邓晓平, 张桂青, 魏庆来, 彭伟, 李成栋. 非侵入式负荷监测综述. 自动化学报, 2022, 48(3): 644−663. doi: 10.16383/j.aas.c200270 

Deng Xiao-Ping, Zhang Gui-Qing, Wei Qing-Lai, Peng Wei, Li Cheng-Dong. A survey on the non-intrusive load monitoring. Acta Automatica Sinica, 2022, 48(3): 644−663. doi: 10.16383/j.aas.c200270

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200270?viewType=HTML

非侵入式负荷监测, 负荷分解, 特征提取, 隐马尔科夫模型, 深度学习

非侵入式负荷监测通过对总负荷电表数据进行分析处理, 能够实现对各个用电设备及其工作状态的辨识, 可广泛应用于建筑节能、智慧城市、智能电网等领域. 近年来, 随着智能电表的大规模部署以及各类机器学习算法的广泛应用, 非侵入式负荷监测引起了学术界与工业界的共同关注. 本文对非侵入式负荷监测方面的研究进行综述. 首先提炼非侵入式负荷监测的问题模型及基本框架; 然后分别对非侵入式负荷监测的数据采集与预处理过程、负荷分解模型与方法、常用数据集及评估指标进行归纳总结; 最后, 对目前研究中存在的挑战进行分析, 并对未来的研究方向进行展望.

非侵入式负荷监测(Non-intrusive load monitoring, NILM)也称为负荷分解(Load disaggregation), 其通过对某一特定区域的总电表数据进行分析, 可获取该范围内各用电负荷的相关信息, 如负荷的数量、各负荷的类别、所处工作状态以及对应的能耗使用情况等. 相对于传统监测方式, 非侵入式负荷监测不需要为用户的每个用电设备安装测量装置便能获得各个用电设备的运行情况, 一方面节省了传感设备的购置费用; 另一方面免去了对现有用电设备线路逐一改造及维护的麻烦, 是一种便捷、成本低、通用性强的监测方式. 同时, 它在一定程度上也实现了对用户隐私的保护. 非侵入式负荷监测得到的信息对于各用电参与方都有很大的实用价值. 对于普通用户, 如果通过负荷监测获取的设备详情可以及时得到反馈, 将有助于引导用户合理用电, 从而实现节能降耗, 节省电费开支. 对于电力公司, 非侵入式负荷监测在不明显提高投入的前提下, 可实现负荷各组成成分的细粒度感知, 提升电力系统负荷预测准确度, 提高电网的安全性及经济性, 还有助于更精准地对用户行为进行建模, 实现对用户的差异化、精准化服务. 对于用电设备制造商, 非侵入式负荷监测所提供的设备状态及对应的能耗信息, 能够为设备故障诊断提供依据或进一步实现对设备的预测性维护. 非侵入式负荷监测属于计算机、通信、电子与电气工程等学科的交叉应用, 可广泛应用于建筑节能、智慧城市、智能电网等领域.

近年来, 智能电表已经在世界各地得到广泛部署. 据统计数据显示, 截止到2016年底, 英国、美国和中国已经部署的智能电表数量已经分别达到290万、7200万和9600万台. 大规模部署的电表及其对应的通信网络与数据管理系统共同构成了面向用电的高级量测体系(Advanced metering infrastructure, AMI), 为海量细粒度电力消耗数据的采集、存储与管理提供了基础. 同时, 随着大数据分析、机器学习等技术的成熟应用, 电表数据中所蕴含的信息价值将能得到更为充分发挖掘, 而不仅限于传统的电费计量. 所以, 非侵入式负荷监测得到了工业界和学术界的广泛关注, 目前已经成为人工智能技术在建筑、电力等相关行业应用的研究热点.

为了对非侵入式负荷监测目前已有的研究情况进行全面而系统的总结, 我们使用WoS (Web of science)文献数据库查询了近10年来以非侵入式负荷监测为研究主题的相关文献, 其检索式为: TS = (“NILM” OR “NIALM” OR “Load Disaggregation” OR “Energy Disaggregation” OR “Non-Intrusive Load Monitoring” OR “Non-Intrusive Appliance Load Monitoring” OR “Nonintrusive Load Monitoring” OR “Nonintrusive Appliance Load Monitoring”) AND SU = (“Engineering” OR “Construction & Building Technology” OR “Electric *” OR “ Computer *” OR “Energy *”) NOT SU = (“Chemistry *” OR “Materials *” OR “Health*” OR “Medicine*” OR “Optics*” OR “Physics*”). 检索命中文献728篇, 其中期刊论文266篇, 每年录入的期刊论文数量分布如图1所示.

图 1  WoS数据库中相关期刊论文数量分布(2010 ~ 2019)

从 图1中可以看出近10年来该领域的研究基本呈现不断增长态势, 尤其是从2015年开始, 新的研究成果大量发布. 其主要原因, 一方面是以AlexNet在2012年的ImageNet比赛中夺冠为标志, 激发了广大研究者使用机器学习相关算法尤其是深度学习方法进行数据处理的兴趣; 另一方面是自2011年该领域的第一个公开数据集 —— 参考用能分解数据集(Reference energy disaggregation dataset, REDD)发布后, 多个用于非侵入式负荷监测的公开数据集陆续发布, 为该领域的研究提供了数据基础.

不同行业领域的负荷组成及特性存在较大差异, 非侵入式负荷监测的应用场景划分可划分为工业、商用、住宅等几类. 其中住宅场景的应用模式相对固定、非侵入式监测需求相对明确, 目前已有的研究多集中于这一场景. 图2是一个用于办公室环境的非侵入式负荷监测系统, 图3给出了此系统对应的负荷分解示意图.

图 2  典型的非侵入式负荷监测系统框图

图 3  非侵入式负荷监测结果示意图

非侵入式负荷监测的挑战在于基于现有电表数据设计可广泛适用于不同场景的实时负荷分解算法. 尽管许多研究者在提升准确度、降低计算量、增强算法鲁棒性等方面做了大量的工作, 但由于用电负荷种类多样、各行业负荷组成各不相同、参数采集类型及时间精度各有差异、监测设备计算能力有限等因素, 非侵入式负荷监测在国内尚未得到成熟应用, 还存在不少挑战需要进一步研究克服.

本文对目前已有的非侵入式负荷监测方法及技术进行综述. 第1节提炼非侵入式负荷监测的问题模型并给出总体处理框架. 第2节介绍用于非侵入式负荷监测的数据采集与预处理过程, 分别对数据采集、事件检测及特征提取的方法进行梳理. 第3节总结现有的各类负荷分解模型及算法, 重点分析近五年来基于深度学习方法的研究进展. 第4节给出非侵入式负荷监测算法常用的评估指标. 第5节对有代表性的几个非侵入式负荷监测公开数据集进行汇总. 第6节对目前研究存在的问题进行分析总结, 并对未来的研究方向进行展望.