基于改进隐马尔科夫模型的非侵入式家居负荷识别#br#

doi:10.3969/j.issn.1000-7229.2020.04.009

电力建设 ›› 2020, Vol. 41 ›› Issue (4): 73-80.doi: 10.3969/j.issn.1000-7229.2020.04.009

• 非侵入式负荷监测技术及其应用 ·栏目主持高山副教授、刘宇讲师· • 上一篇下一篇

基于改进隐马尔科夫模型的非侵入式家居负荷识别#br#

孙毅1，李昊洋1，刘耀先1，祁兵1，李彬1，张旭东2，李飞2

1.华北电力大学电气与电子工程学院，北京市 102206；2.国网河北省电力有限公司，石家庄市 050000

出版日期:2020-04-01
作者简介:孙毅（1972），男，博士，教授，博士生导师，主要从事电力系统通信与信息技术、无线传感器网络与物联网等方面的研究工作；李昊洋（1994），男，硕士研究生，通信作者，主要从事电力系统通信、非侵入式负荷监测等方面的研究工作；刘耀先（1990），男，博士研究生，主要从事电力系统通信、非侵入式负荷监测等方面的研究工作；祁兵（1969），男，教授，博士生导师，主要从事电力系统通信、智能用电信息处理技术等方面的研究工作；李彬（1983），男，博士，副教授，主要从事需求响应、智能电网用户接口等方面的研究工作；张旭东（1974），男，正高级工程师，主要从事电力系统营销等方面的研究工作；李飞（1982），男，正高级工程师，主要从事电力系统营销等方面的研究工作。
基金资助:
国家电网公司科技项目（低压用户负荷感知、测量和调控关键技术研究及应用）

Non-Intrusive Home-Load Identification Based on Improved Hidden Markov Model

SUN Yi1， LI Haoyang1， LIU Yaoxian1， QI Bing1， LI Bin1， ZHANG Xudong2， LI Fei2

1. School of Electrical and Electronic Engineering， North China Electric Power University， Beijing 102206，China； 2. State Grid Hebei Electric Power Co.，Ltd.， Shijiazhuang 050000， China

Online:2020-04-01
Supported by:
This work is supported by State Grid Corporation of China Research Program.

摘要/Abstract

摘要： 针对低频采样识别精确度较低，系统稳定性较差的问题，文章提出了一种基于改进隐马尔科夫模型（hidden Markov model，HMM）的非侵入式负荷监测方法（non-intrusive load monitoring，NILM）。该模型运用人工免疫算法和增量学习对传统HMM模型进行双重优化，通过人工免疫算法解决HMM模型容易陷入局部最优的问题，提升了模型的识别精确度。再通过增量学习实现了模型参数的自主更新，使得模型能够适应新的环境，提高了模型的鲁棒性。最后通过低频数据集建立了两个实验场景，对改进的HMM模型进行了实验验证，结果证明了该模型在识别精确度和鲁棒性等方面具有一定优越性。

关键词: 非侵入式负荷监测方法（NILM）, 隐马尔科夫模型（HMM）, 人工免疫算法, 增量学习

Abstract: Aiming at the low accuracy of low-frequency sampling and the poor stability of the system， a non-intrusive load monitoring （NILM） method based on improved hidden Markov model （HMM） is proposed. The model introduces artificial immune algorithm and incremental learning to optimize the traditional HMM model， solves the problem that the initial parameters of HMM model are easy to fall into local optimum， realizes the independent updating of model parameters by incremental learning， and makes the model adapt to the new environment. The recognition accuracy and robustness of the model are improved. Finally， the improved HMM model is analyzed by a low frequency data set. The results show that the model has certain advantages in recognition accuracy and robustness.

Key words: non-intrusive load monitoring（NILM）, hidden Markov model（HMM）, artificial immune algorithm, incremental learning

中图分类号:

TM 73

孙毅，李昊洋，刘耀先，祁兵，李彬，张旭东，李飞. 基于改进隐马尔科夫模型的非侵入式家居负荷识别#br#[J]. 电力建设, 2020, 41(4): 73-80.

SUN Yi， LI Haoyang， LIU Yaoxian， QI Bing， LI Bin， ZHANG Xudong， LI Fei. Non-Intrusive Home-Load Identification Based on Improved Hidden Markov Model[J]. Electric Power Construction, 2020, 41(4): 73-80.

