CN103839197A - 一种基于eemd方法的用户用电行为异常的判定方法 - Google Patents

Abstract

本发明涉及一种基于EEMD方法的用户用电行为异常的判定方法，包括以下步骤：S1：采用自组织映射神经网络的方法对用户用电负荷进行聚类；S2：在所述步骤S1的聚类结果中任选一类并选择其中的任一用户，得到在任意两个相同的时间段上的负荷数据；S3：采用经验模态分解方法将所述步骤S2中的数据分解为IMF分量和剩余趋势项；S4：分别对两个时间段上的负荷剩余项进行线性相关性分析，得到；S5：分析。本发明能够使供电企业能够尽快检测到用户用电中的异常，并采取相应的措施，为用户提供更好地服务。

Description

一种基于EEMD方法的用户用电行为异常的判定方法

技术领域

本发明涉及用户用电行为异常的判定方法，特别是一种基于EEMD方法的用户用电行为异常的判定方法。

背景技术

近年来，随着智能电网的发展，国家电网公司开始大力建设智能电网双向互动服务体系。该体系实现了供电企业同客户间信息和电能的双向互动，鼓励用户改变传统的用电方式，积极参与电网运行，根据实时电价调整用电模式，满足用户对用电多样、多元的需求，有效提高电网的利用效率，提高客户服务水平。

然而，目前的智能电网双向互动服务体系还不健全，供电企业对用户用电行为的了解仅仅是通过电表提供的数据，然而电表显示的电流、电压以及电能量都会在一定程度上收到外界波动因素的干扰，以致供电企业很难获得用户用电的真实情况，难以对用户用电进行有效地监督与指导。而且，供电企业对用户用电行为缺乏足够的了解，不能及时发现用户用电中的异常情况，也给用户带来了一定的困扰。为了解决上述问题，本发明提出了一种基于集合经验模态分解的用户用电行为异常判定方法，以便供电企业能够尽快检测到用户用电中的异常，并采取相应的措施，为用户提供更好地服务。

发明内容

有鉴于此，本发明的目的是提供一种基于EEMD方法的用户用电行为异常的判定方法。

本发明采用以下方案实现：一种基于EEMD方法的用户用电行为异常的判定方法，其特征在于，包括以下步骤：

S1：采用自组织映射神经网络的方法对用户用电负荷进行聚类；

S2：在所述步骤S1的聚类结果中任选一类并选择其中的任一用户，得到在任意两个相同的时间段上的负荷数据；

S3：采用经验模态分解方法将所述步骤S2中的数据分解为IMF分量和剩余趋势项，为了保证分解的准确性，采用集合经验模态分解方法，在原来的负荷曲线信号上加入高斯白噪声，对EMD解析出的IMF分量及剩余趋势项进行重构，最终得到两个时间段上剔除波动因素后的负荷剩余项；

S4：分别对两个时间段上的负荷剩余项进行线性相关性分析，得到ρ₁,ρ₂，其中ρ₁是第一个时间段上该类与所选用户的负荷相关系数，ρ₂第二个时间段上该类与所选用户的负荷相关系数；所述相关系数的计算采用如下公式：

${\mathrm{\ρ}}_{\mathrm{XY}}=\frac{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i{Y}_i-\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{X}_i\right)}^2}\·\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Y_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{Y}_i\right)}^2}};$

S5：分析ρ₁,ρ₂，分为三种情况：①若ρ₁与ρ₂都小于0.8，则聚类过程中出现错误，采用所述步骤S1对该用户重新聚类；②若ρ₁与ρ₂都大于等于0.8，则该用户用电情况正常；③若ρ₁与ρ₂中只有一个大于等于0.8，则该用户在ρ<0.8时段用电异常。

在本发明一实施例中，所述经验模态分解方法，包括如下步骤：

S11：找到原信号x(t)的所有极大值和极小值，分别通过三次样条函数拟合出上包络线e₊(t)和下包络线e_-(t)，上下包络线的均值作为原信号的均值包络m₁(t)，则

