CN107480432B - 一种基于云平台的负荷分解方法 - Google Patents

Abstract

本发明公开了一种基于云平台的负荷分解方法，传统的利用功率的负荷分解方法分解出的状态准确率差，本发明为解决这一问题，将深度学习技术引入了负荷分解中，解决了传统时域负荷分解准确率低的问题。本发明使用总线中的瞬时功率特征作为负荷分解的输入，避免了对瞬时电流向量的高频采样和傅里叶分解过程，结合马尔可夫概率、用户习惯自学习过程，克服了由于采样频率低、数据丢失而导致的分解结果准确率低的问题，降低了实际环境下采样数据丢失对准确率的影响。

Description

一种基于云平台的负荷分解方法

技术领域

本发明涉及电子信息技术领域，尤其涉及一种基于云平台的负荷分解方法。

技术背景

负荷分解分为侵入式和非侵入式两种，前者需要为用户希望被监测的电器安装电表等传感设备，实现用电数据的实时传输；后者仅需要在家用供电总线入口处安装智能电表，不必具体监测每种用电器的工况。由于为每个用户所有用电设备安装智能电表成本高、数量大、维护困难并对用户生活造成不便，所以居民用电系统中往往使用非侵入式负荷分解的方法来确定用户用电器开关状态并基于此分析用户生活习惯，为用户提供个性化用电节能建议。

现有理论研究中提到的基于粒子群、神经网络、遗传算法的非入侵式负荷分解算法，需要对采样得到的瞬时电流电压特性进行谐波分解，依据谐波特性采用优化算法实现用电器分类。但是这些方法要求电表的采样频率至少为100Hz，数据存储量巨大，不适宜大规模用户群体，并且计算复杂，对处理器的要求较高，存在着较大的局限性；而使用谐波分解的方法往往只能用于理想的实验室状态，而不能实际用于大规模社区居民用电系统。

综上所述，现有的负荷分解方法存在着成本高、准确率低、对采样精度和环境需求苛刻等问题。所以研究高准确率低成本且能适用于复杂环境的非入侵式负荷分解算法具有重要意义。

发明内容

本发明针对现有技术的不足，提出一种基于隐马尔科夫模型的深度学习负荷分解方法，该方法能在复杂用电环境下,低成本、高准确率的分解出多种用电器开关状态。

本发明仅需使用总线中的瞬时功率特征作为负荷分解的输入，避免了对瞬时电流向量的高频采样和傅里叶分解过程，结合马尔可夫概率、用户习惯自学习过程，克服了由于采样频率低、数据丢失而导致的分解结果准确率低的问题，降低了实际环境下采样数据丢失对准确率的影响。

由于传统的利用功率的负荷分解方法分解出的状态准确率差，本发明为解决这一问题，将深度学习技术引入了负荷分解中，解决了传统时域负荷分解准确率低的问题。

此外，传统负荷分解算法和数据统计往往需要在同一服务器上，对于数据分析、数据迁移等数据处理过程往往有速度慢、资源利用率低、透明度低等问题。为解决这一问题，本专利设计一个用于解决负荷分解中数据处理遇到问题的高效的IaaS(基础设施即服务)云平台。

本发明一种基于云平台的负荷分解方法；具体包括以下内容：

步骤1：建立负荷分解云平台；

该平台包括数据采集层、数据处理层和应用层，具体步骤如下所示：

1)数据采集层利用智能电表采集用户总线用电数据，这些数据通过用户网络和移动运营商的路由器传输到默认的云服务器：

1-1-a)获取用户在网络中的位置和网络连接状态；

1-1-b)初始化智能电表中路由表并根据连接状态设定电表默认的云服务器；

1-1-c)根据用户网络变化动态的更新默认的云服务器地址；

1-1-d)采集数据传输给默认云服务器；

1-1-e)状态异常时，重新执行步骤1-1-a)-1-1-d)；

2)数据处理层负责数据关联和负荷分解；具体包括以下步骤：

1-2-a)为负荷分解建立数据库业务：建立表的结构以及表与表的关联；

1-2-b)设计主控服务器与资源池间连接和工作模式；

1-2-c)利用对称加密技术对传输的数据进行加密传输，利用非对称加密技术对密钥进行加密；

3)设计面向两类用户的应用层软件；

1-3-(a)根据负荷分解结果为个体居民用户提供用可视化的电器用电信息；

1-3-(b)为物业公司建立云平台监控平台，根据工作日志为其提供负荷分解和电表工作状态，为负荷分解工作过程和电表维护提供监控软件，简化电表维护并为负荷分解深度学习方法提供人为的监督；

