CN109598451A - 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 - Google Patents

Abstract

本发明提供一种基于PCA与LSTM神经网络的非侵入式负荷辨识方法，涉及非侵入式负荷辨识技术领域。该方法包括：从家庭用电负荷数据中分别提取负荷时间特征序列；对提取的负荷时间特征序列进行数据融合并作为改进负荷辨识模型的输入数据；对LSTM神经网络输出结果进行改进使其转化为一维功率数据；将融合计算得到的数据作为输入数据，将单个家用电器的功率数据作为输出，获得多个训练完毕的神经网络；对已训练完毕的神经网络进行算法集成，得到完整的非侵入式负荷辨识模型。本方法实现对无明显运行周期负荷以及小功率负荷的有效辨识，拓宽了负荷辨识的种类范围，提高了识别的效果，实现对家庭用电负荷的高精度辨识。

Description

一种基于PCA与LSTM神经网络的非侵入式负荷辨识方法

技术领域

本发明涉及非侵入式负荷辨识技术领域，具体涉及一种基于PCA与LSTM神经网络的非侵入式负荷辨识方法。

背景技术

先进且有效的需求侧管理技术能够为智能电网发展提供安全性与可靠性的保障。而负荷监测是深入分析居民用电行为的第一步，同样也是进行需求侧管理的重要前提。通过负荷监测，电网运营商可从数量众多的数据中获取重要的用户信息，这有助于完善需求侧管理技术，引导用户合理消费、节能减排，同时也为智能电网以及智能建筑能源管理开拓了新的研究平台。对于用户而言，非侵入负荷监测技术能够帮助他们分析家庭中的负荷消耗，通过调整用电行为来避免不必要的消费。同时，实现负荷监测与辨识能够为电网削峰填谷、能源消纳等提供数据支持，还可以进一步优化需求侧的负荷调度体系，以便与可再生能源的发展相结合。由于以往所采用的侵入式负荷监测方案存在投入成本高、维护难度大、居民接受程度低等问题，因此引入了非侵入式负荷监测与辨识方法，该方法投入成本低、数据采集量少、可操作性强，具有明显的优势。

非侵入式负荷辨识方法主要分为五个步骤：数据采集、数据处理、事件探测、特征提取以及负荷辨识。其中，对于数据采集、数据处理这两个步骤，已有的非侵入式负荷辨识方法大多采用高频采样数据，这类数据不仅难以通过普通电表采集，而且后期数据处理量巨大，操作难度大；对于事件探测、特征提取这两个步骤，目前所常见的方法都是利用人工进行参数设定与特征筛选，这意味着存在人为考虑不周而导致负荷辨识结果不佳的问题；对于负荷辨识这一步骤，通常使用分类算法来处理，辨识精度仍有待提高。同时，由于家庭用电负荷的类型众多，不同种类家用电器的运行特征与负荷大小相差悬殊，时常会导致小功率负荷或无运行周期的负荷无法被准确辨识的情况。这些问题的存在导致非侵入式负荷辨识还不能够大规模地应用到实际生活与生产中去。

发明内容

针对现有技术存在的问题，本发明提供一种基于PCA与LSTM神经网络的非侵入式负荷辨识方法，针对现有的基于人工提取数据特征的负荷辨识技术难以实现对家庭用电设备的高精度辨识的不足提出，对原始负荷功率数据提取若干时间特征序列并对序列进行数据融合，利用改进后LSTM神经网络对数据融合后的特征序列进行学习，使其能够根据输入的总功率数据辨识出单个电器设备的功率数据，是一种仅需依赖于低频采样数据且具备高精度、高稳定性特征的非侵入式负荷辨识方法。

