基于维特比算法改进的稳暂态混合非侵入式负荷识别方法

刘 宇 刘丛笑 赵 欣 高 山 黄学良

基于维特比算法改进的稳暂态混合非侵入式负荷识别方法

刘 宇 刘丛笑 赵 欣 高 山 黄学良

（东南大学电气工程学院 南京 210018）

非侵入式负荷识别技术因其具有诸多优势，成为目前负荷运行状态监测的主流方法。通常可将其分为基于稳态特征的负荷识别和基于暂态特征的负荷识别。考虑相邻稳态过程和暂态过程之间的负荷运行状态开关逻辑，该文构建了时序校核模型和策略，以此排除不可信的结果以提高识别精度。首先，分别采用离散粒子群优化算法和动态时间规整进行基于稳态特征和暂态特征的负荷识别；然后，基于概率评价选取多个识别结果构建负荷识别结果候选集，联立多个连续的稳态和暂态过程的候选集，基于维特比算法构建时序识别结果的概率序列和评价方法，并进行优选以确定最终的识别结果；最后，分别在仿真数据集和实测数据集上对该方法进行验证分析。实验结果表明，该方法能有效提高整体的负荷识别精度，并明显改善大功率负荷的识别效果，同时保持小功率负荷的识别准确率。

非侵入式负荷识别 离散粒子群优化算法 动态时间规整 维特比算法 稳暂态

0 引言

智能电网是我国电力系统未来的重要发展方向。负荷侧作为电力系统的终端，对其进行精细高效的管理是实现智能电网的关键环节之一。对负荷实现精细化管理，分析负荷的运行规律特征[1]，发掘负荷的需求响应潜力[2]，并对负荷进行合理的运行安排，有助于减小新能源发电大规模接入对电网安全运行所造成的不利影响[3]，在一定程度上能够促进节能减排，助力早日实现“碳达峰”和“碳中和”的目标。对负荷的运行状态进行实时准确的监测是实现负荷精细化管理的第一步[4]，其可为后续的负荷特性分析提供数据支持，为负荷调控策略提供参考依据，也可帮助电力用户了解自身的用电行为，为其提供合理有效的用电建议，促进用户养成良好的用电习惯[5]。

目前，非侵入式负荷识别（Non-Intrusive Load Monitoring, NILM）技术是实现负荷运行状态监测的主要方法。NILM技术于20世纪90年代被提出[6]，旨在通过在电力用户的入口总线处安装一个智能电表，采集用户的电压、电流等总用电数据并将其进行算法分解，从而对用户家中各个负荷电器的运行状态及消耗功率进行识别。NILM具有诸多优势，包括节约成本、数据量低、数据传输风险小、可扩展性强、隐私保护机制可灵活定制、易于推广普及等[7]。因此其在被提出后，迅速受到了国内外研究学者的广泛关注。

负荷电器在运行过程中所表现出的电气特征，使得其能够被准确识别出来。不同类型的电器都会有其特定的负荷特征[8]。负荷特征的存在性和重复性，是实现NILM的基本假设和重要前提。基于不同的时间尺度和电气特性，负荷特征可分为稳态特征和暂态特征两类[9]，相对应的即为基于稳态特征的负荷识别方法和基于暂态特征的负荷识别方法。

当所有负荷处于稳定运行状态时，所反映出的电气特征称为稳态特征。基于稳态特征的负荷识别问题通常可采用优化算法或机器学习方法进行求解。文献[10]采用近邻传播聚类算法获取负荷设备的运行状态，并采用遗传优化算法进行负荷识别。文献[11]提出基于协同进化的多目标粒子群算法的非侵入式负荷识别方法，利用多个种群协同进化的方式寻找局部最优值和全局最优值，进行多目标优化负荷识别。文献[12]在传统功率特征的基础上，将总谐波失真率作为负荷新特征引入目标函数，采用动态自适应粒子群算法对实测用电数据进行负荷分解。文献[13]提取负荷处于稳态运行时的-特性，并进行归一化处理，利用卷积神经网络提取特征向量作为负荷特征，将其输入至双向长短时记忆神经网络中进行负荷识别，并利用动态时间规整优化识别结果。此外，可将基于稳态特征的负荷识别问题看作多标签分类问题[14]，每个负荷的工作状态看作一个标签，采用多标签分类的方法进行求解。文献[15]分别采用RAKEL（Random k-Labelsets）和MLKNN（Multi-Label k-Nearest Neighbor）多标签分类算法，并采用时域和频域两种特征，实现负荷识别。文献[16]采用RAKEL算法，并用随机森林进行求解，对负荷的运行状态进行识别，在识别结果的基础上，进一步估计负荷的功率消耗情况。文献[17]将一种基于期望最大化的半监督学习多标签分类方法应用于负荷识别问题中。

