CN110119545B - 一种基于栈式自编码器的非侵入式电力负荷识别方法 - Google Patents

Abstract

本发明公开了一种基于栈式自编码器的非侵入式电力负荷识别方法，从构建电力负荷的负荷特征数据集到始输入数据样本点个数S的确定以及降维处理，再到建立栈式自编码器深度学习模型获得原始电力负荷电流的特征信息，最后采用机器学习深度学习中的Softmax函数对得到的原始电力负荷电流的特征信息进行处理，通过Softmax作为分类器对用电行为进行分类辨识，该方法解决了现有技术中在多负荷同时工作时辨识效果差，辨识速度慢的问题，解决了当场景中用电器有功无功功率接近，辨识效果差的问题，提高了电力负荷分解的准确性与分解效率。

Description

一种基于栈式自编码器的非侵入式电力负荷识别方法

技术领域

本发明属于智能用电及能效监测领域，具体涉及一种基于栈式自编码器的非侵入式电力负荷识别方法。

背景技术

电能是应用最为广泛的二次能源，人们近一半的生活、生产需求能源由电能提供，虽然近年来可再生能源应用领域发展迅速，但是目前所用的电能绝大部分仍然来自化石燃料。因此，节电对经济和环境的可持续发展有着关键的作用。

电力负荷用电监测(简称“负荷用电监测”)是开展节电这项系统工程的第一步，因为只有清楚电能是如何被利用与消耗的，才能找到有效的节电调控措施和更高效的用电方式。它对指导用户安全经济用电，提升电改后国网公司的竞争力、缓解能源危机的压力、实现能源资源与生态环境的可持续发展和建设节约型社会等均具有重要的现实意义。

目前，电力负荷监测分解技术主要分为侵入式监测分解技术和非侵入式监测分解两类技术。侵入式负荷监测分解技术的研宄和发展相对较早，这种方法通过在被监测系统中每一个用电设备上安装带有数字通信功能的传感器，来实现对被监测系统内每个负荷运行状态和用电信息的监测。侵入式负荷监测方法所获得的计量数据较为准确、完整，但大量监测传感器的安装所造成的建设成本和维护成本较大，对于个体居民用户来说，侵入式负荷监测系统的安装需要进入居民家中进行安装调试，不可避免的会影响居民电力用户的正常生活，容易造成用户抵触心理。

非侵入式电力负荷监测技术不需要对每个设备进行监测，仅需要在居民电力用户的入口处安装一个监测装置，通过采集、分析入口总电流和总电压信息来辨识居民户内每个或每类电器的启停状态和工作状态，从而得到居民的用电规律。相对于传统的侵入式监测方法，非侵入式电力负荷检测系统减少了监测设备，大大降低了安装成本和后期维护所需的时间与费用.

非侵入式电力负荷检测技术具有可行高，低成本的优点，目前该项技术是负荷监测分解研究的热点领域。负荷的特征提取与分类识别是非侵入式电力负荷监测技术的难点所在。目前在该领域人们已经取得一些成就，现有的技术方法的识别率普遍在50％-95％左右；但是当负荷的有功无功特征接近、存在多状态切换的负荷或者当系统中有大量负荷同时工作时辨识的准确度会大大降低。

发明内容

本发明的目的是提供一种基于栈式自编码器的非侵入式电力负荷识别方法，解决了现有技术中对电荷识别准确度不高的问题。

本发明所采用的技术方案是，一种基于栈式自编码器的非侵入式电力负荷识别方法，具体按照以下步骤实施：

步骤1：构建电力负荷的负荷特征数据集

确定场景中的用电器，对用电器工作的电流波形数据进行采集，假设共m个用电器，则将有m个点数据采用错位滑动的方法进行处理，得到第一训练集数据即为电力负荷的负荷特征数据集；

步骤2：对步骤1中所得到的第一训练集数据进行降维

将第一训练集数据的第一个点作为起始数据，间隔一定数目的点数据对数据进行一次采样，将第一个点数据和采样点数据共同作为第二训练集数据，假设间隔数目为10，则第二训练集数据由I₁,I₁₀,I₂₀,...，其中，I₁,I₁₀,I₂₀,...为用电器的电流点数据，则降维维数为