为了实现上述目的，一种基于PCA与LSTM神经网络的非侵入式负荷辨识方法，具体步骤如下：

步骤1：从负荷总功率数据中提取负荷时间特征序列，包括负荷功率的瞬时变化特征序列、负荷功率的区域变化特征序列以及负荷功率标准化特征序列；

步骤2：利用主成分分析法(PCA)对所提取到的负荷时间特征序列进行数据融合，构建负荷时序特征数据库，具体步骤如下：

步骤2.1：将提取到的负荷时间特征序列组合成负荷特征矩阵Q；

步骤2.2：规范化负荷特征矩阵Q得到矩阵Q*，再对矩阵Q*进行转置得到矩阵Q^*T；

步骤2.3：根据矩阵Q*和矩阵Q^*T计算相关系数矩阵R，令矩阵R的特征值为特征值对应的特征矩阵为

步骤2.4：令矩阵R的特征值个数j＝1，即令主成分个数m_cum＝1；

步骤2.5：计算m_cum个主成分的累计方差贡献率，即数据融合的结果；

步骤2.6：判断数据融合的结果是否大于90％，若是，则利用m_cum个主成分构建负荷时序特征数据库，若否，则令j＝j+1，返回步骤2.5；

步骤3：利用全连接神经网络对LSTM神经网络的输出层进行改进，使LSTM神经网络的输出数据由多维转化为一维功率数据；

步骤4：将负荷时序特征数据库中的数据作为输入数据，单个家用电器的功率数据作为输出数据，采用Dropout算法对改进后的LSTM神经网络进行l次训练，获得l个训练完毕的LSTM神经网络；

步骤5：采用Bagging算法对l个已训练完毕的LSTM神经网络进行算法集成，得到完整的非侵入式负荷辨识模型。

进一步地，所述步骤1中从负荷总功率数据中提取负荷时间特征序列的方法如下：

负荷功率瞬时变化特征序列和的提取公式如下：

其中，为提取的第1个负荷时间特征序列的第k个元素即第k个采样点的功率相对变化，为提取的第2个负荷时间特征序列的第k个元素即第k个采样点的功率绝对变化，p(k)为在第k个采样点的功率值，Δp(k)为在第k个采样点的功率变化值；所述在第k个采样点的功率变化值Δp(k)的计算公式如下：

Δ(k)＝p(k+1)-p(k)；

负荷功率的区域变化特征序列的提取公式如下：

其中，为提取的第3个负荷时间特征序列的第k个元素，为提取的第4个负荷时间特征序列的第k个元素，为提取的第5个负荷时间特征序列的第k个元素，为提取的第6个负荷时间特征序列的第k个元素，k_win，max＝arg max{P_win(k)}，P_win(k)为在第k个采样点时截取的时间序列，为时间序列P_win(k)的平均值，2n_win为滑动时间窗口的窗宽；所述在第k个采样点时截取的时间序列P_win(k)是利用滑动时间窗口算法截取原始数据中的时间序列，所截取的时间序列P_win(k)的计算公式如下：

P_win(k)＝{p(k-n_win)，...，p(k)，...，p(k+n_win-1)}；

负荷数据标准化特征序列的提取公式如下：

其中，为提取的第7个负荷时间特征序列的第k个元素，p^*(k)为第k个采样点的原始功率数据规范化后的值，为k个采样点的原始功率数据的平均值。

本发明的有益效果：

本发明提出一种基于PCA与LSTM神经网络的非侵入式负荷辨识方法，利用神经网络的学习能力替代人工来提取负荷功率数据中的有效信息，不再需要通过其它变点检测的算法来人工提取负荷启停信息，大大降低了负荷辨识的工作量，避免了传统负荷分解算法中的人为因素对识别结果的影响，实现了对无明显运行周期负荷以及小功率负荷的有效辨识，解决了传统负荷辨识方法中对以上两类负荷辨识困难的问题，拓宽了负荷辨识的种类范围，提高了识别的效果，使其更具实用价值，能够实现基于低频采样数据的高精度、高稳定性的非侵入式负荷辨识，降低了负荷数据采集与处理复杂程度，实用性与可操作性强，所设计的负荷辨识方法在神经网络训练完毕后，对多个同类用电设备的识别效果波动较小，即该方法的识别稳定性高，适用性强

附图说明

图1为本发明实施例中基于PCA与LSTM神经网络的非侵入式负荷辨识方法的结构框图；

图2为本发明实施例中基于PCA与LSTM神经网络的非侵入式负荷辨识方法的流程图；

图3为本发明实施例中对LSTM神经网络进行改进的流程示意图；

图4为本发明实施例中采用的LSTM神经网络的结构图。

具体实施方式

为了使本发明的目的、技术方案及优势更加清晰，下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种基于PCA与LSTM神经网络的非侵入式负荷辨识方法，如图1所示，是利用LSTM神经网络能够自行提取负荷瞬时特征与稳态特征且易于实现算法集成的特性构建了基于改进的神经网络的负荷辨识模型，通过对历史负荷数据的学习与分析，实现高精度的负荷辨识，具体流程如图2所示，包括如下步骤：

