[6]×0.68＝0.13×0.68；
[0129] (4)通过数据查询算法从VA中获得A[6,1]＝0，A[6,9]＝0.12；
[0130] (5)Pt[1]＝Pt-1[6]×A[6,1]×0.75＝0,Pt[9]＝Pt-1[6]×A[6,9]× 0.72＝0.08，根据结果比较可以判定19:41时刻组合状态索引为9，即组合 状态为110，说明该时刻电灯开启，电视开启，电磁炉处于关闭状态。
[0131] 通过实验验证可知，分解结果与实验中的实际情况相符，从而验证了本发 明的可行性。
[0132] 本
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0133] 本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。