参考文献

［1］王守相，孙智卿，刘喆. 面向智能用电的家庭能量协同调度策略［J］. 电力系统自动化， 2015， 39（17）： 108-113.
WANG Shouxiang， SUN Zhiqing， LIU Zhe. Co-scheduling strategy of home energy for smart power utilization［J］. Automation of Electric Power Systems， 2015， 39（17）： 108-113.
［2］BASU K， DEBUSSCHERE V， BACHA S， et al. Nonintrusive load monitoring： A temporal multilabel classification approach［J］. IEEE Transactions on Industrial Informatics， 2015， 11（1）： 262-270.
［3］杨旭英，周明，李庚银. 智能电网下需求响应机理分析与建模综述［J］. 电网技术， 2016， 40（1）： 220-226.
YANG Xuying， ZHOU Ming， LI Gengyin. Survey on demand response mechanism and modeling in smart grid［J］. Power System Technology， 2016， 40（1）： 220-226.
［4］祁兵，程媛，武昕. 基于Fisher有监督判别的非侵入式居民负荷辨识方法［J］. 电网技术， 2016， 40（8）： 2484-2491.
QI Bing， CHENG Yuan， WU Xin. Non-intrusive household appliance load identification method based on fisher supervised discriminant［J］. Power System Technology， 2016， 40（8）： 2484-2491.
［5］程祥，李林芝，吴浩，等. 非侵入式负荷监测与分解研究综述［J］. 电网技术， 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.
［6］孙毅，崔灿，陆俊，等. 基于差量特征提取与模糊聚类的非侵入式负荷监测方法［J］. 电力系统自动化， 2017， 41（4）： 86-91.
SUN Yi， CUI Can， LU Jun， et al. Non-intrusive load monitoring method based on delta feature extraction and fuzzy clustering［J］. Automation of Electric Power Systems， 2017， 41（4）： 86-91.
［7］武昕，祁兵，韩璐，等. 基于模板滤波的居民负荷非侵入式快速辨识算法［J］. 电力系统自动化， 2017， 41（2）： 135-141.
WU Xin， QI Bing， HAN Lu， et al. Fast non-intrusive load identification algorithm for resident load based on template filtering［J］. Automation of Electric Power Systems， 2017， 41（2）： 135-141.
［8］燕续峰，翟少鹏，王治华，等．深度神经网络在非侵入式负荷分解中的应用［J］．电力系统自动化，2019，43（1）：126-132，167．
YAN Xüfeng， ZHAI Shaopeng， WANG　Zhihua， et al. Application of deep neural network in noninvasive load decomposition［J］.Automation of Electric Power Systems，2019，43（1）：126-132， 167.
［9］祁兵，刘利亚，王丽丽. 基于LMD和模型匹配的家电负荷识别算法［J］. 电力系统自动化， 2017， 41（22）： 74-80.
QI Bing， LIU Liya， WANG Lili. Identification algorithm for appliance load based on LMD and model matching［J］. Automation of Electric Power Systems， 2017， 41（22）： 74-80.
［10］MAKONIN S， POPOWICH F， BAJIC I V， et al. Exploiting HMM sparsity to perform online real-time nonintrusive load monitoring［J］. IEEE Transactions on Smart Grid， 2016， 7（6）： 2575-2585.
［11］TRIGEORGIS G， BOUSMALIS K， ZAFEIRIOU S， et al. A deep matrix factorization method for learning attribute representations［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（3）： 417-429.
［12］刘博，栾文鹏. 基于负荷分解的用电数据云架构方案及应用场景［J］. 电网技术， 2016， 40（3）： 791-796.
LIU Bo， LUAN Wenpeng. Conceptual cloud solution architecture and application scenarios of power consumption data based on load disaggregation［J］. Power System Technology， 2016， 40（3）： 791-796.
［13］LIN Y H， TSAI M S. Non-intrusive load monitoring by novel neuro-fuzzy classification considering uncertainties［J］. IEEE Transactions on Smart Grid， 2014， 5（5）： 2376-2384.
［14］宋旭帆，周明，涂京，等. 基于k-NN结合核Fisher判别的非侵入式负荷监测方法［J］. 电力系统自动化， 2018， 42（6）： 73-80.
SONG Xufan， ZHOU Ming， TU Jing， et al. Non-intrusive load monitoring method based on k-NN and kernel fisher discriminant［J］. Automation of Electric Power Systems， 2018， 42（6）： 73-80.
［15］张群洪. 基于集成智能方法的电力短期负荷预测［J］. 系统工程理论与实践， 2013， 33（2）： 354-362.
ZHANG Qunhong. A model for short-term load forecasting in power system based on multi-AI methods［J］. Systems Engineering-Theory & Practice， 2013， 33（2）： 354-362.
［16］ALEMDAR H， KASTEREN T L M V， NIESSEN M E， et al. A unified model for human behavior modeling using a hierarchy with a variable number of states［C］//2014 22nd International Conference on Pattern Recognition， Stockholm， Sweden： IEEE， 2014.
［17］CRANDALL A S， COOK D J. Using a hidden Markov model for resident identification［C］//2010 Sixth International Conference on Intelligent Environments. Kuala Lumpur， Malaysia： IEEE，2010.
［18］张振兴，杨任农，房育寰，等. 基于IL-HMM的目标机动动作识别［J］. 飞行力学， 2018， 36（5）： 92-96.
ZHANG Zhenxing， YANG Rennong， FANG Yuhuan， et al. Target maneuver recognition based on IL-HMM model［J］. Flight Dynamics， 2018， 36（5）： 92-96.
［19］胡小光，张太华，杨静，等. 改进的人工免疫算法特征知识推送模型［J］. 组合机床与自动化加工技术， 2018（3）： 4-7.
HU Xiaoguang， ZHANG Taihua， YANG Jing， et al. An improved artificial immune algorithm for the characteristic knowledge push model［J］. Modular Machine Tool & Automatic Manufacturing Technique， 2018（3）： 4-7.
［20］张沛超，陈琪蕾，李仲青，等. 具有增量学习能力的智能孤岛检测方法［J］. 电力自动化设备， 2018， 38（5）： 83-89.
ZHANG Peichao， CHEN Qilei， LI Zhongqing， et al. Intelligent islanding detection method with incremental learning capability［J］. Electric Power Automation Equipment， 2018， 38（5）： 83-89.
［21］CAVALIN P R， SABOURIN R， SUEN C Y， et al. Evaluation of incremental learning algorithms for HMM in the recognition of alphanumeric characters［J］. Pattern Recognition， 2009， 42（12）： 3241-3253.
［22］JOHNSON M， WILLSKY A. Bayesian nonparametric hidden semi-Markov models［J］. Journal of Machine Learning Research， 2012， 14（1）： 673-701.
［23］CAO H， LIU S B， WU L F， et al. Achieving differential privacy against non-intrusive load monitoring in smart grid： A fog computing approach［J］. Concurrency and Computation： Practice and Experience， 2019， 31（22）： e4528.
［24］徐青山，娄藕蝶，郑爱霞，等. 基于近邻传播聚类和遗传优化的非侵入式负荷分解方法［J］. 电工技术学报， 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.
［25］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.
［26］MAKONIN S， POPOWICH F， BARTRAM L， et al. AMPds： A public dataset for load disaggregation and eco-feedback research［C］//2013 IEEE Electrical Power & Energy Conference. Halifax， NS， Canada： IEEE， 2013.

