CN108960586B - 一种适应场景变化的非入侵式负荷识别方法 - Google Patents

Abstract

本发明公开了一种适应场景变化的非入侵式负荷识别方法，包括采集第一场景下的负荷的第一有功功率数据和第一无功功率数据，构建第一负荷样本；采集第二场景下的负荷的第二有功功率数据和第二无功功率数据，构建第二负荷样本；利用第二负荷样本中每类负荷的有功稳态值与第一负荷样本中每类负荷的有功稳态值得到有功迁移系数；利用第二负荷样本中每类负荷的无功稳态值与第一负荷样本中每类负荷的无功稳态值得到无功迁移系数；利用有功迁移系数和无功迁移系数获取迁移后的有功功率序列和无功功率序列，构成迁移后的样本；利用迁移后的样本训练神经网络得到分类器，利用分类器识别的负荷样本得到负荷类别。本发明在场景发生变化时可以准确识别负荷。

Description

一种适应场景变化的非入侵式负荷识别方法

技术领域

本发明属于负荷识别和迁移学习领域，更具体地，涉及一种适应场景变化的非入侵式负荷识别方法。

背景技术

随着能源消耗的速度不断加快，全球的能源存储量日益减少，为此一方面要开发可代替能源，如风能、光能等可再生能源；另一方面节能也是主流趋势。电能逐渐成为能源消费的重要组成部分，在我国，2017年的城乡居民用电占社会总用电量的13.8％，达到8695亿千瓦时，比上一年增长7.8％，所以节约用电成为解决当前能源紧缺的有效手段之一。Google的研究表示，用户如果能够获得家庭负荷详细用电信息，有意识的节约用电，可以使电费开支节省5％-15％。基于此目标，对电力数据的采集和处理变得至关重要，需要实现一种实时的负荷识别方法，该方法能够准确的识别出负荷的种类。在不同场景中，同类负荷的型号多种多样，这种多样性造成了负荷运行特征分布的差异性，从而进一步对负荷识别方法的场景适应性提出了较高要求。

广泛地，现有的负荷识别方法分为无监督方法和有监督方法。无监督方法的代表是隐马尔科夫模型，其状态转移矩阵包含了不同负荷之间以及相同负荷之间使用模式的相关关系，但是需要大量的先验知识计算转移矩阵，且必须保证负荷数目不变，一旦应用场景中的负荷型号发生变化将不再适用；有监督方法如支持向量机，决策树等分类方法，需要人工提取负荷特征，如果新场景中出现了其他负荷特征，需要重新建模，难以快速适应场景变化。基于以上分析，这些现有的方法难以应用到实际的环境中去。

由此可见，现有技术存在当场景发生变化时无法准确识别负荷的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种适应场景变化的非入侵式负荷识别方法，由此解决现有技术存在当场景发生变化时无法准确识别负荷的技术问题。

为实现上述目的，本发明提供了一种适应场景变化的非入侵式负荷识别方法，包括：

(1)采集第一场景下的负荷的第一有功功率数据和第一无功功率数据，利用第一有功功率数据检测第一上升沿，根据第一上升沿、第一有功功率数据和第一无功功率数据，得到第一有功功率序列和第一无功功率序列，构成第一负荷样本；

(2)采集第二场景下的负荷的第二有功功率数据和第二无功功率数据，利用第二有功功率数据检测第二上升沿，根据第二上升沿、第二有功功率数据和第二无功功率数据，得到第二有功功率序列和第二无功功率序列，构成第二负荷样本；

(3)利用第二负荷样本中每类负荷的有功稳态值与第一负荷样本中每类负荷的有功稳态值得到有功迁移系数；利用第二负荷样本中每类负荷的无功稳态值与第一负荷样本中每类负荷的无功稳态值得到无功迁移系数；利用有功迁移系数和无功迁移系数获取迁移后的有功功率序列和无功功率序列，构成迁移后的样本；

(4)利用迁移后的样本训练神经网络，得到分类器，对待识别场景的负荷的有功功率数据和无功功率数据进行处理得到待识别的负荷样本，将待识别的负荷样本输入分类器得到负荷类别。