其中m是10的倍数；

步骤3：建立栈式自编码器模型

步骤3.1：将第二训练集数据作为第一层自编码器的输入数据，对第一层自编码器进行一次训练，即将第一层自编码器隐藏层的输出作为第二层自编码器的输入，共构建K层栈式自编码器；

步骤3.2：对所构建的K层栈式自编码器进行二次训练，即采用反向传播算法调整所有层的参数，实现网络微调；

步骤3.3：将完成二次训练的栈式自编码器最后一层自编器隐藏的输出信息作为用电器的特征集：假设一种用电器共有L组训练数据，经过栈式自编器训练后将得到L组特征；假设共有n种用电器，其工作时的组合状态共有(2ⁿ-1)种，假设栈式自编码器最后一层自编码器隐藏层的一组输出数据为x，n种用电器，(2ⁿ-1)种组合状态的特征集为

步骤4：利用Softmax分类器对步骤3中得到的特征集进行分类辨识：

将步骤3中最后一层自编码器后接Softmax分类器，将步骤3得到的用电器的特征集送到Softmax分类器中进行三次训练学习，具体利用Softmax的函数值组成深度学习模型，当需要对用电器的工作状态进行判断时，采集用电器工作的电流信息，将此电流信息作为深度学习模型的输入，便可以利用深度学习模型自动的对其进行辨识。

本发明的特点还在于：

步骤1中错位滑动的方法如下：

假设采集到的用电器工作电流由I₁,I₂,I₃,...连续个电流点数据构成；

步骤1.1：数据集中该种用电器的一个训练数据的起始时刻的电流为I₁，将采集到的电流点数据中I₁,I₂,I₃,...I_m共m个点数据作为该用电器的第1组训练数据；

步骤1.2：将I₂,I₃,I₄,...I_m+1共m个用电器的电流数据作为该用电器的第2组训练数据；

步骤1.3：将I₃,I₄,I₅,...I_m+2共m个用电器的电流数据作为该用电器的第3组训练数据；

步骤1.4：按照步骤1.2.步骤1.3方法，重复此步骤，对采集的电流数据进行错位滑动处理，直至所获得的训练数据的最后一个点数据值等于采集到的电流数据的最后一个电流点数据的值，得到第一训练集数据即为电力负荷的负荷特征数据集。

步骤3.1中一次训练实际为自编码器的编码与解码的过程，其中，编码函数h_i为：

解码函数为：

自编码器将输入y_i编码为新的表达h_i，再将h_i解码重构回y_i，其中，W(l,1)表示第l层自编码器输入层与隐藏层之间的连接权值，y_i为第二训练集数据，b(l,1)表示第l层自编码器输入层与隐藏层之间的偏置，b(l,2)表示第l层自编码器层自编码器隐藏层与输出层之间的偏置。

步骤3.2中K层栈式自编码器的确定具体如下：

第二训练集数据中的训练数据维数为S，当50≤S时，采用如下步骤：

①第1层自编码器节点数目＝β₁*S，其中；

②第i层自编码器节点数目＝β_i*上一层自编码器结点数目,其中，

③判断前一层自编码器隐藏层的输出维数，如果维数大于50，重复②；如果小于50，设置最后一个自编码器节点的个数为10～20；

假设经过K次降维，隐藏层的输出的数据维数降到10～20维，栈式自编码器的层数则为K；

当S＜50时，采用两层栈式自编码器对第二训练集数据进行一次训练，第1层自编码器节点数目＝第2层自编码器节点数节点数的取值为10～20。

步骤4中三次训练过程如下：

步骤4.1：计算特征集中对象x_i针对每一个类别t_i对应的Softmax的函数值r_θ(x_i)：

r_θ(x_i)代表特征集中对象x_i对应的Softmax的函数值；θ为训练模型参数；t_i为样本对应的标签勒边；p(t_i＝a|x_i)针对每一个类别估算出的概率值a＝1,2,3,...2ⁿ-1；