S12：将原信号序列减去m₁(t)，得到1个去掉低频的新信号

S13：重复上述过程，假设经过k次，

满足IMF的定义，则原信号x(t)的1阶IMF分量为：

在具体操作过程中，通常利用限制标准差S_D的值来判断筛选结果是否为IMF分量，当S_D≤0.3时，筛选结果是IMF分量；其中：

$S_D=\underset{k=1}{\overset{T}{\mathrm{\&Sigma;}}}\frac{{|h_1^{k-1}\left(t\right)-h_1^k\left(t\right)|}^2}{{\left[h_1^{k-1}\left(t\right)\right]}^2};$

S14：用原信号x(t)减去c₁(t)，得到一个去掉高频成分的新信号r₁(t)，则r₁(t)=x(t)-c₁(t)；

S15：将r₁(t)作为下1个原始信号，重复上述过程，得到第n阶IMF分量c_n(t)或余量r_n(t)小于预设值；当残余分量r_n(t)为单调函数或者常量时，EMD分解过程停止；

S16：x(t)经过EMD分解后得到式中r_n(t)为非振荡剩余趋势项，代表信号的总体趋势。

在本发明一实施例中，所述集合经验模态分解（EEMD）方法，包括如下步骤：

S21：在原始信号x(t)中多次加入幅值具有均值为0且标准差为常数的白噪声n_i(t)，得到：

x_i(t)=x(t)+n_i(t)；

式中：x_i(t)为第i次加入高斯白噪声的信号；加入高斯白噪声的大小会直接影响信号EEMD避免模态混叠的分解效果；

S22：对x_i(t)分别进行EMD分解，得到的IMF分量c_ij(t)与1个余项r_i(t)；其中c_ij(t)为第i次加入高斯白噪声后，分解所得到的第j个IMF；

S23：重复步骤S21和步骤S22N次，利用不相关的随机序列的统计均值为0的原理，将上述对应的IMF进行总体平均运算，消除多次加入高斯白噪声对真实IMF的影响，最终得到EEMD分解后的IMF为：

$c_j\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{c}_{\mathrm{ij}};$

式中：c_j(t)是对原始信号进行EEMD分解得到的第j个IMF分量；当N越大，对应的白噪声的IMF的和将趋向于零；此时EEMD分解的结果为：

$x\left(t\right)=\underset{j}{\mathrm{\&Sigma;}}{c}_j\left(t\right)+r\left(t\right);$

式中：r(t)为最终的残余分量，代表信号的平均趋势。

本发明提出了一种基于集合经验模态分解（EEMD）的用户用电行为异常判定方法，通过EEMD方法将用电负荷信号分别分解成若干个平稳的本征模函数（IMF）和剩余趋势项，不同的IMF分量代表不同周期的用电扰动因素，而剩余趋势项代表剔除波动因素后的用电总趋势；在已有的关于电力负荷聚类的基础上，通过对某类负荷特性曲线和某用户用电负荷曲线的剩余趋势项的相关性研究，判断该用户用电是否具有异常情况。本发明能够使供电企业能够尽快检测到用户用电中的异常，并采取相应的措施，为用户提供更好地服务。

为使本发明的目的、技术方案及优点更加清楚明白，以下将通过具体实施例和相关附图，对本发明作进一步详细说明。

附图说明

图1是本发明中用户用电行为异常判定方法的流程图。

图2是本发明中EMD算法的流程图。

图3是本发明中EEMD算法的流程图。

具体实施方式

如图1所示，本发明提供一种基于EEMD方法的用户用电行为异常的判定方法，包括以下步骤：

S1：采用自组织映射（SOM）神经网络的方法对用户用电负荷进行聚类；

S2：在所述步骤S1的聚类结果中任选一类并选择其中的任一用户，得到它们在任意两个相同的时间段上的负荷数据；

S3：采用经验模态分解（EMD）方法将所述步骤S2中的数据分解为IMF分量和剩余趋势项，为了保证分解的准确性，采用集合经验模态分解（EEMD）方法，在原来的负荷曲线信号上加入高斯白噪声，对EMD解析出的IMF分量及剩余趋势项进行重构，最终得到两个时间段上剔除波动因素后的负荷剩余项；

S4：分别对两个时间段上的负荷剩余项进行线性相关性分析，得到ρ₁,ρ₂，其中ρ₁是第一个时间段上该类与所选用户的负荷相关系数，ρ₂第二个时间段上该类与所选用户的负荷相关系数；所述相关系数的计算采用如下公式：