进一步地，步骤(1)包括：

(1-1)采集第一场景下的负荷的第一有功功率数据和第一无功功率数据，将第一有功功率数据中有功功率连续上升幅度大于阈值的部分作为第一上升沿；

(1-2)根据第一有功功率数据、第一上升沿起始位置t和上升沿窗口长度W_p，得到第一上升沿对应的第一有功功率序列P，计算公式为：

P＝{P_i-min{P_i}}i＝t，t+1...t+W_p

其中，P_i是第一有功功率数据的第i个功率值；

(1-3)根据第一无功功率数据、第一上升沿起始位置t和上升沿窗口长度W_p，得到第一上升沿对应的第一无功功率序列Q，计算公式为：

Q＝{Q_i-min{Q_i}}i＝t，t+1...t+W_p

其中，Q_i是第一无功功率数据的第i个功率值；

(1-4)根据第一上升沿对应的第一有功功率序列和第一无功功率序列，得到第一负荷样本S，表现形式为：

(1-5)标定第一负荷样本S的负荷类型。

进一步地，第一负荷样本S的数量大于等于50个。

进一步地，步骤(2)包括：

(2-1)采集第二场景下的负荷的第二有功功率数据和第二无功功率数据，将第二有功功率数据中有功功率连续上升幅度大于阈值的部分作为第二上升沿；

(2-2)根据第二有功功率数据、第二上升沿起始位置t′和上升沿窗口长度W_p，得到第二上升沿对应的第二有功功率序列P′，计算公式为：

P′＝{P′_i-min{P′_i}}i＝t′，t′+1...t′+W_p

其中，P′_i是第二有功功率数据的第i个功率值；

(2-3)根据第二无功功率数据、第二上升沿起始位置t′和上升沿窗口长度W_p，得到第二上升沿对应的第二无功功率序列Q′，计算公式为：

Q′＝{Q′_i-min{Q′_i}}i＝t′，t′+1...t′+W_p

其中，Q′_i是第二无功功率数据的第i个功率值；

(2-4)根据第二上升沿对应的第二有功功率序列和第二无功功率序列，得到第二负荷样本S′，表现形式为：

(2-5)标定第二负荷样本S′的负荷类型。

进一步地，第二负荷样本S′中每类负荷的样本量大于等于5个。

进一步地，步骤(3)包括：

(3-1)利用第一上升沿的上升幅度ΔP_i，计算第一负荷样本S中每类负荷的有功稳态值

计算公式为：

其中，n是第一负荷样本S中每类负荷的样本量；

(3-2)利用第二上升沿的上升幅度

计算第二负荷样本S′中每类负荷的有功稳态值

计算公式为：

其中，N是第二负荷样本S′中每类负荷的样本量；

(3-3)将第二负荷样本S′中每类负荷的有功稳态值

与第一负荷样本S中每类负荷的有功稳态值

的熵作为第一负荷样本S中每类负荷的有功迁移系数α；

(3-4)将第一有功功率序列P与有功迁移系数α的乘积作为迁移后的有功功率序列

(3-5)利用第一无功功率序列的上升幅度ΔQ_i，计算第一负荷样本S中每类负荷的无功稳态值

计算公式为：

(3-6)利用第二无功功率序列的上升幅度

计算第二负荷样本S′中每类负荷的无功稳态值

计算公式为：

(3-7)将第二负荷样本S′中每类负荷的无功稳态值

与第一负荷样本S中每类负荷的无功稳态值

的熵作为第二负荷样本S′中每类负荷的无功迁移系数β；

(3-8)将第一无功功率序列Q与无功迁移系数β的乘积作为迁移后的无功序列

(3-9)迁移后的样本

的表示形式为：

进一步地，神经网络的结构包括六层，分别为：

第一层和第二层为卷积层，第一层和第二层的激活函数是linear，第三层和第四层是双向LSTM，第五层和第六层是全连接层，第五层的激活函数是relu；第六层的神经元个数等于迁移后的样本

中负荷类别数，第六层的激活函数是softmax。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明建立了一套完整的负荷样本采集流程，包括第一场景和第二场景下的负荷样本采集，通过检测功率数据中的上升沿得到对应的第一负荷样本和第二负荷样本，包含了完整的功率信息；重要的是通过第一负荷样本有功功率稳态值和第二负荷样本有功功率稳态值确定有功迁移系数，类似地通过第一负荷样本无功功率稳态值和第二负荷样本无功功率稳态值确定无功迁移系数，最后由有功和无功迁移系数得到迁移后的样本，方法简单易行，不需大量的人工标注样本，只需要极少的第二负荷样本量就可以完成第一负荷样本的迁移；通过设计神经网络，利用迁移后的样本训练网络，得到分类器，进行负荷识别，分类准确，可自动提取负荷特征分布，减少人工工作量，使得本发明在场景发生变化时可以准确识别负荷。