当负荷发生工作状态切换时，其相应的功率和电流变化也会引起总用电数据的变化，这个过程在NILM领域被称为事件（event）。通过事件检测算法确定事件发生的时间及时长，并对事件持续过程中总用电数据的电气特征进行提取[18]，识别引起事件发生的负荷，即为基于暂态特征的负荷识别方法，通常可将其看作多分类问题进行求解。文献[19]提出一种基于半监督机器学习的负荷识别方法，通过小波变换提取负荷的暂态特征信息，并采用最近邻和决策树两种分类器协同进行负荷识别。文献[20]基于希尔伯特变换对暂态特征进行提取，采用Seq2Seq-LSTM对负荷进行识别。文献[21]对负荷的暂态有功功率波形进行分段线性近似，实现负荷暂态特征的提取和降维，并使用以高斯动态弯曲核为核函数的支持向量机进行负荷识别。文献[22]采用通过动态时间规整算法计算当前暂态功率波形与历史暂态功率波形的匹配度，并利用动态聚类算法判断该功率波形对应的负荷操作，实现负荷识别。文献[23]提取事件过程中的电流轨迹作为负荷的暂态特征，并采用卷积神经网络识别负荷的工作状态。文献[24]面向工业负荷识别，根据工业负荷的特点分离出事件波形，构建有效描述事件波形的结构化特征空间，建立映射规则实现特征空间与解释空间的对应，并通过类别判定实现负荷识别。

从已有研究中可以看出，无论是稳态还是暂态，非侵入式负荷分解研究的重点在于对算法进行改造，以获取可靠的识别结果。上述研究虽然取得了一些进展，但在识别过程中均仅考虑单个的稳态或暂态过程。在实际情况中，稳态过程和暂态过程会不断交替出现，相邻的稳态和暂态过程所对应的负荷运行状态之间存在着开关逻辑关系，若将其应用于负荷识别中，对稳态和暂态的识别结果进行相互校核，可在一定程度上排除错误的负荷识别结果，有助于进一步提高识别精度。文献[25]将稳态过程的识别结果用于暂态过程负荷识别计算的参数初始化，并基于暂态过程的负荷识别结果对稳态过程的负荷识别结果进行修正，实现二者的相互校核，并将其用于确定屋顶光伏的负荷模型参数，实现含有屋顶光伏的非侵入式负荷识别。文献[26]在文献[25]的基础上，进一步考虑屋顶光伏的无功补偿特性，并在不同补偿策略下实现了具有鲁棒性的非侵入式负荷识别。但文献[25-26]的研究中，主要考虑光伏接入后稳态特征的高度不确定性，并基于暂态识别的可信假设以辅助稳态识别，两者在模型和方法上并不对等，也没有形成具有通用性的概率模型评价与表达。

稳态过程和暂态过程对应的负荷运行状态彼此之间具有关联性，每个稳态或暂态过程的负荷状态会受到其前序和后序负荷状态的共同影响，若仅考虑前序或后序过程对识别结果进行校核分析，可能会得到不同的结果。多个连续的稳态和暂态过程之间会相互作用，应被看作一个具备时序逻辑的整体。因此在进行负荷识别时，可对多个稳态和暂态过程连接形成的整体进行分析计算，进而逐步确定每个稳态和暂态过程的具体识别结果。