步骤2：建立隐马尔可夫基本方法和模型

1)功率与用电器类型的分类

2-1-a)根据用户总线功率变化过程分解出每种功率出现概率；

2-1-b)利用2-1-a)中概率使用多层神经网络方法分出功率类型和每种功率类型的功率函数，并利用这些功率函数和2-1-a)中概率计算出不同功率对应于不同功率函数的概率；

2)情景模式设定与其中状态变换过程

2-2-a)根据总线功率变化曲线和时间特征，在聚类方法基础上利用多层神经网络将情景模式分类；

2-2-b)利用功率的分类建立每个情景模式每一时刻的不同状态出现的概率模型；

2-2-c)对不同功率类型进一步分类：分为与用户行为无关具备周期性的功率以及与用户行为相关的功率；

3)建立概率特征

2-3-a)初始概率：根据用户调研设定一个初始概率；

2-3-b)转移概率：根据每一时刻的不同状态出现的概率模型，建立该概率模型，该模型记录了用户的用电习惯；

2-3-c)输出概率：利用每一时刻的不同状态出现的概率模型建立该概率模型，该概率模型记录了功率与状态间关系；

步骤3：在隐马尔可夫模型的基础上，结合有限马尔可夫与多层神经网络的方法提高负荷分解准确率，并通过有监督与无监督结合的深度学习方法建立功率类型和用电器类型的关联，之后再次结合用户情景模式进一步提高负荷分解准确率；

1)利用深度学习的方法建立更为准确的概率特征：

3-1-a)根据步骤2中建立的概率特征，结合用户类型和该类型用户已有的统计数据，使用有限马尔可夫的深度学习方式，结合神经网络训练出的功率函数，训练近似的隐马尔可夫中的概率特征；

3-1-b)在3-1-a)中概率特征基础上，根据用户总线的输出再次训练这些概率特征；

3-1-c)根据用户用电以及其它环境因素进一步训练概率特征；

2)利用深度学习方法建立功率类型与用电器类型的关联：

3-2-a)根据调研和已有统计数据初始化功率类型与用电器类型的关联；

3-2-b)根据总线功率变化过程在初始化功率类型与用电器类型的关联基础上训练功率类型与电器类型的关联概率；

3)结合用户情景模式使用深度学习的方法进一步提高负荷分解准确率：

3-3-a)根据不同情景模式用户习惯和功率统计数据、功率与电器关联的概率模型、步骤2中与用户行为无关具备周期性的功率类型以及步骤2中功率的概率特征，利用卷积神经网络的方法训练隐马尔可夫中的用电器概率特征；

3-3-b)根据用户总线的输出的增多，随着时间动态的训练电器概率特征；

4)根据同一类型情景模式间的功率与时间关系建立用户用电规律：

3-4-a)对同一类型的情景模式进行对比，使用深度神经网络和深度堆叠网络训练更为精准的与用户行为无关具备周期性的电器以及与用户行为相关的电器的功率模型；

3-4-b)根据3-4-a)中模型和步骤3的3)中模型建立每个情景模式中无周期性电器的功率模型；

3-4-c)根据3-4-b)中结果建立同一类型情景模式间的功率与时间关系建立用户用电规律；

5)根据马尔可夫概率和用户用电规律做负荷分解。

本发明的有益效果是：设计一个用于解决非入侵式负荷分解算法中数据处理遇到的问题的高效的IaaS云平台；负荷分解过程仅需要使用总线时域的功率特征作为负荷分解的输入，摆脱了对高采样频率的电表的依赖；最后将深度学习技术引入了负荷分解中，解决了传统时域负荷分解准确率低的问题。

附图说明

图1为负荷分解云系统；

图2为数据采集模块路由调度算法；

图3为马尔可夫算法过程；

图4为深度学习过程。

具体实施方式

下面根据附图详细说明本发明，本发明的目的和效果将变得更加明显。

图1是提出的非入侵式负荷分解云系统。如图1所示，该平台分为用户端和云端两部分。其中用户端主要是用于数据采集和用户应用模块，而云服务器端主要用于数据存储和负荷分解。