其中θ可以表示为：

步骤4.2：将步骤4.1所得到的r_θ(x_i)带入到损失函数公式中计算该对象的损失函数：

对于x_i选择最大概率取值对应的标签类别作为当前用电器工作状态的识别结果，并与用电器工作状态的真实类别作比较，所得Softmax的损失函数为：

C为样本类别总数，C＝2ⁿ-1；a＝1,2,3,...2ⁿ-1；

1{t_i＝j}为示性函数，其取值规则为：

p(t_i＝a|x_i；θ)为将x_i分类为类别a的概率；

步骤4.3：采用梯度下降优化算法对步骤4.2得到的损失函数进行优化，优化的过程即为辨识的过程，优化过程如下：

对损失函数求偏导

采用梯度下降法对上式求解极小值，采用如下公式对参数θ进行更新；

μ为学习速度。

本发明的有益效果是，通过非侵入式负荷采集系统对用电器工作时的电流信息进行采集，采用栈式自编码器以用电器的电流信息为输入进行训练学习，将栈式自编器最后一层自编码器隐藏层的信息作为数据特征，以Softmax作为分类器对电流信息进行分类辨识，该方法解决了现有技术中在多负荷同时工作时辨识效果差，辨识速度慢的问题，解决了当场景中用电器有功无功功率接近，辨识效果差的问题，提高了电力负荷分解的准确性与分解效率。

附图说明

图1是本发明一种基于栈式自编码器的非侵入式电力负荷识别方法的流程图；

图2是采用本发明一种基于栈式自编码器的非侵入式电力负荷识别方法采集的电脑电流波形图；

图3是采用本发明一种基于栈式自编码器的非侵入式电力负荷识别方法采集的水壶电流波形图；

图4是采用本发明一种基于栈式自编码器的非侵入式电力负荷识别方法采集的电磁炉电流波形图；

图5是采用本发明一种基于栈式自编码器的非侵入式电力负荷识别方法采集的吹风机电流波形图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，为具体的基于栈式自编码器的非侵入式电力负荷识别方法的流程图，其方法具体如下：

步骤1：构建电力负荷的负荷特征数据集

确定场景中的用电器，对用电器工作的电流波形数据进行采集，假设共m个用电器，则将有m个点数据采用错位滑动的方法进行处理，得到第一训练集数据即为电力负荷的负荷特征数据集；

假设采集到的用电器工作电流由I₁,I₂,I₃,...连续个电流点数据构成；

步骤1.1：数据集中该种用电器的一个训练数据的起始时刻的电流为I₁，将采集到的电流点数据中I₁,I₂,I₃,...I_m共m个点数据作为该用电器的第1组训练数据；

步骤1.2：将I₂,I₃,I₄,...I_m+1共m个用电器的电流数据作为该用电器的第2组训练数据；

步骤1.3：将I₃,I₄,I₅,...I_m+2共m个用电器的电流数据作为该用电器的第3组训练数据；

步骤1.4：按照步骤1.2.步骤1.3方法，重复此步骤，对采集的电流数据进行错位滑动处理，直至所获得的训练数据的最后一个点数据值等于采集到的电流数据的最后一个电流点数据的值，得到第一训练集数据即为电力负荷的负荷特征数据集。

步骤2：对步骤1中所得到的第一训练集数据进行降维

将第一训练集数据的第一个点作为起始数据，间隔一定数目的点数据对数据进行一次采样，将第一个点数据和采样点数据共同作为第二训练集数据，假设间隔数目为10，则第二训练集数据由I₁,I₁₀,I₂₀,...，其中，I₁,I₁₀,I₂₀,...为用电器的电流点数据，则降维维数为

其中m是10的倍数；

步骤3：建立栈式自编码器模型

步骤3.1：将第二训练集数据作为第一层自编码器的输入数据，对第一层自编码器进行一次训练，即将第一层自编码器隐藏层的输出作为第二层自编码器的输入，共构建K层栈式自编码器；