${\mathrm{\&rho;}}_{\mathrm{XY}}=\frac{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_i{Y}_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_i\right)}^2}\&CenterDot;\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Y_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Y}_i\right)}^2}},$ Xi表示第一个时间段的负荷曲线数据，Yi表示第二个时间段的负荷曲线数据，n表示负荷曲线数据的点数；

S5：分析ρ₁,ρ₂，分为三种情况：①若ρ₁与ρ₂都小于0.8，则聚类过程中出现错误，采用所述步骤S1对该用户重新聚类；②若ρ₁与ρ₂都大于等于0.8，则该用户用电情况正常；③若ρ₁与ρ₂中只有一个大于等于0.8，则该用户在ρ<0.8时段用电异常。

如图2所示，所述经验模态分解（EMD）方法，包括如下步骤：

S11：找到原信号x(t)的所有极大值和极小值，分别通过三次样条函数拟合出上包络线e₊(t)和下包络线e_-(t)，上下包络线的均值作为原信号的均值包络m₁(t)，则

S12：将原信号序列减去m₁(t)，得到1个去掉低频的新信号

S13：重复上述过程，假设经过k次，

满足IMF（固有模态分量）的定义，则原信号x(t)的1阶IMF分量为：

在具体操作过程中，通常利用限制标准差S_D的值来判断筛选结果是否为IMF分量，当S_D≤0.3时，筛选结果是IMF分量；其中：

$S_D=\underset{k=1}{\overset{T}{\mathrm{\&Sigma;}}}\frac{{|h_1^{k-1}\left(t\right)-h_1^k\left(t\right)|}^2}{{\left[h_1^{k-1}\left(t\right)\right]}^2};$

S14：用原信号x(t)减去c₁(t)，得到一个去掉高频成分的新信号r₁(t)，则r₁(t)=x(t)-c₁(t)；

S15：将r₁(t)作为下1个原始信号，重复上述过程，得到第n阶IMF分量c_n(t)或余量r_n(t)小于预设值；当残余分量r_n(t)为单调函数或者常量时，EMD分解过程停止；

S16：x(t)经过EMD分解后得到

式中r_n(t)为非振荡剩余趋势项，代表信号的总体趋势。

如图3所示，所述集合经验模态分解（EEMD）方法，包括如下步骤：

S21：在原始信号x(t)中多次加入幅值具有均值为0且标准差为常数的白噪声n_i(t)（白噪声标准差取原始信号标准差的0.1～0.4倍），得到：

x_i(t)=x(t)+n_i(t)；

式中：x_i(t)为第i次加入高斯白噪声的信号；加入高斯白噪声的大小会直接影响信号EEMD避免模态混叠的分解效果；

S22：对x_i(t)分别进行EMD分解，得到的IMF分量c_ij(t)与1个余项r_i(t)；其中c_ij(t)为第i次加入高斯白噪声后，分解所得到的第j个IMF；

S23：重复步骤S21和步骤S22N次，利用不相关的随机序列的统计均值为0的原理，将上述对应的IMF进行总体平均运算，消除多次加入高斯白噪声对真实IMF的影响，最终得到EEMD分解后的IMF为：

$c_j\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{c}_{\mathrm{ij}};$

式中：c_j(t)是对原始信号进行EEMD分解得到的第j个IMF分量；当N越大，对应的白噪声的IMF的和将趋向于零；此时EEMD分解的结果为：

$x\left(t\right)=\underset{j}{\mathrm{\&Sigma;}}{c}_j\left(t\right)+r\left(t\right);$

式中：r(t)为最终的残余分量，代表信号的平均趋势。

上列较佳实施例，对本发明的目的、技术方案和优点进行了进一步详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于EEMD方法的用户用电行为异常的判定方法，其特征在于，包括以下步骤：

S1：采用自组织映射神经网络的方法对用户用电负荷进行聚类；

S2：在所述步骤S1的聚类结果中任选一类并选择其中的任一用户，得到在任意两个相同的时间段上的负荷数据；

S3：采用经验模态分解方法将所述步骤S2中的数据分解为IMF分量和剩余趋势项，为了保证分解的准确性，采用集合经验模态分解方法，在原来的负荷曲线信号上加入高斯白噪声，对EMD解析出的IMF分量及剩余趋势项进行重构，最终得到两个时间段上剔除波动因素后的负荷剩余项；

