CN110309984B

CN110309984B - 一种非侵入式负荷识别与短期用户行为预测方法

Info

Publication number: CN110309984B
Application number: CN201910617088.4A
Authority: CN
Inventors: 何光宇; 翟少鹏; 燕续峰; 何果红; 李川江
Original assignee: Shanghai Shangta Software Development Co ltd
Current assignee: Shanghai Shangta Software Development Co ltd
Priority date: 2019-07-09
Filing date: 2019-07-09
Publication date: 2022-08-05
Anticipated expiration: 2039-07-09
Also published as: CN110309984A

Abstract

本发明公开了家庭能源管理技术领域的一种非侵入式负荷识别与短期用户行为预测方法，步骤包括数据预处理、基于深度学习的序列学习和电器状态辨识与短期用户行为预测，利用给定的历史用电序列进行负荷识别，然后在基于之前的负荷识别模型中的序列学习模块进行短期用户行为预测，短期用户行为预测可以为智能家居系统的电器自动化运行提供参考，采用获取成本更低的低频采集数据，深入分析用户内部负荷成分、获取的负荷信息，完善了用电信息采集系统与智能用电系统。

Description

一种非侵入式负荷识别与短期用户行为预测方法

技术领域

本发明涉及家庭能源管理技术领域，具体为一种非侵入式负荷识别与短期用户行为预测方法。

背景技术

随着物联网(internet of things，IOT)技术的发展，家庭能源管理系统(homeenergy management system)的成本逐年降低，普及率逐渐提升。家庭能源管理系统的研究起源于20世纪70年代，被用于提高楼宇、家庭的用电效率，以实现节能减排的目的。家庭能源管理系统利用智能电表、智能插座收集电力消耗情况、电器工作状态等信息，以此来分析用户行为，负荷识别可根据用电信息分析电器类型既每种电器的功耗(如图1所示)。负荷识别突破目前电表只能自动读取用电总量，而不能深入分析用户内部负荷成分、获取的负荷信息有限等瓶颈。

电力需求侧管理作为智能电网建设中的重要组成部分，是实现全社会合理节能节电的重要手段。需求侧管理包括能效管理、负荷管理以及燃料替代和节约能源等。家电负荷识别作为负荷管理的关键技术之一，可以在线监测各类家电的使用情况，实现电费的分类计量。这不仅可以使用户及时了解自己的用电情况，引导用户自觉采取节能措施，减少电费支出，也有助于电力公司了解用户负荷构成，实现与用户实时互动，加强负荷侧管理，实现降低峰谷差、节约能源等目的心。依据数据来源划分，负荷识别分为侵入式负荷识别(intrusive load monitoring，ILM)和非侵入式负荷识别(non-intrusive loadmonitoring，NILM)两种。侵入式负荷识别指测量装置侵入至电器运行处，测量设备可以单独采集某个电器本身的电量消耗；非侵入式负荷识别指仅在家庭关口电表处安装测量设备，所采集的电量信息为多个电器同时运行的结果，其识别难度更大。

非侵入式负荷识别首先在1992年首次提出，其将电器开启、关闭时的功率序列上升沿、下降沿来作为特征进行负荷识别，依据电器工作时的曲线形状，电器被分为单状态电器、多状态电器以及连续状态电器。对于每类电器，基于曲线特征，通过有监督学习来训练负荷类型分类器来进行负荷分解。用户行为的短期预测指在给定历史用电序列{x₁,x₂,...,x_t-1}后，对在时间t的用户电器使用行为进行估计，此后，业界涌现出大量针对非侵入式负荷识别的工作，它们的主要区别在于所使用的模型和特征。故现实生活中亟需设计一种对过去一段时间的电表数据进行负荷识别，基于负荷识别的结果，应用模型进行短期用户行为预测，使电器根据预测的结果进行自动运行的方法，基于此，本发明设计了一种非侵入式负荷识别与短期用户行为预测方法，以解决上述问题。

发明内容

本发明的目的在于提供一种非侵入式负荷识别与短期用户行为预测方法，以解决上述背景技术中提出的亟需设计一种对过去一段时间的电表数据进行负荷识别，基于负荷识别的结果，应用模型进行短期用户行为预测，使电器根据预测的结果进行自动运行的方法的问题。

