CN108899892A - 一种基于cnn非侵入式用电负荷分解方法 - Google Patents

Abstract

本发明涉及一种基于CNN非侵入式用电负荷分解方法，该方法首先采集用电负荷总功率和各个负荷的功率，利用数据扩充技术对所选择的负荷消耗数据进行扩充，以产生充足的数据，用于训练提高负荷数据深度学习网络的泛化性能；其次构建CNN模型，利用预处理后的数据对CNN模型进行训练，自动提取负荷特征，最后利用训练后的CNN模型对待分解的数据进行负荷分解，获取每个负荷的使用及消耗功率信息。与现有技术相比，本发明具有提高分解的稳定性和准确性，有利于提高网络的鲁棒性及泛化性能等优点。

Description

一种基于CNN非侵入式用电负荷分解方法

技术领域

本发明涉及电力计量技术领域，尤其是涉及一种基于CNN非侵入式用电负荷分解方法。

背景技术

传统的负荷监测采取侵入式的方法，即在用户的各用电设备上都安装传感器记录其使用情况。该方法优点在于监测数据准确可靠，缺点是实际可操作性差、实施成本高、用户接受程度较低。

最早关于负荷分解的研究由Hart提出，以稳态的有功功率和无功功率为特征，提出了最初的NILM(non-intrusive load monitoring，非侵入式负荷监测)方法框架相对于侵入式的负荷监测，NILM可以仅从用户的电力入口处获取负荷数据而实现负荷监测，不干扰电力用户，具有简单经济可靠和易于扩展等优点。

负荷分解可以分为两种方法：负荷功率曲线重构以及负荷开始时间、终止时间、平均功率的回归。第一方法是根据住宅总的电力数据估计每个负荷的实时功耗，其基本策略是将电力总路数据作为输入，目标负荷电力数据作为输出。然而，在许多实际应用中，没有必要获取负荷的实时消耗信息；基于此，第二种方法通过主电路数据提供目标负荷的开始时间、结束时间以及平均功率值实现负荷分解。两种方法本质上都是回归问题。

由于住宅用电负荷总电力数据和不同负荷电力数据之间的关系复杂，例如在普通的住宅中，一天可能有二十多种负荷工作，这将对目标负荷数据的分解造成干扰，且增加了负荷的不可预测性。另一方面，电力入口处可能会受到其他因素的影响，如电压异常和测量误差；此外，缺乏对特定负荷能级水平的了解、多种具有相似能耗特征负荷、同时切换开关状态以及某些不常用负荷的使用等等都会使实时负荷分解变得更加困难。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于CNN非侵入式用电负荷分解方法。

本发明的目的可以通过以下技术方案来实现：

一种基于CNN非侵入式用电负荷分解方法，该方法包括如下步骤：

S1：采集电力负荷入口处的功率数据。

S2：对采集的数据依次进行提取、格式转换、数据扩充、组合与标准化处理。具体内容为：

201)对采集的数据选择测试用电负荷；

202)利用NILMTK工具包提取负荷激活；

设定功率阈值，利用NILMTK工具包查找大于功率阈值的连续取样点以提取负荷激活，并去除持续运行时间内小于功率阈值的负荷激活。

203)将提取的负荷激活进行格式转换；每个负荷激活数据为1*N向量，将负荷激活数据分段为恒定宽度的向量。

204)利用数据扩充方法对所提取的负荷激活数据进行扩充，获取用于训练深度学习网络的样本数据；

随机组合各个负荷激活，将生成的功率数据作为实验样本数据；对于噪声数据、尖峰数据及丢失数据，采用添加具有噪声和真实数据合理变化的假样本进行数据扩充。

205)对样本数据进行组合及标准化。

将各样本数据按一定比例进行组合，获取训练集、验证集和测试集，并对获取的各个集合进行标准化。

S3：构建CNN模型，利用预处理后的数据对CNN模型进行训练，自动提取负荷特征。具体内容为：

301)构建包括十二个卷积层、三个池化层以及一个全连接层的CNN模型，选择ReLU作为激活函数，选择大小为三的滤波器，应用最大池化选择区域的最大值作为该区域池化后的值；