步骤1：从负荷总功率数据中提取负荷时间特征序列，包括负荷功率的瞬时变化特征序列、负荷功率的区域变化特征序列以及负荷功率标准化特征序列。

所述从负荷总功率数据中提取负荷时间特征序列的方法如下：

负荷功率瞬时变化特征序列和的提取公式如公式(1)-公式(2)所示：

其中，为提取的第1个负荷时间特征序列的第k个元素即第k个采样点的功率相对变化，为提取的第2个负荷时间特征序列的第k个元素即第k个采样点的功率绝对变化，p(k)为在第k个采样点的功率值，Δp(k)为在第k个采样点的功率变化值；所述在第k个采样点的功率变化值Δp(k)的计算公式如公式(3)所示：

Δp(kk)＝p(k+1)-p(k) (3)

负荷功率的区域变化特征序列的提取公式如公式(4)-公式(7)所示：

其中，为提取的第3个负荷时间特征序列的第k个元素，为提取的第4个负荷时间特征序列第k个元素，为提取的第5个负荷时间特征序列的第k个元素，为提取的第6个负荷时间特征序列的第k个元素，k_win，max＝argmax{P_win(k)}，P_win(k)为在第k个采样点时截取的时间序列，为时间序列P_win(k)的平均值，2n_win为滑动时间窗口的窗宽；所述在第k个采样点时截取的时间序列P_win(k)是利用滑动时间窗口算法截取原始数据中的时间序列，所截取的时间序列P_win(k)的计算公式如公式(8)所示：

P_win(k)＝{p(k-n_win)，...，p(k)，...，p(k+n_win-1)} (8)

负荷数据标准化特征序列的提取公式如公式(9)所示：

其中，为提取的第7个负荷时间特征序列的第k个元素，p^*(k)为第k个采样点的原始功率数据规范化后的值，规范后的数据符合正态分布，为k个采样点的原始功率数据的平均值。

步骤2：利用主成分分析法对所提取到的负荷时间特征序列进行数据融合，构建负荷时序特征数据库，具体步骤如下：

步骤2.1：将提取到的负荷时间特征序列组合成负荷特征矩阵Q。

所述矩阵Q的公式如公式(10)所示：

其中，为负荷时间特征序列中第i行第j列的元素，i＝1，2，...，n_feature，j＝1，2，...，n，n_feature为所提取的负荷特征序列的总数。

步骤2.2：规范化负荷特征矩阵Q得到矩阵Q*，再对矩阵Q*进行转置得到矩阵Q^*T。

所述规范化负荷特征矩阵Q的方法为对矩阵Q中的元素进行规范化得到元素计算公式如公式(11)所示：

其中，为矩阵Q中第j列元素的平均值。

步骤2.3：根据矩阵Q*和矩阵Q^*T计算相关系数矩阵R，令矩阵R的特征值为特征值对应的特征矩阵为

所述相关系数矩阵R的计算公式如公式(12)所示：

R＝Q^*TQ^*/(n-1) (12)

其中，n为用于计算的采样数据点总数。

步骤2.4：令矩阵R的特征值个数j＝1，即令主成分个数m_cum＝1。

步骤2.5：计算m_cum个主成分的累计方差贡献率，即数据融合的结果。

所述计算m_cum个主成分的累计方差贡献率的公式如公式(13)所示：

其中，η_win(m_cum)为m_cum个主成分的累计方差贡献率，η_j为第j个特征值的方差贡献率；所述第j个特征值的方差贡献率η_j的计算公式如公式(14)所示：

其中，λ_j为相关系数矩阵R的第j个特征值。

步骤2.6：判断数据融合的结果是否大于90％，若是，则利用m_cum个主成分构建负荷时序特征数据库，若否，则令j＝j+1，返回步骤2.5。

步骤3：利用全连接神经网络对LSTM神经网络的输出层进行改进，流程如图3所示，使LSTM神经网络的输出数据由多维转化为一维功率数据。

本实施例中，所述LSTM神经网络包括输入门、遗忘门、输出门和候选门四个逻辑结构，如图4所示，各逻辑结构的表达式如公式(15)-公式(20)所示：

f_i＝σ(W_fxx_t+W_fhh_t-1+b_f) (15)

i_t＝σ(W_ixx_t+W_ihh_t-1+b_i) (16)

o_t＝σ(W_oxx_t+W_ohh_t-1+b_o) (19)

h_t＝tanh(C_t)*o_t (20)