为实现上述目的，本发明提供如下技术方案：一种非侵入式负荷识别与短期用户行为预测方法，其特征在于：包括以下步骤：

步骤1，数据预处理；

步骤2，基于深度学习的序列学习；

步骤3，电器状态辨识与短期用户行为预测。

进一步的，步骤1中，数据预处理，具体为，

通过给定的家庭电表功率时间序列{x₁,x₂,...,x_T'}，将其转变为另一条更短的时间序列bins＝[bin₁,bin₂,...,bin_T-1,bin_T]，其中T'＞＞T，基于事件检测法设置一个阈值z＝10W，在功率时间序列{x₁,x₂,...,x_T'}中，对于任意索引t，若x_t+1-x_t＞z，则认为t+1处存在一个事件，在整条功率时间序列{x₁,x₂,...,x_T'}中，任意两个事件之间的功率值由一个bin表示：

bin_i＝{start_time,delta_time,mean_power,delta_power},i∈{1,...,T}

其中，start_time表示当前bin所对应开始事件的时间索引，delta_time为结束事件的时间索引，mean_power表示这一段功率时间序列的平均功率，delta_power表示当前bin的平均功率与上一个bin的平均功率的差值。

进一步的，步骤2中，基于深度学习的序列学习，具体为，建立基于每个bin输出的模型。

进一步的，步骤3基于序列学习建立的模型进行电器状态辨识与短期用户行为预测，包括以下步骤：

3-1)时间信息处理；

对于某个bin_t，期望输出它对应的电器状态向量App_t，依赖于时间信息可以极大提升对某类电器的识别准确率，为了模型得以与时间信息结合，需先对时间信息进行处理，即(start_time，delta_power)做一次变换，即构建函数TE(start_time，delta_power)，TE函数形式如下所示：

TE＝mlp_t(start_time,delta_time)

其中，mlp_t为一个深度前馈神经网络，网络输入为2维，输出维度为10维。

3-2)用户历史电器使用情况处理；

对于一个用户，要推断在bin_t的电器使用状态，需要综合分析用户的历史电器使用情况，需要构造一个函数，该函数输入为在时刻t之前的用使用状态，生成综合过去电器使用情况的新向量AUBE＝LSTM([target_{t-win_size-1},...,target_t-1])，其中LSTM指长短时记忆网络，win_size是个常数，控制了模型使用多长时间的历史电器使用情况，LSTM网络输入维度与电器数量相同，输出维度与TE相同，AUBE可以被视为对过去的电器使用情况的一个总结。

进一步的，步骤3基于序列学习建立的模型进行电器状态辨识与短期用户行为预测分为三方面应用，一方面应用于非侵入式负荷识别、另外一方面应用于用户行为预测，最后一方面应用于模型训练。

非侵入式负荷识别包括：

综合AUBE和TE进行推断：

y_u＝sigmoid(mlp_u(TE+AUBE))

其中mlp_u为一个深度前馈网络，sigmoid函数为

该函数可将输出向量y进行归一化，认为是对应电器开启的概率，每次对target_t-1进行识别时，需要已知target_{t-win_size-1},...,target_t-1，首先基于其它简单的负荷识别方法判断target₁,...,target_{win_size}，进而由此基于我们的模型推出target_{win_size+1}，进而可以递推target_{win_size+i},i＞1。

用户行为预测包括：

用户行为的短期预测指在给定历史用电序列{x₁,x₂,...,x_t'-1}后，对在当前时间的用户电器使用行为target_t进行估计，具体方法步骤如下：

一，对历史电表数据{x₁,x₂,...,x_t'-1}进行预处理，形成bins＝[bin_{t-win_size-1},bin_{t-win_size-2},...,bin_t-2,bin_t-1]；

二，对bins＝[bin_{t-win_size-1},bin_{t-win_size-2},...,bin_t-2,bin_t-1]进行负荷识别，形成target_{t-win_size-1},...,target_t-1；

三，将target_{t-win_size-1},...,target_t-1输入生成AUBE的LSTM网络，生成的结果经由另外一个深度前馈神经网络mlp_b解码，mlp_b输入维度与AUBE相同，输出维度与电器数相同，最后输出经过softmax函数处理，生成下个时间断面各个电器工作的概率：各个电器工作的概率＝softmax(mlp_b(AUBE))，其中，softmax函数将mlp_b的输出归一化到0至1，表示各个电器在下一个时间点运行的概率。

模型训练包括：深度前馈网络均采用ReLU激活函数：

ReLU(x)＝max(x,0)

其中mlp_t为五层神经网络，每一层神经单元数目分别为：2、4、6、8、10；mlp_u为四层神经网络，每一层单元数分别为：电器数、3、6、10，对于y_u中的每个元素，若大于0.5，则赋值1，否则赋值0，作为电器工作状态向量，对于模型输出y_u与基于电器级数据的期望正确输出YT，构建损失函数：