基于此，本文提出一种基于维特比算法改进的稳暂态混合非侵入式负荷识别方法，通过融合多个连续稳态和暂态的识别过程，构建时序概率模型评价，从而实现识别结果的校核和修正。首先进行稳态特征和暂态特征的负荷识别，并基于概率置信水平选取若干个可能的识别结果，构建负荷识别结果候选集；然后分析相邻稳态和暂态过程对应的负荷运行状态之间的逻辑关系，以此对负荷识别结果进行校核，构建表征负荷运行状态变化的时间序列，通过计算负荷状态变化的最优路径得到最终的负荷识别结果；最后分别在LVNS（low voltage network simulator）仿真平台获取的仿真数据以及 UK-DALE实测数据集上进行算例分析，验证了所提方法的可行性及优越性。

1 基于稳态特征和暂态特征的负荷识别

1.1 基于稳态特征的负荷识别

基于稳态特征的负荷识别算法要求所有负荷均处于稳定状态，通过提取用电数据的稳态电气特征并进行分析，识别出所有处于运行状态的负荷。其目标函数为

该目标函数反映了不同的负荷组合的功率叠加之和与实际总功率的相近程度。目标函数越小，其所对应的负荷组合的用电量之和与实际总用电量越接近，即该组合为正确的识别结果的概率也就越大。

1.2 基于暂态特征的负荷识别

不同负荷的状态切换过程会反映出不同的电气特征。基于暂态过程的负荷识别算法，需首先通过事件识别算法确定事件发生的时刻及持续时间；然后提取事件过程中用电数据的暂态电气特征并进行分析；最终识别出引起该事件发生的负荷。因此可将基于暂态特征的负荷识别视作一个多分类问题，其目标函数为

本文采用动态时间规整（Dynamic Time Warping, DTW）算法对基于暂态特征的负荷识别问题进行求解。DTW常用于语音识别领域，是衡量两个时序数据距离的一种度量方法。在本文中选用功率波形作为电气特征，将DTW用于对从事件过程中提取到的功率时序数据与不同负荷发生状态切换时的模板功率时序数据的相似性进行计算和比较。

考虑到不同负荷发生状态切换过程的持续时间不同，因此对应的模板功率时序数据长度也会不同。而DTW可兼顾时序映射不是一一对应的情况。其基于动态规划的思想，将时序数据相似性计算过程转换为寻找一条最优路径，路径长度时刻为局部最优值。DTW算法示意图如图1所示。

图1 DTW算法示意图

如图1所示的两个时序数据和，DTW算法通过动态规划计算得到数据中每一个数据点到数据的局部最佳匹配点，以此计算二者之间的距离。

基于DTW的功率时序数据相似性的计算模型如下：

在基于暂态特征的负荷识别计算中，将从事件持续过程中提取的功率时序数据与不同负荷发生状态切换时的模板功率时序数据的距离进行计算，选取距离最小的功率时序数据所对应的负荷，作为负荷识别的结果，即该负荷的状态切换引起该次事件的发生。

1.3 构建负荷识别结果候选集

在实际情况中，随着用户家庭负荷数量的不断增加，不同负荷电器或电器组合具有相似电气特征的概率也随之增大，这使得基于稳态特征或暂态特征的负荷识别方法的精度有所降低。单一特征负荷识别算法求解得到的结果，并不一定能够表征负荷真实的运行状态。考虑到在时间尺度上，稳态过程和暂态过程会交替出现，且一次事件通常只有一个负荷的工作状态发生变化，因此，相邻的稳态过程识别结果和暂态过程识别结果之间会满足一定的负荷运行时序逻辑关系。基于此逻辑关系，可将负荷识别结果进行校核分析，以提高负荷识别结果的精度，具体逻辑分析和校核方法将在第2节进行阐述。

为了构建时序逻辑模型和校核要素，基于稳态或暂态特征的单一确定性识别结果不再适用。考虑到式（1）和式（6）的本质是最大似然估计，对引入时序逻辑模型的稳态或暂态结果进行概率化描述，并将单一结果扩展为带概率化描述的识别结果候选集，以适应时序逻辑评价的要求。

具体而言，针对基于稳态特征的负荷识别，其候选集包括若干个使得目标函数达到最小的负荷状态组合；针对基于暂态特征的负荷识别，其候选集包括若干个与事件持续过程中提取得到的功率时序序列最为相似的模板功率时序数据所对应的负荷状态切换情况。