步骤3.1中一次训练实际为自编码器的编码与解码的过程，其中，编码函数h_i为：

解码函数为：

自编码器将输入y_i编码为新的表达h_i，再将h_i解码重构回y_i，其中，W(l,1)表示第l层自编码器输入层与隐藏层之间的连接权值，y_i为第二训练集数据，b(l,1)表示第l层自编码器输入层与隐藏层之间的偏置，b(l,2)表示第l层自编码器层自编码器隐藏层与输出层之间的偏置；

步骤3.2：对所构建的K层栈式自编码器进行二次训练，即采用反向传播算法调整所有层的参数，实现网络微调；

步骤3.2中K层栈式自编码器的确定具体如下：

第二训练集数据中的训练数据维数为S，当50≤S时，采用如下步骤：

①第1层自编码器节点数目＝β₁*S，其中；

②第i层自编码器节点数目＝β_i*上一层自编码器结点数目,其中，

③判断前一层自编码器隐藏层的输出维数，如果维数大于50，重复②；如果小于50，设置最后一个自编码器节点的个数为10～20；

假设经过K次降维，隐藏层的输出的数据维数降到10～20维，栈式自编码器的层数则为K；

当S＜50时，采用两层栈式自编码器对第二训练集数据进行一次训练，第1层自编码器节点数目＝第2层自编码器节点数节点数的取值为10～20；

步骤3.2采用反向传播算法调整所有层的参数，实现网络微调的具体过程为：

若训练集样本数个数为N，则自编码器的输出误差代价函数可表示为：

式中，第一项表示均方误差，其目的是为了最小化重构误差；第二项是一个权重衰减，其目的是为了减小权重的幅值防止过拟合现象；第三项是稀疏惩罚项，

表示相对熵，这一项可以控制隐藏层神经元的平均活跃度保持在较小的范围内；

j为隐藏层神经元，ρ为神经元的活跃度。

为第l层隐藏层神经元j的平均活跃度；

该模型中前一个自编码器隐藏层的输出为h(l)，后一层自编码的输入V(l+1)，有:V(l+1)＝h(l)

则通过代价函数实现微调；

步骤3.3：将完成二次训练的栈式自编码器最后一层自编器隐藏的输出信息作为用电器的特征集：假设一种用电器共有L组训练数据，经过栈式自编器训练后将得到L组特征；假设共有n种用电器，其工作时的组合状态共有(2ⁿ-1)种，假设栈式自编码器最后一层自编码器隐藏层的一组输出数据为x，n种用电器，(2ⁿ-1)种组合状态的特征集为

步骤4：利用Softmax分类器对步骤3中得到的特征集进行分类辨识：

将步骤3中最后一层自编码器后接Softmax分类器，将步骤3得到的用电器的特征集送到Softmax分类器中进行三次训练学习，具体利用Softmax的函数值组成深度学习模型，当需要对用电器的工作状态进行判断时，采集用电器工作的电流信息，将此电流信息作为深度学习模型的输入，便可以利用深度学习模型自动的对其进行辨识。

步骤4中三次训练过程如下：

步骤4.1：计算特征集中对象x_i针对每一个类别t_i对应的Softmax的函数值r_θ(x_i)：

r_θ(x_i)代表特征集中对象x_i对应的Softmax的函数值；θ为训练模型参数；t_i为样本对应的标签勒边；p(t_i＝a|x_i)针对每一个类别估算出的概率值a＝1,2,3,...2ⁿ-1；