(2)本发明确定有功功率和无功功率的迁移系数方法简单，只需要极少量的负荷样本就能完成第一负荷样本到第二负荷样本的迁移，使得第一负荷样本适配第二场景的负荷环境，从而达到适应场景变化的目的。

附图说明

图1是本发明实施例提供的一种适应场景变化的非入侵式负荷识别方法的流程图；

图2是本发明实施例提供的获取第一负荷样本的流程图；

图3是本发明实施例提供的获取第二负荷样本的流程图；

图4是本发明实施例提供的进行样本迁移的流程图；

图5是本发明实施例提供的神经网络结构图；

图6是本发明实施例提供的负荷识别结构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，一种适应场景变化的非入侵式负荷识别方法，包括：

(1)采集第一场景下的负荷的第一有功功率数据和第一无功功率数据，利用第一有功功率数据检测第一上升沿，根据第一上升沿、第一有功功率数据和第一无功功率数据，得到第一有功功率序列和第一无功功率序列，构成第一负荷样本；

(2)采集第二场景下的负荷的第二有功功率数据和第二无功功率数据，利用第二有功功率数据检测第二上升沿，根据第二上升沿、第二有功功率数据和第二无功功率数据，得到第二有功功率序列和第二无功功率序列，构成第二负荷样本；

(3)利用第二负荷样本中每类负荷的有功稳态值与第一负荷样本中每类负荷的有功稳态值得到有功迁移系数；利用第二负荷样本中每类负荷的无功稳态值与第一负荷样本中每类负荷的无功稳态值得到无功迁移系数；利用有功迁移系数和无功迁移系数获取迁移后的有功功率序列和无功功率序列，构成迁移后的样本；

(4)利用迁移后的样本训练神经网络，得到分类器，对待识别场景的负荷的有功功率数据和无功功率数据进行处理得到待识别的负荷样本，将待识别的负荷样本输入分类器得到负荷类别。