2 基于维特比算法的负荷识别结果优选

2.1 负荷状态向量的编码和解码

式中，%为除法求余数计算。

（3）根据式（15）计算下一轮循环的中间变量。

（3）根据式（18）计算下一轮循环的中间变量。

2.2 不同负荷识别结果之间的逻辑关系分析

稳态过程和暂态过程在时间轴上会交替出现，因此基于稳态特征和暂态特征的负荷识别结果之间会满足一定的逻辑关系。考虑到两个相邻稳态过程之间的负荷运行状态变化，应对应于暂态过程所识别出的负荷运行状态切换，即在时序运行逻辑上应满足

基于上述分析，正确的负荷识别结果应满足式（19）所示的逻辑关系。若在负荷识别过程中，出现有识别结果不满足式（19）的情况，则某个过程的负荷识别结果可能出现错误，应对识别结果进行校核分析。

考虑两个相邻的稳态过程及其之间的暂态过程，在从三者的识别结果候选集中，优先选取满足式（19）所示的逻辑关系的识别结果组合。若存在多个这样的识别结果组合，则选取能使得三次负荷识别过程中目标函数加权之和最小的识别结果组合，作为最终的负荷识别结果，以实现对负荷识别结果最基本的校核分析，从而减小具有相似电气特征的负荷或负荷组合对识别过程的影响，提高负荷识别的精确程度，优化模型为

式中，分别为三个识别结果所对应目标函数在校核分析中所占权重，且。该基本校核方法示意图如图2所示。

2.3 基于维特比算法的负荷识别结果校核

2.2节所述的负荷识别结果校核方法虽能在一定程度上提高负荷识别的精度，但由于该方法仅对相邻稳态过程和暂态过程的负荷识别结果进行校核分析，使得某一个稳态过程的负荷识别在经过两次不同的校核分析后，可能得到两种不同的结果，从而无法确定最终的识别结果。

基于此，本文构建一个包含多个连续稳态过程和暂态过程识别结果候选集的时间序列，用以表征负荷在不同时间所处运行状态的情况。由于该序列由多个负荷识别结果候选集构成，其每一序列节点中都有若干个负荷识别结果待选，因此在进行校核分析并确定最终负荷识别结果时，需从每个候选集中优选出一个识别结果，相当于在时间序列中确定一条最优路径，表征负荷运行状态随时间的变化情况。本文采用维特比算法（Viterbi algorithm）对最优路径进行计算，实现对识别结果的优选分析，确定最终的负荷识别结果，其流程如图3所示。

图3 基于维特比算法的负荷识别结果校核方法流程

图3中竖条纹所示即为通过维特比算法获取的负荷运行状态转移路径，其每一步为对应稳态或暂态过程的最终负荷识别结果。

维特比算法是一种求解最优路径的动态规划算法。通过构建维特比路径，基于路径中每一步的结果去寻找下一步的结果，使得每一步的结果达到局部最优，实现寻找最有可能产生观测事件序列的隐含状态序列，并通过回溯计算确定序列中每一步的状态。

基于维特比算法的负荷识别结果优选方法步骤如下：

2.4 负荷识别算法流程

本文所提出的基于维特比算法改进的稳暂态混合非侵入式负荷识别方法流程如图4所示。

图4 基于DPSO和DTW结合维特比算法的非侵入式负荷识别算法流程

算法步骤如下：

（1）获取用户的用电数据，包括所有负荷的用电总数据，以及每个负荷的用电数据，并使用文献[27]所述的累积和（Cumulative Sum, CUSUM）变点检测算法，对事件进行检测，确定各个事件的开始时间及持续时间。

（2）提取各个稳态过程中的电气特征，以及各个暂态过程中的功率数据变化曲线。

（3）针对每个负荷，对其用电数据进行事件检测及具有噪声的基于密度的聚类方法（Density-Based Spatial Clustering of Applications with Noise, DBSCN）分析，获取其典型工作状态数目及其对应的额定功率，以及负荷发生状态切换时的典型功率变化情况，构建负荷的典型特征库。

（4）使用1.1节所述的基于稳态特征的负荷识别算法，对各个稳态过程中的负荷状态进行识别；同时使用1.2节所述的基于暂态特征的负荷识别算法，对各个暂态过程中的负荷状态切换情况进行识别。将所有识别结果进行编码并存储，分别构建基于稳态特征的识别结果候选集和基于暂态特征的识别结果候选集。