302)对构建的CNN模型进行优化：

a)参数优化：采用NAG进行优化，将学习率由初始学习率为0.1减少到0.01，其权重更新方式为：

m_n＝vm_n-1+η▽L(w_n-vm_n-1)

w_n+1＝w_n+m_n

式中，m_n、m_n-1为动量，η为学习率，v为速度，w_n、w_n+1为权重，▽L为梯度，n为迭代次数。

b)采用Dropout神经网络进行拟合；

c)对CNN模型的输出分解结果进行进一步优化，具体优化公式为：

式中，y_t为主电路在时间t的真实消耗功率，x_i,t为负荷i在时间t时的功率需求，z_i,t为负荷i在时间t的训练网络的输出。

303)利用预处理后的数据对优化后的CNN模型进行训练。

S4：利用训练后的CNN模型对待分解的数据进行负荷分解，获取每个负荷的使用及消耗功率信息。具体步骤为：

401)当CNN模型训练完成，判断任意长度主电路的时间序列的宽度是否大于最长窗口宽度，若是，则对该时间序列进行分解；

402)利用滑动窗口通过整个时间序列，并通过卷积神经网络向前传播，分解步长与目标负荷的窗口宽度相等，若输入序列的长度不能被窗口宽度均匀分割，则输入序列的起始值和终止值采用与边缘相同的值进行填充。

与现有技术相比，本发明具有以下优点：

(1)本发明方法在负荷分解前对采集的数据进行了预处理，针对真实数据的随机组合及噪声、尖峰、数据丢失情况进行了数据提取及数据扩充，进一步提高了分解的稳定性，且有利于提高网络的鲁棒性及泛化性能；

(2)电力入口处采集的数据与各个分解数据之间的关系复杂，本发明通过构建并优化CNN模型能够自动提取负荷特征，这些特征能够更好地表达输入与输出的关系，进而提高分解的准确性；

(3)本发明采用了NILMTK工具包查找大于功率阈值的连续取样点以提取负荷激活，能够实现对整个负荷集群的分解与分析，进一步获得有用的信息，一定程度上能够克服利用负荷稳态特征信息进行负荷辨识时的局限性，能够提高负荷辨识率；

(4)本发明方法过程简单，可有效实现用电负荷的分解，改善了以往负荷分解方法的复杂及繁琐问题，且具有较好的泛化性能。

附图说明

图1为本发明方法的流程图；

图2为神经网络结构对比图，其中，图2(a)为标准的神经网络结构图，图2(b)为采用Dropout技术的神经网络结构图；

图3为本发明实施例中构建的CNN模型结构图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

本实施例基于Theano深度学习框架对本发明方法所提的CNN模型进行构建并进行实验评价，利用NILMTK工具包(non-intrusive load monitoring toolkit，非侵入式负荷监测开源工具包)用于数据集分析与预处理，利用Matlab 2014a对负荷分解的结果进行优化，硬件平台为Intel(R)Core(TM)i5-2410M CPU(4.00GHz)、32GB内存以及操作系统为windows7的64位计算机。本发明选择安装Anaconda(Windows 64-Bit Python2.7Graphical Installer)，因其已经内置Python、numpy、scipy、pip等必要库以及一些其它库。

本实施例使用2016年5月最新发布的UK-DALE公开数据集作为源数据进行实验，其中包含五个住宅内单个负荷以及住宅总电力消耗信息，所有负荷以及住宅总需求的有功功率以1/6Hz同时采样获取。其中有些住宅还提供了主电路的电压、电流信息以及视在功率，本实施例仅利用有功功率进行负荷分解。

如图1所示，本实施例提供一种基于CNN非侵入式用电负荷分解方法，具体包括如下步骤：

一、数据采集：采集电力负荷入口处的总电压、电流及功率的变化信息，用于进行测量、分析。

二、数据的预处理：

CNN网络所需数据集主要包括训练、验证及测试数据，训练数据集常用来构建已设计好的神经网络模型使其各个连接权值参数能够达最优状态，逐步迭代优化网络。对获取的数据预处理方法按照如下步骤进行：

