挖掘目标
本研究旨在利用非侵入式负荷检测与分解技术，对建筑物内用电设备的电力能耗进行监测，实现各个用电设备的电能分项计量。具体目标包括：
- 分析每个用电设备的运行特征，并计算实时用电量。
- 设计自动识别单一设备的数学模型和计算方法。
- 设计在已知设备组下判别各个用电设备的状态、操作及操作时间的方法，并计算实时用电量。
- 设计未知设备组下判别设备组成、各个用电设备的状态、操作及操作时间的方法，并计算实时用电量。
分析方法与过程
问题1：单个设备运行特征与实时用电量计算
- 通过电流数据可视化分析，提取11种用电设备在暂态和稳态下的电流特征。
- 整合周波数据中的电流与电压数据，绘制电流-电压轨迹图，用于设备区分。
- 实时用电量根据公式 \( W = \frac{P \ imes 100}{3600} \) 进行计算，其中 \( P = U \ imes I \)。
问题2：单一设备自动识别
- 提出两种解决思路：
- 基于多分类SVM的判别模型：利用谐波电压数据和实时用电量数据作为判别特征。
- 基于最近邻的判别方法：利用有功无功的值（P,Q）进行设备判别，并结合电流-电压轨迹图进行可视化验证。
- 实验结果显示，基于SVM的判别模型准确率为93.08%。
问题3：已知设备组混合运行状态分析
- 将11种用电设备分为“ON/OFF”、“有限多状态”、“连续变状态”三类。
- 提取稳态下电流保持相对平稳的设备，并统计其稳态电流值。
- 对于稳态下不平稳的设备，采用具体问题具体分析方法，如计算微波炉的占空比、根据波形和电流幅值进行状态判别等。
- 利用线性组合的思想对设备组进行分析，实现对各用电器的状态判别和实时用电量计算。
问题4：未知设备组混合运行状态分析
- 首先通过电流波形特征匹配，判别出设备组中的设备类型。
- 将问题转化为问题3，利用设备分类和线性组合的思想对问题进行求解。
- 实验结果表明，该方法能够准确识别未知设备组中的设备类型，并分析其运行状态和操作时间。
结果分析
- 问题1：成功分析了11种用电设备的运行特征，并计算了实时用电量。
- 问题2：基于SVM和最近邻的判别方法均能有效识别单一设备，其中SVM模型准确率为93.08%。
- 问题3：成功分析了已知设备组中各设备的运行状态和操作时间，并计算了实时用电量。
- 问题4：成功识别了未知设备组中的设备类型，并分析了其运行状态和操作时间。
结论
本研究综合运用机器学习、数学建模等方法，对电力数据分解提出了一套完整的解决方案。通过提取单一设备的特征，实现了对未知单一设备的准确判别；结合电学规律和线性组合思想，实现了对已知和未知设备组内不同设备状态的综合分析。该方法对于电力公司和用户都具有重要的实际意义，有助于提高电网系统的稳定性和可靠性，并帮助用户科学合理用电。
参考文献
[1] 余贻鑫,刘博与栾文鹏,非侵入式居民电力负荷监测与分解技术. 南方电网技术, 2013(04): 第1-5页.
[2] 崔灿,面向智能用电的非侵入式居民负荷监测关键技术研究, 2017,华北电力大学(北京).
[3] 李雨轩,非侵入式负荷分解算法的综合研究, 2016, 北京交通大学.
[4] 王志超,住宅用电负荷的非侵入式监测方法研究, 2015, 重庆大学.
[5] 程祥等,非侵入式负荷监测与分解研究综述. 电网技术, 2016(10): 第3108-3117页.
[6] 余小鹏与周德翼, 一种自适应k-最近邻算法的研究. 计算机应用研究, 2006(02): 第70-72页.
[7] 龙伟,基于智能电表的数据分析, 2017, 深圳大学.
[8] 牛卢璐,基于暂态过程的非侵入式负荷监测, 2010, 天津大学.
[9] 刘博,非侵入式电力负荷监测与分解技术, 2014, 天津大学.
[10] 姜波,基于深度学习的非侵入式住宅用电负荷分解方法, 2017, 合肥工业大学.