（5）将候选集中的结果进行解码，然后使用2.3节所述的维特比算法对负荷识别结果进行校核分析，识别各个稳态过程中负荷的运行状态并预测所消耗的功率情况，获取最终的负荷识别结果。

3 算例分析

3.1 数据集介绍

本文分别选取从LVNS仿真平台[28]获取的仿真数据，以及UK-DALE公开数据集[29]的相关数据，对所提出的负荷识别方法进行验证测试。

UK-DALE数据集由英国能源研究中心发布，记录了英国5个家庭从2012年11月—2015年1月的用电数据。该数据集包括了数十种不同类型的负荷，并以1 Hz的采样频率记录了总线上的有功功率数据，以及1/6 Hz的采样频率记录了各个负荷的有功功率数据。本文选取House2家庭中的六个用电量较大的负荷电器在连续10天里的用电数据进行测试，分别为洗碗机、电冰箱、烤面包机、电饭锅、热水壶和微波炉。其中洗碗机为多状态负荷，冰箱的运行特征具有周期性且额定负荷较小，热水壶额定功率较大且运行时间短。负荷的额定功率参数见表1。

表1 UK-DALE数据集负荷参数

Tab.1 The load parameters in UK-DALE dataset

LVNS仿真平台由加拿大阿尔伯塔大学PDS-Lab设计研发，其目的之一便是用于非侵入式负荷识别的研究。LVNS根据阻抗和电流谐波参数构建不同的负荷模型，并采用蒙特卡洛法对负荷的运行情况进行模拟。用户可以根据需求预先设定家庭中负荷电器的数量、额定功率、功率因数等参数。经过仿真得到一天24 h中总线及各个负荷的功率和电流数据，采样频率为1 Hz。本文选取九个负荷电器进行测试，分别为电视、烤箱、烤面包机、食品加工机、电冰箱、电炉、两个白炽灯及一辆电动汽车，前八个负荷的额定功率范围从几十瓦到2 kW不等，而电动汽车充电时的额定功率为7 kW左右，同样进行10天的仿真并得到相应的用电数据。负荷的参数见表2。

表2 LVNS平台仿真数据负荷参数

Tab.2 The load parameters in LVNS simulation data

分别从UK-DALE数据集和从LVNS仿真平台获取的数据中各自选取一天的用电总数据进行展示，其总功率数据分别如图5和图6所示。

图5 UK-DALE数据集中某一天的总有功功率

从图5和图6可以看出，在一天时间内，无论是仿真数据还是UK-DALE的实测数据，均有数十个事件发生，负荷发生状态切换较为频繁，有功功率值通常在2 kW内变化，UK-DALE数据的有功功率有时能达到4 kW左右，而在仿真数据集中，当电动汽车接入进行充电时，有功功率则会达到8 kW左右。此外，仿真数据中有有功功率和无功功率数据，并且在稳态过程中功率的波动较小，而UK-DALE实测数据中仅有有功功率数据，并且在稳态过程中有功功率有时会出现较为明显的波动。

图6 LVNS仿真数据集某一天的总有功以及无功功率

选取仅采用DPSO的方法（下文称为方法1）、采用2.2节所述基本识别结果校核的方法（下文称为方法2）和采用2.3节所述基于维特比算法的识别结果校核方法（下文称为方法3），分别在两个数据集上进行负荷识别，并对三种方法的识别结果进行对比分析。

3.2 负荷识别结果评价指标

为实现对本文所提方法的准确性进行全面表征，选取在分类问题中的评价指标1值[30]、回归问题中的评价指标方均根误差（Root Mean Square Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）及标准方均根误差（Normalized Mean Square Error, NMSE）[31]，构成负荷识别结果评价指标体系。其中，1值用于评价识别负荷运行状态的准确程度，取值范围在0～1，并且值越大，表示识别准确程度越高；RMSE、MAE和NMSE用于评价负荷所消耗功率的预测值与真实值之间的相近程度，其取值越小，说明预测值与真实值越接近。RMSE、MAE反映了预测值与真实值之间的绝对误差，而NMSE反映了预测值与真实值之间的相对误差。1、RMSE、MAE、NMSE的计算方法分别为