其中θ可以表示为：

步骤4.2：将步骤4.1所得到的r_θ(x_i)带入到损失函数公式中计算该对象的损失函数：

对于x_i选择最大概率取值对应的标签类别作为当前用电器工作状态的识别结果，并与用电器工作状态的真实类别作比较，所得Softmax的损失函数为：

C为样本类别总数，C＝2ⁿ-1；a＝1,2,3,...2ⁿ-1；

1{t_i＝j}为示性函数，其取值规则为：

p(t_i＝a|x_i；θ)为将x_i分类为类别a的概率；

步骤4.3：采用梯度下降优化算法对步骤4.2得到的损失函数进行优化，优化的过程即为辨识的过程，优化过程如下：

对损失函数求偏导

采用梯度下降法对上式求解极小值，采用如下公式对参数θ进行更新；

μ为学习速度。

本实施例采用的数据是，利用非侵入式负荷采集装置对用电器的用电行为的信息数据进行采集。电网入口的电压，可以近似认为是稳定不变的，电力负荷的特征与其电流密切相关，电流的改变同时会引起该时刻用电器有功功率、无功功率的改变。因此，本发明实施例以用户电网入口的完整电流波形，以及得到的功率波形作为监测系统的负荷特征，保证有足够的特征信息用以区分不同的电力负荷。本实施例选定的目标用电器有：电脑、电磁炉、水壶、吹风机。以这四种用电器为目标对象对本发明进一步地详细说明。其中电脑的电流波形较为复杂，电磁炉和水壶的电流波形较为相似。

以600个采样点为输入数据进行训练学习，结合Softmax分类器进行分类学习，最终的识别结果如表1所示。

以61个采样点为输入数据进行训练学习，结合Softmax分类器进行分类学习，最终的识别结果如表2所示。

表一：输入为600个节点采用单模型多识别结构的识别准确度

表二：输入为61个节点采用单模型多识别结构的识别准确度

由表一，表二的识别结果可知，本发明方法对以电脑，水壶，电磁炉，吹风机这四种用电器及其与其他用电器所组合的用电行为的辨识具有一定效果，辨识的准确度高。由图2-5所示，可知基于栈式自编码器的非侵入式电力负荷识别方法采集到的电脑、水壶、电磁炉、吹风机单独工作时的电流波形清晰准确，可以方便的观察波形的变化。总体来说，本发明方法有效地解决了现有技术方法在多负荷同时工作时辨识效果差，辨识速度慢的问题，解决了当场景中用电器有功无功功率接近，辨识效果差的问题。

Claims (5)

1.一种基于栈式自编码器的非侵入式电力负荷识别方法，其特征在于，具体按照以下步骤实施：

步骤1：构建电力负荷的负荷特征数据集

确定场景中的用电器，对用电器工作的电流波形数据进行采集，假设共m个用电器，则将有m个点数据采用错位滑动的方法进行处理，得到第一训练集数据即为电力负荷的负荷特征数据集；

步骤2：对步骤1中所得到的第一训练集数据进行降维

将第一训练集数据的第一个点作为起始数据，间隔一定数目的点数据对数据进行一次采样，将第一个点数据和采样点数据共同作为第二训练集数据，假设间隔数目为10，则第二训练集数据由I₁,I₁₀,I₂₀,...，其中，I₁,I₁₀,I₂₀,...为用电器的电流点数据，则降维维数为

其中m是10的倍数；

步骤3：建立栈式自编码器模型

步骤3.1：将第二训练集数据作为第一层自编码器的输入数据，对第一层自编码器进行一次训练，即将第一层自编码器隐藏层的输出作为第二层自编码器的输入，共构建K层栈式自编码器；

步骤3.2：对所构建的K层栈式自编码器进行二次训练，即采用反向传播算法调整所有层的参数，实现网络微调；

步骤3.3：将完成二次训练的栈式自编码器最后一层自编器隐藏的输出信息作为用电器的特征集：假设一种用电器共有L组训练数据，经过栈式自编器训练后将得到L组特征；假设共有n种用电器，其工作时的组合状态共有(2ⁿ-1)种，假设栈式自编码器最后一层自编码器隐藏层的一组输出数据为x，n种用电器，(2ⁿ-1)种组合状态的特征集为

步骤4：利用Softmax分类器对步骤3中得到的特征集进行分类辨识：

将步骤3中最后一层自编码器后接Softmax分类器，将步骤3得到的用电器的特征集送到Softmax分类器中进行三次训练学习，具体利用Softmax的函数值组成深度学习模型，当需要对用电器的工作状态进行判断时，采集用电器工作的电流信息，将此电流信息作为深度学习模型的输入，便可以利用深度学习模型自动的对其进行辨识。

