(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111651705.6 (22)申请日 2021.12.2 9 (71)申请人 国网天津市电力公司 地址 300010 天津市河北区五经路39号 申请人 国家电网有限公司 　 国网天津市电力公司城东供电分公 司 (72)发明人 杨朝雯　赵学明　杨国朝　郝爽　 焦龙　王炎彬　杨征　刘响　 王龙飞　兰岳　赵越　杨光　 白辛雨　 (74)专利代理 机构 天津盛理知识产权代理有限 公司 12209 代理人 王雨晴(51)Int.Cl. G06F 30/20(2020.01) G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) (54)发明名称 一种基于因子隐马尔可夫模型的工业负荷 分解方法 (57)摘要 本发明涉及一种基于因子隐马尔可夫模型 的工业负荷分解方法， 包括以下步骤： 步骤1、 基 于FHMM建立工业负荷模型； 步骤2、 对应用场景的 数据进行分析， 对步骤1基于FHMM建立的工业负 荷模型进行改进； 步骤3、 使用EM算法对负荷总的 有功数据进行训练， 估计步骤2中所建立的改进 后的基于FHMM建立的工业负荷模型的参数； 步骤 4、 基于步骤3 所得的基于 FHMM的工业负荷参数模 型， 利用Viterbi算法求解负荷状态估计问题， 得 到负荷的工作运行状态序列； 步骤5、 得到步骤4 的负荷的工作运行状态序列之后， 对每个负荷的 输出有功序列进行估计。 本发明能够解决工业负 荷状态识别和电量精确估计的问题。 权利要求书2页 说明书6页 附图2页 CN 114372357 A 2022.04.19 CN 114372357 A 1.一种基于因子隐马尔可 夫模型的工业负荷分解方法， 其特 征在于： 包括以下步骤： 步骤1、 基于FH MM建立工业负荷模型； 步骤2、 对应用场景的数据进行分析， 对步骤1基于FH MM建立的工业负荷模型进行改进； 步骤3、 使用EM算法对负荷总的有功数据进行训练， 估计步骤2中所建立的改进后的基 于FHMM建立的工业负荷模型的参数； 步骤4、 基于步骤3所得的基于FHMM的工业负荷参数模型， 利用Viterbi算法求解负荷状 态估计问题， 得到负荷的工作运行状态序列； 步骤5、 得到步骤4的负荷的工作运行状态序列之后， 对每个负荷的输出有功序列进行 估计。 2.根据权利要求1所述的一种基于因子隐马尔可夫模型的工业负荷分解方法， 其特征 在于： 所述 步骤1的具体步骤 包括 (1)根据用电负荷的运行的状态数， 将用电负荷分为四类： 常开型负荷、 ON/OFF型负荷、 FSM型负荷和CVD型负荷。 (2)分别针对四类用电负荷， 基于FH MM建立工业负荷模型； ①常开型负荷： 仅有一个 状态； ②ON/OFF型负荷和FSM型负荷： 用HMM建立的负荷模型来表示， 用有限状态集合S＝[s1,s2,...,sK]描述负荷的工作状 态， sk为负荷的第k个状态值， K为负荷的工作状态个数； 用离散时间序列Q＝[q1,q2,...,qT] 表示负荷的运行过程， 其中qt∈S， 表示负荷在t时刻所处的状态， T为运行时间长度； 负荷状 态输出的有功 功率值可以用O＝[o1,o2,...,oT]表示， 其中ot表示t时刻的负荷的功率 值； 因此ON/OFF型设备和 FSM型设备单个负荷模型可以表示为λ＝{A,B, π}， 其中： π为负荷 初始状态概率； A为负荷状态 转移概率矩阵； B为负荷输出概率P(o|q＝i)的矩阵， P(o|q＝i) 的计算方式如式(1)： 其中， p为功率 值o的维度； μq为均值向量； C为观测向量的协方差矩阵； ③CVD型负荷： 每个负荷都可以基于FHMM建立负荷模型， 对于负荷i∈N， 工作状态序列 可以用一个马尔科夫链 表示， 用 表示负荷i输出的有功 功率序列； 此模型中单一负荷的有功值是不可观测的， 能观测到的为电力入口处的总负荷 的有功数据O＝[o1,o2,...,oT]， 基于FHMM的N个电力设备的负荷模型参数同样可以定义为λ ＝{A,B, π}， 其中： π为初始概率分布， 即 A为状态转移概率矩阵； B为输出概 率矩阵。 3.根据权利要求1所述的一种基于因子隐马尔可夫模型的工业负荷分解方法， 其特征 在于： 所述 步骤2的具体步骤 包括： (1)对于从应用场景中采集到的数据， 采用数据中值滤波器， 在不损失微观特征的情况 下剔除功率数据中的异常值； 其中， 数据 中值滤波器 的计算方法如下： 一组有功功率序列x1,x2,...,xn， 按数值的大 小顺序将n个值 排序为xi1≤xi2≤xi3≤…≤xin， 则中值y为：权　利　要　求　书 1/2 页 2 CN 114372357 A 2(2)对滤波后的应用场景的数据进行分析， 以对步骤1的基于FHMM建立工业负荷模型进 行改进： 将部分线路建模为多个H MM模型的组合模型； 4.根据权利要求1所述的一种基于因子隐马尔可夫模型的工业负荷分解方法， 其特征 在于： 所述 步骤3的具体方法为： 已知观测序列O＝[o1,o2,...,oT]， 求HMM参数λ＝{A,B, π}的最优估计， 使得P(O|λ )最 大。 进行参数最优 估计时采用E M算法， 不断地调整参数， 使结果达 到最优的效果。 5.根据权利要求1所述的一种基于因子隐马尔可夫模型的工业负荷分解方法， 其特征 在于： 所述 步骤4的具体方法为： 在估计过程中， 可以将目标函数表示 为： 利用FHMM由多条独立的H MM组成的特点， 可以将目标进一 步改为： 用对数形式将上式的优化目标函数简化 为： 迭代后的结果 为： 而且， 所述 步骤5的具体方法为： 已知模型参数 λ、 负荷总的有功数据O＝[o1,o2,...,oT]以及每个负荷的运行状态 需要求解出每个负荷的有功功率 采用优化问题求 解， 以对每 个负荷的输出有功序列进行估计。权　利　要　求　书 2/2 页 3 CN 114372357 A 3