3.3 LVNS仿真数据测试结果

首先使用从LVNS仿真平台上获取的数据对本文所提出的方法进行测试，方法1～3的负荷识别结果分别见表3～表5。

表3 方法1在LVNS仿真数据上的负荷识别结果

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

表4 方法2在LVNS仿真数据上的负荷识别结果

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

表5 方法3在LVNS仿真数据上的负荷识别结果

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

从表3～表5可以看出，三种识别方法对电动汽车的识别均达到了很高的精度，主要原因在于电动汽车的有功功率远高于其他负荷，其他负荷很难对电动汽车的识别造成干扰。在对其他负荷进行识别时，从表3中可以看出，方法1在LVNS平台的仿真数据上有着较好的负荷识别结果。对食品加工机和电视机的识别精度较差，其1值远低于其他负荷，而且NMSE偏高。其他负荷中有五个负荷的1值超过0.9，NMSE值低于0.45，其中三个负荷的1值甚至超过0.96，且NMSE值低于0.3。

而从表4和表5中能够看出，相较于方法1，方法2和方法3能够进一步提高负荷识别的准确度，而方法3的准确率又整体高于方法2。在方法3的识别结果中，八个负荷中有七个的1值高于0.9，其中五个负荷的1值超过了0.97，电炉的1值达到了最大为0.995 6。而且RMSE、MAE、NMSE等评价指标相较于方法1和方法2也有所下降。仅有第二个白炽灯的识别准确率有明显的下降，但由于该负荷的额定功率很低，仅有40 W，因此不会对整体识别准确度造成较为明显的影响。识别结果表明，本文所提方法能够有效提高整体的负荷识别准确率，并且在进行识别结果校核的过程中，计及多个连续稳态过程和暂态过程的校核方法，其识别准确度会高于仅参考相邻稳态过程和暂态过程的校核方法。

3.4 UK-DALE数据集测试结果

随后在UK-DALE数据集上对本文所提出的方法进行测试，方法1～3的负荷识别结果分别见表6～表8。

从表6中可以看出，方法1在UK-DALE数据集上的表现并不是很好，仅对电冰箱和热水壶的识别准确度较高。其主要原因在于，不同负荷之间会出现相似电气特征的情况，在仅考虑当前稳态过程进行识别时，会对负荷运行状态的判定造成干扰，使得负荷识别结果出现偏差。此外，由于UK-DALE为实测数据集，负荷在实际运行过程中，会受到诸如电压波动等外界干扰，并考虑到传感器采集数据时产生的噪声和误差，使得其负荷的功率产生一定的波动，而且UK-DALE数据集中仅记录了有功功率数据，可用的电气特征较少。这些因素也在一定程度上增加了负荷识别的难度。

表6 方法1在UK-DALE数据集上的负荷识别结果

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

表7 方法2在UK-DALE数据集上的负荷识别结果

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

表8 方法3在UK-DALE数据集上的负荷识别结果

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

而从表7和表8中能够看出，方法2能够在方法1的基础上使得识别结果有着一定程度的提高，而方法3则能够进一步提高负荷识别的准确度。从方法1～方法3，各个负荷的1值均不断提高，仅有电饭锅的1值略低，并且各个负荷的RMSE、MAE和NMSE值均在降低。此外不难发现，大功率负荷的识别精度均有明显提高，烤面包机的1值从最初的0.194 7提高到了0.846 2，而热水壶的1值也从0.717 0提高到了0.987 5，取得满意的准确率。虽然小功率负荷的识别精度变化不大但仍略有提升，电冰箱的1值从0.922 2提高到了0.949 3。其中，烤面包机、热水壶和电冰箱的识别结果对比如图7所示。

图7 三种负荷的识别结果对比

在负荷识别的过程中，所提出的方法参考其他稳态及暂态过程的负荷识别结果，对识别结果候选集进行分析筛选，排除不满足逻辑关系的选项，最终确定更为合理的识别结果。因此在实测数据集中，本文所提出的负荷识别方法能够在保证小功率负荷的识别精度的前提下，有效提高大功率负荷的识别精度。