201)测试负荷的选择：本实施例选择数据集中的5种负荷作为研究对象：水壶、冰箱、洗衣机、微波炉以及洗碗机。每个负荷至少在三个住宅中存在。另外，这五种负荷具有不同的负荷特征的复杂性以及不同工作周期。

202)提取用电负荷激活：利用NILMTK工具包提取每个住宅内的负荷激活。具体提取负荷激活参数设置如表1所示，本实施例通过严格查找大于功率阈值的连续取样点提取负荷激活，然后去掉所有小于持续运行时间阈值的负荷激活。

表1提取负荷激活参数设置

203)提取样本数据：数据应该被分段为恒定宽度的向量，也称为窗口。窗口宽度表示神经网络输入的大小，本发明窗口的宽度是由采样点定义的，采样时间是6s。获得窗口样本的最直接方式是在足够的时间内滑动采样窗口，但是这将需要大量的存储空间，尤其对于运行周期很长的负荷，而且由于负荷大部分时间处在非工作状态，因此大部分数据是无用的。基于此，为了在有限的存储空间内使数据中包含的信息最大化，本实施例从数据中提取正负样本。

204)数据扩充：本实施例采集的每个用电负荷的真实的功率数据，通过随机组合各个用电负荷激活，生成大量新的功率数据，作为实验样本数据。在深度学习中，对于噪声、尖峰或者数据丢失的情况，以及可能存在训练集中没有包含的负荷运行组合模式的情况，人为地添加一些具有噪声和真实数据合理的变化“假”样本进行扩充，有助于网络的鲁棒性并且提高网络泛化性能。

205)数据组合与标准化：本实施例的训练、验证和测试集中正负样本数据以及合成数据的百分比如下：

(a)训练集：40％正样本数据+10％负样本数据+25％合成正样本数据+25％合成负样本数据；

(b)验证集：50％正样本数据+50％负样本数据；

(c)测试集：50％正样本数据+50％负样本数据；

一般来说，当输入数据接近0平均值时，神经网络学习效率最高。因此，在用于网络训练和预处理之前，首先对数据进行归一化处理。归一化的方法通常首先每个样本减去所有同一负荷实际激活的近似平均值，然后除以近似标准差。

三、构建卷积神经网络：

CNN是一种特殊的前馈神经网络模型，通常具有比较深的结构，一般由输入层、卷积层、下采样层、全连接层以及输出层组成。本实施例所设计的卷积神经网络结构基本上由越来越多的滤波器的卷积层组成，所设计的卷积神经网络包括12个卷积层，3个池化层以及1个全连接层，如图3所示。该模型结构有3层连续的卷积层，使提取的特征也具备更高的表达能力，激活函数选择ReLU(Rectified Linear Units)，滤波器大小为3。应用最大池化选择区域的最大值作为该区域池化后的值，让网络保持平移不变性能，同时减少要处理的参数数量，最后全连接层主要用于负荷分解。

此外，使用NAG(Nesterov accelerated gradient，涅斯捷罗夫加速渐变)进行CNN模型优化，初始学习率为0.1，随着训练时间减少到0.01。分批标准化(BN，BatchNormalization)加速了训练过程，其在训练CNN中是必不可少的。而Dropout是一种防止拟合的正则化技术，本发明采用Dropout用于防止过度拟合。如图2所示，Dropout在训练时会让一定比例的隐含层节点失效，这个过程中对失效节点的选择是完全随机的，比例大概在0.5上下调整。由图2(a)可知，标准的神经网络所有节点的权重在训练中都会更新，由图2(b)可知，采用Dropout技术的神经网络大约有一半节点的权重没有更新，因此采用Dropout技术能够较好的防止过度拟合。

四、负荷分解

将住户中后时间区间内的有功总功率数据降频至1/6HZ，然后，任取长度为L的有功总功率时间序列，将其输入卷积神经网络，利用滑动窗口通过整个时间序列，并通过卷积神经网络向前传播，分解步长与目标负荷的窗口宽度相等，获取该时段内各目标电器的用电量估计值。若输入序列的长度不能被窗口宽度均匀分割，则输入序列的起始值和终止值用与边缘相同的值进行填充。最后，将分解得到的每个负荷的使用及消耗功率信息反馈给电网或用户。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (9)