[1]	张卫国, 陈良亮, 成海生, 付蓉, 季娟. 基于电动汽车供电资源态势感知的台区负荷弹性调度策略[J]. 电力建设, 2020, 41(8): 48-56.
[2]	王瀚琳, 刘洋, 许立雄, 陈贤邦, 谭思维. 考虑风电消纳的区域多微网分层协调优化模型[J]. 电力建设, 2020, 41(8): 87-98.
[3]	朱旭, 杨军, 李高俊杰, 董旭柱, 刘首文. 计及虚拟储能系统的区域综合能源系统优化调度策略[J]. 电力建设, 2020, 41(8): 99-110.
[4]	尚慧玉, 林鸿基, 李忠憓, 赵宏伟, 陈明辉, 阳曾, 文福拴. 计及不确定性的移动应急电源鲁棒优化调度[J]. 电力建设, 2020, 41(8): 111-119.
[5]	尚慧玉, 林鸿基, 李忠憓, 赵宏伟, 陈明辉, 阳曾, 文福拴. 计及不确定性的移动应急电源鲁棒优化调度[J]. 电力建设, 0, (): 111-119.
[6]	尚慧玉, 林鸿基, 李忠憓, 赵宏伟, 陈明辉, 阳曾, 文福拴. 计及不确定性的移动应急电源鲁棒优化调度[J]. 电力建设, 0, (): 111-119.
[7]	原吕泽芮，顾洁，金之俭. 基于云-边-端协同的电力物联网用户侧数据应用框架[J]. 电力建设, 2020, 41(7): 1-8.
[8]	姜达军，吴福保，王麒云，张艳军，孙黎霞，吴英俊. 基于调控云的风储联合鲁棒优化调度[J]. 电力建设, 2020, 41(7): 9-16.
[9]	庞传军，牟佳男，余建明，武力. 基于运行关键指标和Seq2Seq的大电网运行异常识别[J]. 电力建设, 2020, 41(7): 17-24.
[10]	李恒强，王骏，蒋星燃，匡仲琴，徐石明，杨永标. 面向电网调峰辅助服务的空调负荷调控策略及其虚拟机组建模[J]. 电力建设, 2020, 41(7): 49-57.
[11]	张浩禹，邱晓燕，周晟锐，赵有林，李凌昊，张楷 . 基于机会约束目标规划的多电-气互联综合能源系统分布式优化模型[J]. 电力建设, 2020, 41(7): 82-91.
[12]	魏震波，任小林，黄宇涵. 考虑综合需求侧响应的区域综合能源系统多目标优化调度[J]. 电力建设, 2020, 41(7): 92-99.
[13]	郇嘉嘉，洪海峰，隋宇，余梦泽，潘险险，汪超群. 计及风-光-荷相关性的概率-区间约束潮流模型与算法[J]. 电力建设, 2020, 41(7): 117-128.
[14]	安麒，王剑晓，李庚银，王宣元，刘蓁. 基于均衡理论的虚拟电厂市场参与模式及方法[J]. 电力建设, 2020, 41(6): 1-8.
[15]	谭忠富，谭彩霞，蒲雷，杨佳澄. 基于协同免疫量子粒子群优化算法的虚拟电厂双层博弈模型[J]. 电力建设, 2020, 41(6): 9-17.

基于改进隐马尔科夫模型的非侵入式家居负荷识别#br#

Non-Intrusive Home-Load Identification Based on Improved Hidden Markov Model

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价