进一步选取多状态负荷洗碗机在一段时间内的真实功率数据与通过方法1～3进行负荷识别得到的洗碗机功率分解结果进行对比分析，结果分别如图8～图11所示。

图8 洗碗机的真实功率变化情况

图9 方法1对洗碗机的功率分解结果

图10 方法2对洗碗机的功率分解结果

图11 方法3对洗碗机的功率分解结果

图8为洗碗机的真实功率变化情况。可以看出，洗碗机具有两种不同的工作状态，其中一个工作状态的额定功率约为2 kW，另一个工作状态的额定功率约为100 W。洗碗机在一个完整的运行周期中，首先处于2 kW的工作状态，随后切换到100 W的工作状态直到关闭。

图9～图11分别为使用方法1～3进行负荷识别得到的洗碗机功率分解结果。方法1虽能识别出洗碗机大部分的工作状态，但在某些稳态过程中，虽然洗碗机未开启，但方法1仍将其识别为处于开启状态，出现识别错误的情况。而方法2相较于方法1，可以成功识别出洗碗机处于开启状态的全部稳态过程，并且出现错误识别的数量有所减少。而方法3则有更好的识别表现，不仅成功识别出洗碗机处于开启状态的全部稳态过程，而且只出现一次识别错误的情况，其对洗碗机的消耗功率的分解结果与其实际变化情况更为吻合。因此，本文所提出的方法能够有效排除在稳态过程中可能出现的错误识别结果，并保留正确的结果，提高负荷识别的准确程度和可靠性。

此外，在对负荷处于运行状态所消耗功率进行预测时，通过聚类算法获取其典型工作状态数目及其对应的额定功率是十分重要的预测依据，聚类结果的准确程度会影响负荷识别及功率预测的精度。从图9～图11中可以看出，方法1～3虽在识别负荷所处运行状态方面表现有所不同，但对负荷消耗功率进行预测，其结果较为相似且很接近实际情况，这也在一定程度上反映了本文所选的聚类算法的准确性和可行性。

3.5 不同算法识别精度对比

选取文献[32]所提的非侵入式负荷识别算法与本文的方法1和方法3进行对比。文献[32]采用组合优化（Combinatorial Optimization, CO）算法进行负荷识别，即选取与采样得到的总功率数据最为接近的负荷组合作为负荷识别结果，以及因子隐马尔科夫模型（Factor Hidden Markov Model, FHMM），即为每个负荷构建一条马尔科夫链，表征其运行状态的变化情况，并分别对其参数进行训练，最后使用期望最大算法进行计算，实现负荷识别。

在同一计算机的运行环境下，用上述四种方法对3.1节所述UK-DALE数据集House2的连续10天用电数据进行测试，负荷识别结果见表9和表10，以及如图12所示。

表9 四种算法在UK-DALE数据集上的识别结果RMSE

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

从表9、表10及图12可以看出，CO和FHMM方法对大部分负荷的识别表现优于方法1，仅在对电冰箱和电饭锅的识别准确度上低于方法1。而方法3的负荷识别效果则几乎全面提升，除烤面包机外，方法3在其他负荷的RMSE和MAE均优于CO和FHMM方法。方法3在方法1的基础上，结合稳态过程和暂态过程负荷运行状态之间的逻辑关系，对识别结果进行校核分析。方法1的负荷识别精度原本低于CO和FHMM方法，而经过改进得到的方法3，其负荷识别表现超越CO和FHMM方法，进一步验证了本文所提方法的有效性和优越性。

表10 四种算法在UK-DALE数据集上的识别结果MAE

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

图12 四种方法的负荷识别结果对比

4 结论

本文对相邻稳态过程和暂态过程所对应负荷运行状态之间的逻辑关系进行分析，提出一种基于维特比算法改进的稳暂态混合非侵入式负荷识别方法。首先通过对负荷在运行过程中所表现出的电气特征进行分析，并将其划分为稳态特征和暂态特征两类，分别使用离散粒子群算法和动态时间规整算法进行基于稳态特征和暂态特征的负荷识别，并对每个稳态或暂态过程，均选取若干个识别结果构建负荷识别结果候选集。随后对相邻稳态和暂态过程的负荷运行状态之间的逻辑关系进行阐述分析，进而联立多个连续的稳态和暂态过程对应的识别结果候选集，对识别结果进行校核，采用维特比算法构建表征负荷运行状态变化的时间序列，对反映负荷运行状态随时间变化情况的最优路径进行计算，确定最终的负荷识别结果。通过在仿真数据集和实测数据集进行的验证分析，所提方法能够提高整体的负荷识别的精度，实现高效的负荷运行状态感知，并在保证小功率负荷的识别结果可靠性的同时，有效提高大功率负荷的识别准确率。

