挖掘背景与目标
随着智能电网的发展，对用电设备进行分项计量和能耗监测变得尤为重要。非侵入式负荷检测与分解（NILMD）技术因其简单、经济、可靠等优势，成为电力分项计量的主要研究方向。NILMD技术通过分析电力负荷入口处的电流、电压等信息，实现负荷分解，但如何从复杂的测量数据中提取设备运行状态和耗能情况是技术关键。因此，利用数据挖掘技术研究NILMD具有重要意义。
本研究旨在实现NILMD，主要目标包括：
- 根据单一态数据分析各用电设备的运行特征，构建包含稳态和暂态特征的设备状态特征矢量库。
- 设计特征矢量匹配模型，实现单一态或叠加态时各用电设备的识别及相应耗电情况的估计。
问题分析
NILMD技术的核心是负荷特征提取与识别。本研究针对四个问题进行分析：
- 问题1：根据单一态数据分析各用电设备的运行特征，包括稳态和暂态特征，挖掘能够代表数据独特特征的统计量构成设备状态的特征矢量，并以此构建特征库。
- 问题2：根据未知设备的单一态时间序列数据，自动识别设备并估计实时用电量。
- 问题3：设备组成已知，根据设备组叠加态数据，自动识别各设备的状态、操作及操作时间，并估计实时用电量。
- 问题4：设备组成未知情况下，根据设备组叠加态数据，自动识别各设备的状态、操作及操作时间，并估计实时用电量。
分析方法与过程
本研究采用数据挖掘与数学建模技术实现NILMD，主要方法包括：
- 数据可视化：对电流、电压、功率、周波、谐波等数据进行可视化，分析设备的运行特征。
- 特征提取：提取能够代表设备数据独特特征的统计量，构建稳态特征库和暂态特征库。
- 最小生成树（MST）：利用MST原理识别时间序列上的稳态时间段，提取稳态和暂态特征矢量。
- 欧氏距离：利用多维空间欧氏距离衡量测试数据与样本库中各设备的匹配度，实现设备识别。
- 高斯混合模型（GMM）：假设同一状态的数据服从高斯分布，计算测试数据属于各已知设备状态的概率，实现叠加态数据的设备状态识别。
- 实时用电量估计：根据设备状态和操作情况，估计各设备的实时用电量。
研究结论
本研究成功实现了NILMD，构建了包含稳态和暂态特征的设备状态特征矢量库，并设计了特征矢量匹配模型，实现了单一态或叠加态时各用电设备的识别及相应耗电情况的估计。研究结果表明，该方法能够有效识别设备状态，并准确估计实时用电量，为电力分项计量和能耗监测提供了新的技术手段。
关键数据：
- 提取了电流波形的均值、均方差、最大值、范围值等统计量作为稳态特征。
- 提取了有功功率、无功功率、功率因数的均值和标准差作为功率特征。
- 提取了周波的几何倾角、U-I跨度、电流跨度、U-I曲线斜率等作为周波特征。
- 提取了谐波PCA前3个主成分作为谐波特征。
- 提取了暂态所需时间、有功功率和无功功率的跳变量、暂态过程中功率的最大值与暂态过程后稳定功率值的差值等作为暂态特征。
研究结论：
- 通过MST原理能够有效识别时间序列上的稳态时间段。
- 利用欧氏距离能够有效识别未知设备。
- 利用GMM能够有效识别叠加态数据的设备状态。
- 本研究方法能够有效实现NILMD，为电力分项计量和能耗监测提供了新的技术手段。