其中，y_ui为y_u向量的第i个值，通过ADAM优化法，对mlp模型中的参数进行学习。

进一步的，步骤3中，电器状态辨识，具体为，采用f1-score为度量标准，在REDD数据集上对比sparseHMM和SIQCP两种方法。

与现有技术相比，本发明的有益效果是：本发明利用给定的历史用电序列进行负荷识别，然后在基于之前的负荷识别模型中的序列学习模块进行用户行为预测，短期用户行为预测可以为智能家居系统的电器自动化运行提供参考，采用获取成本更低的低频采集数据，深入分析用户内部负荷成分、获取的负荷信息，完善了用电信息采集系统与智能用电系统。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为现有电器功耗图；

图2为本发明时间序列图；

图3为本发明模型结构图；

图4为本发明用户行为预测准确度示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供一种技术方案：一种非侵入式负荷识别与短期用户行为预测方法，其特征在于：包括以下步骤：

步骤1，数据预处理；

步骤2，基于深度学习的序列学习；

步骤3，电器状态辨识与短期用户行为预测。

步骤1中，数据预处理，具体为，

bin_i＝{start_time,delta_time,mean_power,delta_power},i∈{1,...,T}

步骤2中，基于深度学习的序列学习，具体为，建立基于每个bin输出的模型。

模型的目的在于如何基于每个bin，输出对应的工作状态，即该向量，已知每个bin包含这段时间的时间点、时长以及功率信息，模型应基于此捕获电器运行的典型时间、功率信息。

步骤3基于序列学习建立的模型进行电器状态辨识与短期用户行为预测，包括以下步骤：

3-1)时间信息处理；

对于某个bin_t，期望输出它对应的电器状态向量App_t，依赖于时间信息可以极大提升对某类电器的识别准确率，例如，电灯在白天开启的概率要小于晚上，算法模型应基于时间信息建立，捕获电器在不同时间段使用的概率，为了模型得以与时间信息结合，需先时间信息，即(start_time，delta_power)做一次变换，即构建函数TE(start_time，delta_power)，TE函数形式如下所示：

TE＝mlp_t(start_time,delta_time)

3-2)用户历史电器使用情况处理；

对于一个用户，要推断在bin_t的电器使用状态，需要综合分析用户的历史电器使用情况，例如，若用户习惯吃饭后洗澡，那么在该时间段热水器工作的概率取决于之前是否有电磁炉工作过，需要构造一个函数，该函数输入为在时刻t之前的用使用状态，生成综合过去电器使用情况的新向量AUBE＝LSTM([target_{t-win_size-1},...,target_t-1])，其中LSTM指长短时记忆网络，win_size是个常数，控制了模型使用多长时间的历史电器使用情况，LSTM网络输入维度与电器数量相同，输出维度与TE相同，AUBE可以被视为对过去的电器使用情况的一个总结。

步骤3基于序列学习建立的模型进行电器状态辨识与短期用户行为预测分为三方面应用，一方面应用于非侵入式负荷识别、另外一方面应用于用户行为预测，最后一方面应用于模型训练。

非侵入式负荷识别包括：

综合AUBE和TE进行推断：

y_u＝sigmoid(mlp_u(TE+AUBE))

其中mlp_u为一个深度前馈网络，sigmoid函数为

用户行为预测包括：

三，将target_{t-win_size-1},...,target_t-1输入上文生成AUBE的LSTM网络，生成的结果经由另外一个深度前馈神经网络mlp_b解码，mlp_b输入维度与AUBE相同，输出维度与电器数相同，最后输出经过softmax函数处理，生成下个时间断面各个电器工作的概率：各个电器工作的概率＝softmax(mlp_b(AUBE))，其中，softmax函数将mlp_b的输出归一化到0至1，表示各个电器在下一个时间点运行的概率。

模型训练包括：

深度前馈网络均采用ReLU激活函数：

ReLU(x)＝max(x,0)

步骤3中，电器状态辨别，具体为，采用f1-score为度量标准，在REDD数据集上对比sparseHMM和SIQCP两种方法，所得结果如下所示：

	SIQCP	SparseHMM	本专利方法
				F1-score	0.63	0.85	0.85
计算时间(s)	>3600	42	33

由上表可知，本专利方法在保证较高状态识别准确率的同时，计算效率相较于传统方法得到显著增强。

用户行为预测的准确率与win_size的选择密切相关，实验得不同win_size下进行用户行为预测的准确度如图4所示，不同win_size用户行为预测准确率指标，其中纵轴表示准确率，横轴n表示对接下来预测用户行为的数量，若预测接下来一个行为，采用不同win_size的效果类似，但随着n增长，较高的win_size相对能获得较好的效果。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims

1.一种非侵入式负荷识别与短期用户行为预测方法，其特征在于：包括以下步骤：

步骤1，数据预处理：

通过给定的电表功率时间序列{x₁,x₂,...,x_T’}，将其转变为另一条更短的时间序列bins＝[bin₁,bin₂,...,bin_T-1,bin_T]，其中T’＞＞T，基于事件检测法设置一个阈值z＝10W，在电表功率时间序列{x₁,x₂,...,x_T’}中，对于任意索引t，若x_t+1-x_t＞z，则认为t+1处存在一个事件，在整条电表功率时间序列{x₁,x₂,...,x_T’}中，任意两个事件之间的功率值由一个bin表示：

bin_i＝{start_time,delta_time,mean_power,delta_power},i∈{1,...,T}

其中，start_time表示当前bin所对应开始事件的时间索引，delta_time为结束事件的时间索引，mean_power表示这一段功率时间序列的平均功率，delta_power表示当前bin的平均功率与上一个bin的平均功率的差值；

步骤2，基于深度学习的序列学习，建立基于每个bin输出的模型；

步骤3，基于序列学习建立的模型进行电器状态辨识与短期用户行为预测分为三方面应用，一方面应用于非侵入式负荷识别、另外一方面应用于用户行为预测，最后一方面应用于模型训练；

3-1)非侵入式负荷识别包括：

综合AUBE和TE进行推断：

y_u＝sigmoid(mlp_u(TE+AUBE))

其中mlp_u为一个深度前馈网络；sigmoid函数为

该函数可将输出向量进行归一化，归一化后的向量是对应电器开启的概率，若大于0.5，则赋值1，否则赋值0；y_u为电器工作状态向量；在对任意target_t进行识别时，需要已知target_{t-win_size-1},...,target_t-1，从而基于模型推出target_t；

3-2)用户行为预测包括：

用户行为的短期预测指在给定历史电表功率时间序列{x₁，x₂，...，x_t’-1}后，对在当前时间的用户电器使用行为target_t进行估计，具体方法步骤如下：

一，对历史电表功率时间序列{x₁，x₂，...，x_t’-1}进行预处理，形成bins＝[bin_{t-win_size-1},bin_{t-win_size-2},...,bin_t-2,bin_t-1]；

三，将target_{t-win_size-1},...,target_t-1输入生成AUBE的LSTM网络，生成的结果经由另外一个深度前馈神经网络mlp_b解码，mlp_b输入维度与AUBE相同，输出维度与电器数相同，最后输出经过softmax函数处理，生成下个时间断面各个电器工作的概率：

各个电器工作的概率＝softmax(mlp_b(AUBE))，其中，softmax函数将mlp_b的输出归一化到0至1，表示各个电器在下一个时间点运行的概率；

3-3)模型训练包括：深度前馈网络均采用ReLU激活函数：

ReLU(x)＝max(x,0)

对于模型输出y_u与基于电器级数据的期望正确输出YT，构建损失函数：

2.根据权利要求1所述的一种非侵入式负荷识别与短期用户行为预测方法，其特征在于：步骤3基于序列学习建立的模型进行电器状态辨识与短期用户行为预测，包括以下步骤：

a)时间信息处理；

对于某个bin_t，期望输出它对应的电器状态向量App_t，依赖于时间信息可以提升对电器的识别准确率，为了模型得以与时间信息结合，需先对时间信息进行处理，即(start_time，delta_power)做一次变换，即构建函数TE(start_time，delta_power)，TE函数形式如下所示：

TE＝mlp_t(start_time,delta_time)

其中，mlp_t为一个为五层的深度前馈神经网络，每一层神经单元数目分别为：2、4、6、8、10，网络输入维度为2维，输出维度为10维；

b)用户历史电器使用情况处理；

对于一个用户，要推断在bin_t的电器使用状态，需要综合分析用户的历史电器使用情况，需要构造一个函数，其输入为时刻t之前的电器使用状态，生成综合过去电器使用情况的新向量AUBE＝LSTM([target_{t-win_size-1},...,target_t-1])，其中LSTM指长短时记忆网络；式中win_size是常数，控制模型可观测的时间窗长度；LSTM网络输入维度与电器数量相同，输出维度与TE相同；AUBE为对过去的电器使用情况的一个总结。

3.根据权利要求1所述的一种非侵入式负荷识别与短期用户行为预测方法，其特征在于：步骤3中，电器状态辨识的效果评价，具体为，采用f1-score为度量标准，在REDD数据集上对比sparseHMM和SIQCP两种方法。