在未来的研究中，应尝试使用其他算法进行基于稳态特征和暂态特征的负荷识别，以测试本文所提方法的通用性和可扩展性。此外，考虑多状态负荷电器运行行为的复杂性，应对此类负荷的稳态过程、暂态过程及相邻过程的逻辑关系作进一步分析，并构建更为完善的识别结果判定机制。在应对实时负荷监测问题时，如何对不同时间尺度下得到的负荷识别结果进行滚动校核分析，并通过本文所提方法进行模型参数的自适应调整，也具有重要的学术意义和工程价值。

[1] 徐明杰, 赵健, 王小宇, 等. 基于多任务联合模型的居民用电模式分类方法[J]. 电工技术学报, 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, 孙润稼, 刘玉田. 考虑空调负荷需求响应的负荷恢复量削减方法[J]. 电工技术学报, 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] 金国彬, 潘狄, 陈庆, 等. 考虑源荷不确定性的直流配电网模糊随机日前优化调度[J]. 电工技术学报, 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] 张潼, 于鹤洋, 田江, 等. 基于非侵入式负荷辨识的聚合负荷需求响应能力在线评估[J]. 电力工程技术, 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, 孙兆龙, 叶志浩, 等. 电力系统负荷非侵入式监测方法研究[J]. 电工技术学报, 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] 余贻鑫, 刘博, 栾文鹏. 非侵入式居民电力负荷监测与分解技术[J]. 南方电网技术, 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, 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.

[10] 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.

[11] 尹立亚. 非侵入式负荷特征提取与识别算法的研究[D]. 北京: 华北电力大学, 2021.

[12] 孙毅, 张璐, 赵洪磊, 等. 基于动态自适应粒子群算法的非侵入式家居负荷分解方法[J]. 电网技术, 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] 林顺富, 詹银枫, 李毅, 等. 基于CNN-BiLSTM与DTW的非侵入式住宅负荷监测方法[J]. 电网技术, 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] 周东国, 张恒, 周洪, 等. 基于状态特征聚类的非侵入式负荷事件检测方法[J]. 电工技术学报, 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] 张致强, 周步祥, 张冰, 等. 计及小波设计和半监督机器学习的非侵入式负载识别[J]. 电力系统及其自动化学报, 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, 杨洪耕. 基于PLA-GDTW支持向量机的非侵入式负荷监测方法[J]. 电网技术, 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] 赵文清, 张诗满, 李刚. 基于聚类和关联分析的居民用户非侵入式负荷分解[J]. 电力自动化设备, 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, 于金莹, 彭林, 等. 基于用户边缘侧事件解析的工业电力负荷非侵入式感知辨识[J]. 电力系统自动化, 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] 牛卢璐, 贾宏杰. 一种适用于非侵入式负荷监测的暂态事件检测算法[J]. 电力系统自动化, 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] 冯人海, 袁万琦, 葛磊蛟. 基于图信号交替优化的居民用户非侵入式负荷监测方法[J]. 中国电机工程学报, 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

国家自然科学基金（51907024）、东南大学“至善青年学者”支持计划和中央高校基本科研业务费专项资金（2242022R40050）资助项目。

2022-04-14

2022-11-13

刘 宇 男，1990年生，副教授，硕士生导师，研究方向为电力系统规划、运行与控制，需求侧态势感知，非侵入式负荷量测与分析等。E-mail：yuliu@seu.edu.cn（通信作者）

刘丛笑 男，1997年生，硕士研究生，研究方向为非侵入式负荷量测与分析，需求响应等。E-mail：220202962@seu.edu.cn

（编辑 赫蕾）