基于三维特征向量的非侵入式电热负荷细分算法

刘西昂，周赣，徐欣，李志

(东南大学电气工程学院,江苏 南京 210096)

0 引言

随着我国城镇居民生活水平的提高，居民用电量飞速增长，2020年上半年新增用电量中居民用电的比例高达28%，对居民用户开展用电行为分析和双向互动的重要性日益凸显。针对居民用户开展需求侧管理技术研究及实践，是缓解电网供需紧张的重要解决途径[1—4]。居民侧双向互动服务的技术前提是居民电力负荷监测分解[5—6]。居民用户电热负荷功率大，耗电量多，且负荷特征相似，难以细化分解，因此典型电热负荷细化分解是居民电力负荷监测分解的重要组成部分，对其进行研究具有重要意义。

目前，居民电力负荷监测分解技术主要分为侵入式负荷监测分解(intrusive load monitoring and disaggregation，ILMD)和非侵入式负荷监测分解(non-intrusive load monitoring and disaggregation,NILMD)两大类[7—10]。NILMD首先由Hart教授在上世纪80年代提出，用1 Hz频率采样电力负荷有功和无功的变化序列，然后采用聚类识别算法对负荷状态进行分解[11—12]。文献[13]提出利用负荷印记电压-电流(V-I)轨迹对负荷进行分类。由于电热类负荷均是通过电阻发热的原理工作，负荷特征相似，通过V-I轨迹很难把不同的典型电热负荷细化分解出来。文献[14]提出了一种基于小波设计和机器学习的NILMD算法。文献[15]提出了一种深度神经网络模型的NILMD算法，但是这种算法仅仅研究了电水壶的分解方法，并没有对其他电热负荷进行研究。文献[16]提出了一种基于事件的图象信号处理NILMD算法，但是电热类负荷特征相似，波形图像也非常相似，因此很难区分不同的电热负荷。……