如图2所示，步骤(1)包括：

(1-1)采集第一场景下的负荷的第一有功功率数据和第一无功功率数据，将第一有功功率数据中有功功率连续上升幅度大于阈值的部分作为第一上升沿；优选地，阈值为50。

(1-2)根据第一有功功率数据、第一上升沿起始位置t和上升沿窗口长度W_p，得到第一上升沿对应的第一有功功率序列P，计算公式为：

P＝{P_i-min{P_i}}i＝t，t+1...t+W_p

其中，P_i是第一有功功率数据的第i个功率值；优选地，上升沿窗口长度W_p为150。

(1-3)根据第一无功功率数据、第一上升沿起始位置t和上升沿窗口长度W_p，得到第一上升沿对应的第一无功功率序列Q，计算公式为：

Q＝{Q_i-min{Q_i}}i＝t，t+1...t+W_p

其中，Q_i是第一无功功率数据的第i个功率值；

(1-4)根据第一上升沿对应的第一有功功率序列和第一无功功率序列，得到第一负荷样本S，表现形式为：

(1-5)标定第一负荷样本S的负荷类型。

第一负荷样本S的数量大于等于50个。

如图3所示，步骤(2)包括：

(2-1)采集第二场景下的负荷的第二有功功率数据和第二无功功率数据，将第二有功功率数据中有功功率连续上升幅度大于阈值的部分作为第二上升沿；

(2-2)根据第二有功功率数据、第二上升沿起始位置t′和上升沿窗口长度W_p，得到第二上升沿对应的第二有功功率序列P′，计算公式为：

P′＝{P′_i-min{P′_i}}i＝t′，t′+1...t′+W_p

其中，P′_i是第二有功功率数据的第i个功率值；

(2-3)根据第二无功功率数据、第二上升沿起始位置t′和上升沿窗口长度W_p，得到第二上升沿对应的第二无功功率序列Q′，计算公式为：

Q′＝{Q′_i-min{Q′_i}}i＝t′，t′+1...t′+W_p

其中，Q′_i是第二无功功率数据的第i个功率值；

(2-4)根据第二上升沿对应的第二有功功率序列和第二无功功率序列，得到第二负荷样本S′，表现形式为：

(2-5)标定第二负荷样本S′的负荷类型。

第二负荷样本S′中每类负荷的样本量大于等于5个。

如图4所示，步骤(3)包括：

(3-1)利用第一上升沿的上升幅度ΔP_i，计算第一负荷样本S中每类负荷的有功稳态值

计算公式为：

其中，n是第一负荷样本S中每类负荷的样本量；

(3-2)利用第二上升沿的上升幅度

计算第二负荷样本S′中每类负荷的有功稳态值

计算公式为：

其中，N是第二负荷样本S′中每类负荷的样本量；

(3-3)将第二负荷样本S′中每类负荷的有功稳态值

与第一负荷样本S中每类负荷的有功稳态值

的熵作为第一负荷样本S中每类负荷的有功迁移系数α；

(3-4)将第一有功功率序列P与有功迁移系数α的乘积作为迁移后的有功功率序列

(3-5)利用第一无功功率序列的上升幅度ΔQ_i，计算第一负荷样本S中每类负荷的无功稳态值

计算公式为：

(3-6)利用第二无功功率序列的上升幅度

计算第二负荷样本S′中每类负荷的无功稳态值

计算公式为：

(3-7)将第二负荷样本S′中每类负荷的无功稳态值

与第一负荷样本S中每类负荷的无功稳态值

的熵作为第二负荷样本S′中每类负荷的无功迁移系数β；

(3-8)将第一无功功率序列Q与无功迁移系数β的乘积作为迁移后的无功序列

(3-9)迁移后的样本

的表示形式为：

如图5所示，神经网络的结构包括六层，分别为：

第一层和第二层为卷积层(CNN)，第一层和第二层的激活函数是linear，第三层和第四层是双向LSTM，第五层和第六层是全连接层，第五层的激活函数是relu；第六层的神经元个数等于迁移后的样本

中负荷类别数，第六层的激活函数是softmax。第一层的滤波器大小为2X2，第一层的滤波器个数为8，第二层的滤波器大小为2，第二层的滤波器个数为16，第三层的神经元个数为128，第四层的神经元个数为256，第五层的神经元个数是1024，dropout＝0.25。

如图6所示，步骤(4)包括：

利用迁移后的样本训练神经网络，得到分类器，训练的时候，学习率为0.001，优化器为RMSProp，epoch＝50，batch_size＝32。

对待识别场景的负荷的有功功率数据和无功功率数据进行处理得到待识别的负荷样本，将待识别的负荷样本输入分类器得到负荷类别：

计算公式为：

k＝argmax{ρ_i}i＝0，1，2...m

其中，k为负荷类别，ρ_i是网络输出的样本是类别i的概率，m是负荷类型个数。

本领域的技术人员容易理解，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种适应场景变化的非入侵式负荷识别方法，其特征在于，包括：

(1)采集第一场景下的负荷的第一有功功率数据和第一无功功率数据，利用第一有功功率数据检测第一上升沿，根据第一上升沿、第一有功功率数据和第一无功功率数据，得到第一有功功率序列和第一无功功率序列，构成第一负荷样本；

(2)采集第二场景下的负荷的第二有功功率数据和第二无功功率数据，利用第二有功功率数据检测第二上升沿，根据第二上升沿、第二有功功率数据和第二无功功率数据，得到第二有功功率序列和第二无功功率序列，构成第二负荷样本；

(3)利用第二负荷样本中每类负荷的有功稳态值与第一负荷样本中每类负荷的有功稳态值得到有功迁移系数；利用第二负荷样本中每类负荷的无功稳态值与第一负荷样本中每类负荷的无功稳态值得到无功迁移系数；利用有功迁移系数和无功迁移系数获取迁移后的有功功率序列和无功功率序列，构成迁移后的样本；

(4)利用迁移后的样本训练神经网络，得到分类器，对待识别场景的负荷的有功功率数据和无功功率数据进行处理得到待识别的负荷样本，将待识别的负荷样本输入分类器得到负荷类别。