1.一种基于CNN非侵入式用电负荷分解方法，其特征在于，该方法包括如下步骤：

1)采集电力负荷入口处的功率数据；

2)对采集的数据依次进行提取、格式转换、数据扩充、组合与标准化处理；

3)构建CNN模型，利用预处理后的数据对CNN模型进行训练，自动提取负荷特征；

4)利用训练后的CNN模型对待分解的数据进行负荷分解，获取每个负荷的使用及消耗功率信息。

2.根据权利要求1所述的一种基于CNN非侵入式用电负荷分解方法，其特征在于，步骤2)具体包括以下步骤：

201)对采集的数据选择测试用电负荷；

202)利用NILMTK工具包提取负荷激活；

203)将提取的负荷激活进行格式转换；

204)利用数据扩充方法对所提取的负荷激活数据进行扩充，获取用于训练深度学习网络的样本数据；

205)对样本数据进行组合及标准化。

3.根据权利要求2所述的一种基于CNN非侵入式用电负荷分解方法，其特征在于，步骤202)的具体内容为：

设定功率阈值，利用NILMTK工具包查找大于功率阈值的连续取样点以提取负荷激活，并去除持续运行时间内小于功率阈值的负荷激活。

4.根据权利要求2所述的一种基于CNN非侵入式用电负荷分解方法，其特征在于，步骤203)的具体内容为：

每个负荷激活数据为1*N向量，将负荷激活数据分段为恒定宽度的向量。

5.根据权利要求2所述的一种基于CNN非侵入式用电负荷分解方法，其特征在于，步骤204)的具体内容为：

随机组合各个负荷激活，将生成的功率数据作为实验样本数据；对于噪声数据、尖峰数据及丢失数据，采用添加具有噪声和真实数据合理变化的假样本进行数据扩充。

6.根据权利要求2所述的一种基于CNN非侵入式用电负荷分解方法，其特征在于，步骤205)的具体内容为：

将各样本数据按一定比例进行组合，获取训练集、验证集和测试集，并对获取的各个集合进行标准化。

7.根据权利要求1所述的一种基于CNN非侵入式用电负荷分解方法，其特征在于，所述的步骤3)具体包括以下步骤：

301)构建包括十二个卷积层、三个池化层以及一个全连接层的CNN模型，选择ReLU作为激活函数，选择大小为三的滤波器，应用最大池化选择区域的最大值作为该区域池化后的值；

302)对构建的CNN模型进行优化；

303)利用预处理后的数据对优化后的CNN模型进行训练。

8.根据权利要求7所述的一种基于CNN非侵入式用电负荷分解方法，其特征在于，步骤302)具体包括以下内容：

a)参数优化：采用NAG进行优化，将学习率由初始学习率0.1减少至0.01，其中，权重更新方式为：

w_n+1＝w_n+m_n

式中，m_n、m_n-1为动量，η为学习率，v为速度，w_n、w_n+1为权重，为梯度，n为迭代次数；

b)采用Dropout神经网络进行拟合；

c)对CNN模型的输出分解结果进行进一步优化，具体优化公式为：

式中，yt为主电路在时间t的真实消耗功率，x_i,t为负荷i在时间t时的功率需求，z_i,t为负荷i在时间t的训练网络的输出。

9.根据权利要求8所述的一种基于CNN非侵入式用电负荷分解方法，其特征在于，步骤4)的具体内容为：

401)当CNN模型训练完成，判断任意长度主电路的时间序列的宽度是否大于最长窗口宽度，若是，则对该时间序列进行分解；

402)利用滑动窗口通过整个时间序列，并通过卷积神经网络向前传播，分解步长与目标负荷的窗口宽度相等，若输入序列的长度不能被窗口宽度均匀分割，则输入序列的起始值和终止值采用与边缘相同的值进行填充。