如图1所示，当通过电表采集数据后，工作负荷资源管理程序决定用户数据传送模式。对于这些数据，资源调度程序结合数据库管理程序为它们分配合适的数据库空间；

资源调度程序负责主控服务器与资源池间连接和工作模式，这一部分为云系统的核心之一，所有服务器资源(CPU、内存、数据库等)都受该程序控制，该程序保证了云系统的透明性和可扩展性，同时云平台内部的监控软件在该层实现。

如图1所示，负荷分解管理系统发送启动指令启动负荷分解程序，该启动指令有两种被激活的可能方式：定时激活与用户激活两种方式。所以整体系统可以主要分为两个过程。

第一个过程为与用户无关过程：负荷管理程序首先发送资源请求程序，经过资源调度程序分析，如果要求资源正确，则返回可以下一步；如果不正确，则返回错误日志并显示在监控软件中并结束该过程(之后的错误处理与该过程类似，以后错误处理省略)；然后，启动负荷分解程序；其次，负荷管理程序发送请求数据指令，而资源调度程序决定数据能否传输给负荷分解程序；最后将负荷分解结果通过负荷管理程序、资源调度程序与数据库管理程序存储入数据库。

第二个过程为与用户相关过程：用户应用模块通过工作负荷资源管理程序、资源调度程序将启动指令发送给负荷管理程序，该程序发送指令读取采样数据；之后执行第一个过程；最后将负荷管理程序中分解结果通过资源调度程序、工作负荷资源管理程序返回给用户。

除此之外，用户应用模块还有其它功能：用户应用模块通过工作负荷资源管理程序、资源调度程序以及数据库管理系统读取数据库数据并将日志存入数据库中，这些数据在用户端经过处理可视化的显示给用户。

图2为数据采集模块路由调度算法。如图所示，如果用户对云端发出数据请求且云端没有该时间段的数据，则云服务器通知智能电表传输数据给服务器，为了使数据能传输，则需要检测路由表和默认云服务器地址并对这些属性更新。此外，智能电表存在时钟触发，也会引起路由表更新。而每个周期又可以分为多个子周期，在这些子周期中对默认云端进行数据传输，且如果传递给默认云失败，则按优先级对智能电表云端列表中云发送请求，如果可用则传输数据，否则需要检测路由表和默认云服务器地址并对这些属性更新。

图3为马尔可夫算法过程。图中箭头指向表示每个步骤先后顺序以及获取方块中结果需要哪些前置数据和中间结论。该过程主要作用是功率分类和建立马尔可夫三种概率模型。建立马尔可夫三种概率的过程与经典隐马尔可夫建立方法相同。该过程中与传统隐马尔可夫过程不同，传统隐马尔可夫过程仅需要大量的初始样本并将最终的训练概率存储为负荷分解所需参数，而图3中需要将中间过程参数存储，用于深度学习的过程。

图4为深度学习过程。图中展示了根据步骤2中两种输出变量，训练出用电器概率特征的过程。当新的总线数据输入时，首先根据当前的电器概率特征进行负荷分解并对结果进行云端数据库操作。之后将这一总线数据输入添加入训练样本，结合可能存在的用户反馈(有监督)或利用无监督算法估计更新训练样本中对应的需要作为输入样本的参数。该过程使用的深度学习算法主要是神经网络算法和有限马尔可夫算法，经测试在有监督输入下这些算法准确率能达到99.5％，而无监督算法中根据输入参数的不同而使得负荷分解结果准确率各部相同，平均准确率是80.5％-91.2％不等，其中使用适当的结合聚类的神经网络模型、有限马尔可夫算法和生成对抗模型三种算法总体来说生成的概率特征较为准确，所以本专利在内容部分选择了测试准确率最高的算法作为该专利各个需要训练的参数和函数的获取方法。

Claims (1)