2.如权利要求1所述的一种适应场景变化的非入侵式负荷识别方法，其特征在于，所述步骤(1)包括：

(1-1)采集第一场景下的负荷的第一有功功率数据和第一无功功率数据，将第一有功功率数据中有功功率连续上升幅度大于阈值的部分作为第一上升沿；

(1-2)根据第一有功功率数据、第一上升沿起始位置t和上升沿窗口长度W_p，得到第一上升沿对应的第一有功功率序列P，计算公式为：

P＝{P_i-min{P_i}} i＝t，t+1...t+W_p

其中，P_i是第一有功功率数据的第i个功率值；

(1-3)根据第一无功功率数据、第一上升沿起始位置t和上升沿窗口长度W_p，得到第一上升沿对应的第一无功功率序列Q，计算公式为：

Q＝{Q_i-min{Q_i}} i＝t，t+1...t+W_p

其中，Q_i是第一无功功率数据的第i个功率值；

(1-4)根据第一上升沿对应的第一有功功率序列和第一无功功率序列，得到第一负荷样本S，表现形式为：

(1-5)标定第一负荷样本S的负荷类型。

3.如权利要求2所述的一种适应场景变化的非入侵式负荷识别方法，其特征在于，所述第一负荷样本S的数量大于等于50个。

4.如权利要求1-3任一所述的一种适应场景变化的非入侵式负荷识别方法，其特征在于，所述步骤(2)包括：

(2-1)采集第二场景下的负荷的第二有功功率数据和第二无功功率数据，将第二有功功率数据中有功功率连续上升幅度大于阈值的部分作为第二上升沿；

(2-2)根据第二有功功率数据、第二上升沿起始位置t′和上升沿窗口长度W_p，得到第二上升沿对应的第二有功功率序列P′，计算公式为：

P′＝{P′_i-min{P′_i}}i＝t′，t′+1...t′+W_p

其中，P′_i是第二有功功率数据的第i个功率值；

(2-3)根据第二无功功率数据、第二上升沿起始位置t′和上升沿窗口长度W_p，得到第二上升沿对应的第二无功功率序列Q′，计算公式为：

Q′＝{Q′_i-min{Q′_i}} i＝t′，t′+1...t′+W_p

其中，Q′_i是第二无功功率数据的第i个功率值；

(2-4)根据第二上升沿对应的第二有功功率序列和第二无功功率序列，得到第二负荷样本S′，表现形式为：

(2-5)标定第二负荷样本S′的负荷类型。

5.如权利要求4所述的一种适应场景变化的非入侵式负荷识别方法，其特征在于，所述第二负荷样本S′中每类负荷的样本量大于等于5个。

6.如权利要求1-3任一所述的一种适应场景变化的非入侵式负荷识别方法，其特征在于，所述步骤(3)包括：

(3-1)利用第一上升沿的上升幅度ΔP_i，计算第一负荷样本S中每类负荷的有功稳态值

计算公式为：

其中，n是第一负荷样本S中每类负荷的样本量；

(3-2)利用第二上升沿的上升幅度

计算第二负荷样本S′中每类负荷的有功稳态值

计算公式为：

其中，N是第二负荷样本S′中每类负荷的样本量；

(3-3)将第二负荷样本S′中每类负荷的有功稳态值

与第一负荷样本S中每类负荷的有功稳态值

的熵作为第一负荷样本S中每类负荷的有功迁移系数α；

(3-4)将第一有功功率序列P与有功迁移系数α的乘积作为迁移后的有功功率序列

(3-5)利用第一无功功率序列的上升幅度ΔQ_i，计算第一负荷样本S中每类负荷的无功稳态值

计算公式为：

(3-6)利用第二无功功率序列的上升幅度

计算第二负荷样本S′中每类负荷的无功稳态值

计算公式为：

(3-7)将第二负荷样本S′中每类负荷的无功稳态值

与第一负荷样本S中每类负荷的无功稳态值

的熵作为第二负荷样本S′中每类负荷的无功迁移系数β；

(3-8)将第一无功功率序列Q与无功迁移系数β的乘积作为迁移后的无功序列

(3-9)迁移后的样本

的表示形式为：

7.如权利要求1-3任一所述的一种适应场景变化的非入侵式负荷识别方法，其特征在于，所述神经网络的结构包括六层，分别为：

第一层和第二层为卷积层，第一层和第二层的激活函数是linear，第三层和第四层是双向LSTM，第五层和第六层是全连接层，第五层的激活函数是relu；第六层的神经元个数等于迁移后的样本

中负荷类别数，第六层的激活函数是softmax。

Images