S4：分别对两个时间段上的负荷剩余项进行线性相关性分析，得到ρ₁,ρ₂，其中ρ₁是第一个时间段上该类与所选用户的负荷相关系数，ρ₂第二个时间段上该类与所选用户的负荷相关系数；所述相关系数的计算采用如下公式：

${\mathrm{\&rho;}}_{\mathrm{XY}}=\frac{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_i{Y}_i-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_i\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Y}_i}{\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_i\right)}^2}\&CenterDot;\sqrt{n\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Y_i}^2-{\left(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{Y}_i\right)}^2}};$

S5：分析ρ₁,ρ₂，分为三种情况：①若ρ₁与ρ₂都小于0.8，则聚类过程中出现错误，采用所述步骤S1对该用户重新聚类；②若ρ₁与ρ₂都大于等于0.8，则该用户用电情况正常；③若ρ₁与ρ₂中只有一个大于等于0.8，则该用户在ρ<0.8时段用电异常。

2.根据权利要求1所述的一种基于EEMD方法的用户用电行为异常的判定方法，其特征在于，所述经验模态分解方法，包括如下步骤：

S11：找到原信号x(t)的所有极大值和极小值，分别通过三次样条函数拟合出上包络线e₊(t)和下包络线e_-(t)，上下包络线的均值作为原信号的均值包络m₁(t)，则

S12：将原信号序列减去m₁(t)，得到1个去掉低频的新信号

S13：重复上述过程，假设经过k次，

满足IMF的定义，则原信号x(t)的1阶IMF分量为：

在具体操作过程中，通常利用限制标准差S_D的值来判断筛选结果是否为IMF分量，当S_D≤0.3时，筛选结果是IMF分量；其中：

$S_D=\underset{k=1}{\overset{T}{\mathrm{\&Sigma;}}}\frac{{|h_1^{k-1}\left(t\right)-h_1^k\left(t\right)|}^2}{{\left[h_1^{k-1}\left(t\right)\right]}^2};$

S14：用原信号x(t)减去c₁(t)，得到一个去掉高频成分的新信号r₁(t)，则r₁(t)=x(t)-c₁(t)；

S15：将r₁(t)作为下1个原始信号，重复上述过程，得到第n阶IMF分量c_n(t)或余量r_n(t)小于预设值；当残余分量r_n(t)为单调函数或者常量时，EMD分解过程停止；

S16：x(t)经过EMD分解后得到式中r_n(t)为非振荡剩余趋势项，代表信号的总体趋势。

3.根据权利要求1所述的一种基于EEMD方法的用户用电行为异常的判定方法，其特征在于：所述集合经验模态分解方法，包括如下步骤：

S21：在原始信号x(t)中多次加入幅值具有均值为0且标准差为常数的白噪声n_i(t)，得到：

x_i(t)=x(t)+n_i(t)；

式中：x_i(t)为第i次加入高斯白噪声的信号；加入高斯白噪声的大小会直接影响信号EEMD避免模态混叠的分解效果；

S22：对x_i(t)分别进行EMD分解，得到的IMF分量c_ij(t)与1个余项r_i(t)；其中c_ij(t)为第i次加入高斯白噪声后，分解所得到的第j个IMF；

S23：重复步骤S21和步骤S22N次，利用不相关的随机序列的统计均值为0的原理，将上述对应的IMF进行总体平均运算，消除多次加入高斯白噪声对真实IMF的影响，最终得到EEMD分解后的IMF为：

$c_j\left(t\right)=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{c}_{\mathrm{ij}};$

式中：c_j(t)是对原始信号进行EEMD分解得到的第j个IMF分量；当N越大，对应的白噪声的IMF的和将趋向于零；此时EEMD分解的结果为：

$x\left(t\right)=\underset{j}{\mathrm{\&Sigma;}}{c}_j\left(t\right)+r\left(t\right);$

式中：r(t)为最终的残余分量，代表信号的平均趋势。

Images