2.根据权利要求1所述的一种基于栈式自编码器的非侵入式电力负荷识别方法，其特征在于，所述步骤1中错位滑动的方法如下：

假设采集到的用电器工作电流由I₁,I₂,I₃,...连续个电流点数据构成；

步骤1.1：数据集中该种用电器的一个训练数据的起始时刻的电流为I₁，将采集到的电流点数据中I₁,I₂,I₃,...I_m共m个点数据作为该用电器的第1组训练数据；

步骤1.2：将I₂,I₃,I₄,...I_m+1共m个用电器的电流数据作为该用电器的第2组训练数据；

步骤1.3：将I₃,I₄,I₅,...I_m+2共m个用电器的电流数据作为该用电器的第3组训练数据；

步骤1.4：按照步骤1.2.步骤1.3方法，重复此步骤，对采集的电流数据进行错位滑动处理，直至所获得的训练数据的最后一个点数据值等于采集到的电流数据的最后一个电流点数据的值，得到第一训练集数据即为电力负荷的负荷特征数据集。

3.根据权利要求1所述的一种基于栈式自编码器的非侵入式电力负荷识别方法，其特征在于，所述步骤3.1中一次训练实际为自编码器的编码与解码的过程，其中，编码函数h_i为：

解码函数为：

自编码器将输入y_i编码为新的表达h_i，再将h_i解码重构回y_i，其中，W(l,1)表示第l层自编码器输入层与隐藏层之间的连接权值，y_i为第二训练集数据，b(l,1)表示第l层自编码器输入层与隐藏层之间的偏置，b(l,2)表示第l层自编码器层自编码器隐藏层与输出层之间的偏置。

4.根据权利要求1所述的一种基于栈式自编码器的非侵入式电力负荷识别方法，其特征在于，所述步骤3.2中K层栈式自编码器的确定具体如下：

第二训练集数据中的训练数据维数为S，当50≤S时，采用如下步骤：

①第1层自编码器节点数目＝β₁*S，其中；

②第i层自编码器节点数目＝β_i*上一层自编码器结点数目,其中，

③判断前一层自编码器隐藏层的输出维数，如果维数大于50，重复②；如果小于50，设置最后一个自编码器节点的个数为10～20；

假设经过K次降维，隐藏层的输出的数据维数降到10～20维，栈式自编码器的层数则为K；

当S＜50时，采用两层栈式自编码器对第二训练集数据进行一次训练，第1层自编码器节点数目＝第2层自编码器节点数节点数的取值为10～20。

5.根据权利要求1所述的一种基于栈式自编码器的非侵入式电力负荷识别方法，其特征在于，所述步骤4中三次训练过程如下：

步骤4.1：计算特征集中对象x_i针对每一个类别t_i对应的Softmax的函数值r_θ(x_i)：

r_θ(x_i)代表特征集中对象x_i对应的Softmax的函数值；θ为训练模型参数；t_i为样本对应的标签勒边；p(t_i＝a|x_i)针对每一个类别估算出的概率值a＝1,2,3,...2ⁿ-1；

其中θ可以表示为：

步骤4.2：将步骤4.1所得到的r_θ(x_i)带入到损失函数公式中计算该对象的损失函数：

对于x_i选择最大概率取值对应的标签类别作为当前用电器工作状态的识别结果，并与用电器工作状态的真实类别作比较，所得Softmax的损失函数为：

C为样本类别总数，C＝2ⁿ-1；a＝1,2,3,...2ⁿ-1；

1{t_i＝j}为示性函数，其取值规则为：

p(t_i＝a|x_i；θ)为将x_i分类为类别a的概率；

步骤4.3：采用梯度下降优化算法对步骤4.2得到的损失函数进行优化，优化的过程即为辨识的过程，优化过程如下：

对损失函数求偏导

采用梯度下降法对上式求解极小值，采用如下公式对参数θ进行更新；

μ为学习速度。

Images