其中，和均为LSTM神经网络输出函数的权重矩阵，σ为LSTM神经网络的阈值函数，*表示两个向量对应元素的乘积，x_t为t时刻LSTM神经网络的输入数据，f_t为t时刻LSTM神经网络遗忘门的输出，h_t为t时刻LSTM神经网络神经网络的输出，i_t为t时刻LSTM神经网络输入门的输出，o_t为t时刻LSTM神经网络输出门的输出，C_t为t时刻LSTM神经网络候选门的输出。

本实施例中，利用全连接神经网络对LSTM神经网络的输出层进行改进的目的是考虑负荷辨识模型最终需要输出单个用电设备运行功率数据的要求。

步骤4：将负荷时序特征数据库中的数据作为输入数据，单个家用电器的功率数据作为输出数据，采用Dropout算法对改进后LSTM的神经网络进行l次训练，获得l个训练完毕的LSTM神经网络。

本实施例中，在全连接神经网络中加入Dropout算法的目的是避免对LSTM神经网络在训练时可能出现的过拟合现象。所述Dropout算法是通过随机选取每次参与训练的神经元来减少神经元之间的相互依赖，从而确保改进后LSTM神经网络提取特征的有效性。

为提高改进后的LSTM神经网络性能，使其效果最佳，本实施例中，选取Dropout算法的Dropout率为0.5，即每次训练都只随机选取改进后的LSTM神经网络模型中的一半神经元参与训练。

所述Dropout算法的实现步骤如公式(21)-公式(24)所示：

r_t～Bernoulli(P) (21)

y_t+1＝f(z_t+1) (24)

其中，r_t为t时刻通过伯努利分布随机生成的0、1变量，y_t为t时刻LSTM神经网络的输出数据，b_t为t时刻LSTM神经网络的偏值，z_t为t时刻对神经网络的输出进行转化的过程中存在的临时变量数，f为神经网络的中的激活函数。

步骤5：采用Bagging算法对l个已训练完毕的神经网络进行算法集成，得到完整的非侵入式负荷辨识模型。

本实施例中，为了提高负荷辨识模型的精度引入Bagging算法，所述Bagging算法的具体流程如下：

对家庭负荷功率数据库REDD中的数据进行随机采样，每次采样包含m个数据段，每个数据段所包含的信息由LSTM神经网络输入数据的宽度C_S来决定，即每个数据段包含有C_S个数据点，在m个数据段采样完成后，将这m个采样数据段输入改进后的LSTM神经网络进行训练，总计对整个负荷功率样本进行C_k次随机采样，在分别对每次随机采样的样本进行训练后，获得C_k个LSTM神经网络，并对这C_k个回归结果计算算术平均数，其计算公式如公式(25)所示：

其中，y_k是第k个改进后LSTM神经网络的输出结果，k＝1，2，...，C_k。

由于在不同参数设定下，负荷辨识效果不同，因此需要根据对改进后LSTM神经网络的负荷辨识效果进行测试对比，确定负荷辨识模型的最佳参组合，最终获得完整的非侵入式负荷辨识模型：

本实施例中，在对LSTM神经网络的改进后，其已具备对负荷功率数据做辨识处理并直接输出指定用电设备功率数据的能力，但辨识效果的好坏还与输入数据的宽度C_S、集成网络系统中LSTM神经网络的个数C_k以及神经网络隐含层神经元个数C_q等参数相关。经过实验测试结果的对比，最终选取的各参数取值分别为：C_S＝160，C_q＝30，C_k＝4，此时改进后的LSTM神经网络系统能够获得最佳辨识结果。

仿真结果证明，本发明提出的方法能够实现基于低频采样数据的高精度、高稳定性的非侵入式负荷辨识，并且实现对无明显运行周期负荷以及小功率负荷的有效辨识，解决了传统负荷辨识方法中对以上两类负荷辨识困难的问题。