1.一种基于云平台的负荷分解方法,其特征在于，该方法具体包括以下步骤：

步骤1：建立负荷分解云平台；

该平台包括数据采集层、数据处理层和应用层，具体步骤如下所示：

1)数据采集层利用智能电表采集用户总线用电数据，这些数据通过用户网络和移动运营商的路由器传输到默认的云服务器：

1-1-a)获取用户在网络中的位置和网络连接状态；

1-1-b)初始化智能电表中路由表并根据连接状态设定电表默认的云服务器；

1-1-c)根据用户网络变化动态的更新默认的云服务器地址；

1-1-d)采集数据传输给默认云服务器；

1-1-e)状态异常时，重新执行步骤1-1-a)-1-1-d)；

2)数据处理层负责数据关联和负荷分解；具体包括以下步骤：

1-2-a)为负荷分解建立数据库业务：建立表的结构以及表与表的关联；

1-2-b)设计主控服务器与资源池间连接和工作模式；

1-2-c)利用对称加密技术对传输的数据进行加密传输，利用非对称加密技术对密钥进行加密；

3)设计面向两类用户的应用层软件；

1-3-(a)根据负荷分解结果为个体居民用户提供用可视化的电器用电信息；

1-3-(b)为物业公司建立云平台监控平台，根据工作日志为其提供负荷分解和电表工作状态，为负荷分解工作过程和电表维护提供监控软件，简化电表维护并为负荷分解深度学习方法提供人为的监督；

步骤2：建立隐马尔可夫基本方法和模型

1)功率与用电器类型的分类

2-1-a)根据用户总线功率变化过程分解出每种功率出现概率；

2-1-b)利用2-1-a)中概率使用多层神经网络方法分出功率类型和每种功率类型的功率函数，并利用这些功率函数和2-1-a)中概率计算出不同功率对应于不同功率函数的概率；

2)情景模式设定与其中状态变换过程

2-2-a)根据总线功率变化曲线和时间特征，在聚类方法基础上利用多层神经网络将情景模式分类；

2-2-b)利用功率的分类建立每个情景模式每一时刻的不同状态出现的概率模型；

2-2-c)对不同功率类型进一步分类：分为与用户行为无关具备周期性的功率以及与用户行为相关的功率；

3)建立概率特征

2-3-a)初始概率：根据用户调研设定一个初始概率；

2-3-b)转移概率：根据每一时刻的不同状态出现的概率模型，建立该概率模型，该模型记录了用户的用电习惯；

2-3-c)输出概率：利用每一时刻的不同状态出现的概率模型建立该概率模型，该概率模型记录了功率与状态间关系；

步骤3：在隐马尔可夫模型的基础上，结合有限马尔可夫与多层神经网络的方法提高负荷分解准确率，并通过有监督与无监督结合的深度学习方法建立功率类型和用电器类型的关联，之后再次结合用户情景模式进一步提高负荷分解准确率；

1)利用深度学习的方法建立更为准确的概率特征：

3-1-a)根据步骤2中建立的概率特征，结合用户类型和该类型用户已有的统计数据，使用有限马尔可夫的深度学习方式，结合神经网络训练出的功率函数，训练近似的隐马尔可夫中的概率特征；

3-1-b)在3-1-a)中概率特征基础上，根据用户总线的输出再次训练这些概率特征；

3-1-c)根据用户用电以及其它环境因素进一步训练概率特征；

2)利用深度学习方法建立功率类型与用电器类型的关联：

3-2-a)根据调研和已有统计数据初始化功率类型与用电器类型的关联；

3-2-b)根据总线功率变化过程在初始化功率类型与用电器类型的关联基础上训练功率类型与电器类型的关联概率；

3)结合用户情景模式使用深度学习的方法进一步提高负荷分解准确率：

3-3-a)根据不同情景模式用户习惯和功率统计数据、功率与电器关联的概率模型、步骤2中与用户行为无关具备周期性的功率类型以及步骤2中功率的概率特征，利用卷积神经网络的方法训练隐马尔可夫中的用电器概率特征；

3-3-b)根据用户总线的输出的增多，随着时间动态的训练电器概率特征；

4)根据同一类型情景模式间的功率与时间关系建立用户用电规律：

3-4-a)对同一类型的情景模式进行对比，使用深度神经网络和深度堆叠网络训练更为精准的与用户行为无关具备周期性的电器以及与用户行为相关的电器的功率模型；

3-4-b)根据3-4-a)中模型和步骤3的3)中模型建立每个情景模式中无周期性电器的功率模型；

3-4-c)根据3-4-b)中结果建立同一类型情景模式间的功率与时间关系建立用户用电规律；

5)根据马尔可夫概率和用户用电规律做负荷分解。

Images