本发明利用PCA以及改进后的LSTM神经网络来实现事件探测、特征提取以及负荷辨识。利用神经网络的学习能力替代人工来提取负荷功率数据中的有效信息，不再需要通过其它变点检测的算法来人工提取负荷启停信息，大大降低了负荷辨识工作的工作量，同时也避免了传统负荷分解算法中的人为因素对识别结果的影响。该方法在降低负荷数据采集量与处理复杂程度的基础上，增强了负荷辨识方法的实用性与可操作性，拓宽了负荷辨识的种类范围，具备识别效果好、稳定性高、数据处理量少、可操作性强等优点。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (3)

1.一种基于PCA与LSTM神经网络的非侵入式负荷辨识方法，其特征在于，包括以下步骤：

步骤1：从负荷总功率数据中提取负荷时间特征序列，包括负荷功率的瞬时变化特征序列、负荷功率的区域变化特征序列以及负荷功率标准化特征序列；

步骤2：利用主成分分析法对所提取到的负荷时间特征序列进行数据融合，构建负荷时序特征数据库；

步骤3：利用全连接神经网络对LSTM神经网络的输出层进行改进，使LSTM神经网络的输出数据由多维转化为一维功率数据；

步骤4：将负荷时序特征数据库中的数据作为输入数据，单个家用电器的功率数据作为输出数据，采用Dropout算法对改进后的LSTM神经网络进行l次训练，获得l个训练完毕的LSTM神经网络；

步骤5：采用Bagging算法对l个已训练完毕的LSTM神经网络进行算法集成，得到完整的非侵入式负荷辨识模型。

2.根据权利要求1所述的基于PCA与LSTM神经网络的非侵入式负荷辨识方法，其特征在于，所述步骤1中从负荷总功率数据中提取负荷时间特征序列的方法如下：

负荷功率瞬时变化特征序列和的提取公式如下：

其中，为提取的第1个负荷时间特征序列的第k个元素即第k个采样点的功率相对变化，为提取的第2个负荷时间特征序列的第k个元素即第k个采样点的功率绝对变化，p(k)为在第k个采样点的功率值，Δp(k)为在第k个采样点的功率变化值；所述在第k个采样点的功率变化值Δp(k)的计算公式如下：

Δp(k)＝p(k+1)-p(k)；

负荷功率的区域变化特征序列的提取公式如下：

其中，为提取的第3个负荷时间特征序列的第k个元素，为提取的第4个负荷时间特征序列的第k个元素，为提取的第5个负荷时间特征序列的第k个元素，为提取的第6个负荷时间特征序列的第k个元素，k_win，max＝argmax{P_win(k)}，P_win(k)为在第k个采样点时截取的时间序列，为时间序列P_win(k)的平均值，2n_win为滑动时间窗口的窗宽；所述在第k个采样点时截取的时间序列P_win(k)是利用滑动时间窗口算法截取原始数据中的时间序列，所截取的时间序列P_win(k)的计算公式如下：

P_win(k)＝{p(k-n_win)，...，p(k)，...，p(k+n_win-1)}；

负荷数据标准化特征序列的提取公式如下：

其中，为提取的第7个负荷时间特征序列的第k个元素，p^*(k)为第k个采样点的原始功率数据规范化后的值，为k个采样点的原始功率数据的平均值。

3.根据权利要求1所述的基于PCA与LSTM神经网络的非侵入式负荷辨识方法，其特征在于，所述步骤2包括以下步骤：

步骤2.1：将提取到的负荷时间特征序列组合成负荷特征矩阵Q；

步骤2.2：规范化负荷特征矩阵Q得到矩阵Q*，再对矩阵Q*进行转置得到矩阵Q^*T；

步骤2.3：根据矩阵Q*和矩阵Q^*T计算相关系数矩阵R，令矩阵R的特征值为特征值对应的特征矩阵为

步骤2.4：令矩阵R的特征值个数j＝1，即令主成分个数m_cum＝1；

步骤2.5：计算m_cum个主成分的累计方差贡献率，即数据融合的结果；

步骤2.6：判断数据融合的结果是否大于90％，若是，则利用m_cum个主成分构建负荷时序特征数据库，若否，则令j＝j+1，返回步骤2.5。