CN110516788B - 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 - Google Patents

一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 Download PDF

Info

Publication number
CN110516788B
CN110516788B CN201910724065.3A CN201910724065A CN110516788B CN 110516788 B CN110516788 B CN 110516788B CN 201910724065 A CN201910724065 A CN 201910724065A CN 110516788 B CN110516788 B CN 110516788B
Authority
CN
China
Prior art keywords
load
event
time
moment
time sequence
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910724065.3A
Other languages
English (en)
Other versions
CN110516788A (zh
Inventor
史帅彬
李锐
王雅倩
王灏
周洪
胡文山
周东国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Power Supply Bureau Co Ltd
Original Assignee
Shenzhen Power Supply Bureau Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Power Supply Bureau Co Ltd filed Critical Shenzhen Power Supply Bureau Co Ltd
Priority to CN201910724065.3A priority Critical patent/CN110516788B/zh
Publication of CN110516788A publication Critical patent/CN110516788A/zh
Application granted granted Critical
Publication of CN110516788B publication Critical patent/CN110516788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种基于Bi‑LSTM算法的非侵入式负荷检测方法，包括获取负荷系统入口处的有功功率，并根据有功功率，得到负荷投入及切除事件时刻；确定时间特征向量，并获取负荷投入及切除事件时刻各自对应时间特征向量的时间序列数据；构建Bi‑LSTM神经网络模型，该模型输入为负荷投入与切除事件的时间序列数据组合，输出为待辨识设备的概率值；基于投入及切除事件时刻，建立匹配的时间序列数据组合，基于Bi‑LSTM神经网络模型计算同一次负荷投入或负荷切除事件的概率值，将每次所得概率值最大的待辨识设备为对应负荷投入或切除事件发生的设备。实施本发明，能够提升现有的非侵入式负荷辨识算法在辨识多状态负荷和小功率负荷时的辨识性能和计算效率。

Description

一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统
技术领域
本发明涉及电力系统非侵入式负荷监测技术领域，尤其涉及一种基于Bi-LSTM(Bilateral long-term and Short-term Memory network，双向长短期记忆网络)算法的非侵入式负荷检测方法及系统。
背景技术
非侵入式负荷监测(non-intrusive load monitoring，NILM)技术通过将监测装置安装于电力系统入口处，对用户内部的用电负荷数据进行采集和分析，实现用户家庭内部负荷细分、能耗管理等。相较于传统的侵入式负荷监测，NILM具有经济、可靠、数据完整性好和易于推广应用等优点。
负荷辨识是非侵入式负荷监测中的重要一环，并在该辨识算法研究中，神经网络技术因具有良好的分类性能而受到了广泛关注。目前，已有研究者采用长短期记忆网络开发出能耗分解方法，通过电器运行时体现的时间序列特性进行负荷分解，但仅使用有功功率作为负荷特征，却未涉及对小功率电器的辨识，尤其是在针对多状态负荷(如电采暖)和小功率负荷(如电视)时，其辨识性能仍有待进一步提升。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统，能够提升现有的非侵入式负荷辨识算法在辨识多状态负荷和小功率负荷时的辨识性能和计算效率。
为了解决上述技术问题，本发明实施例提供了一种基于Bi-LSTM算法的非侵入式负荷检测方法，所述方法包括以下步骤：
获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻；
确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据；
构建Bi-LSTM神经网络模型；其中，所述Bi-LSTM神经网络模型的每一输入层输入均为一负荷投入事件时刻及一负荷切除事件时刻的时间序列数据组合，每一输出层输出均为对应一待辨识设备的概率值；
基于每一次负荷投入事件时刻，建立各负荷投入事件时刻的时间序列数据均与所有负荷切除事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷投入事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷投入事件发生时刻出现投入事件的设备。
其中，所述方法进一步包括：
基于每一次负荷切除事件时刻，建立各负荷切除事件时刻的时间序列数据均与所有负荷投入事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷切除事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷切除事件发生时刻出现切除事件的设备。
其中，所述获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻的具体步骤包括：
定义负荷运行时的观测量为时间序列M＝{m(k)},k＝1,2,…；
确定双边滑动窗检测算法；其中，所述双边滑动窗检测算法具体为首先确定均值窗和检测窗的长度，且检测窗起始位置和均值窗末端相连；其次，窗口从数据起始点开始检测负荷事件并待完成两个窗口检测向后，滑动进行下一次检测，直至所有数据检测完毕后停止；
获取负荷系统入口处的有功功率，并利用所述双边滑动窗检测算法、所定义的负荷运行时的观测量及所述负荷系统入口处的有功功率，构建如下式(1)所示的检测函数，且进一步根据所述检测函数，得到所有负荷事件发生时刻：
Figure BDA0002158292200000031
其中，μ0,μ1分为负荷事件发生前后时刻的有功功率平均值；σ0,σ1分别为负荷事件发生前后时刻的有功功率标准差；τ为正整数，用于记录负荷事件发生时刻，一般为检测窗内第一个有功功率差超过阈值的时间点；
若判定某一负荷事件发生时刻之后的有功功率均值为增加，则记为负荷投入事件时刻；反之，若某一负荷事件发生时刻之后的有功功率均值为减少，则记为负荷切除事件时刻。
其中，所述确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据的具体步骤包括：
以有功功率P、无功功率Q和15次奇偶电流谐波向量H＝[h1,h2,…,h30]，共32个参数的负荷特征，构成时间特征向量Xi＝[P,Q,H]；其中，i为某一时间点；h中下标为奇数的是奇次谐波，偶数的是偶次谐波；
若当前检测到有负荷投入事件时刻时，通过将当前所检测的负荷投入事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；若当前检测到有负荷切除事件时刻时，通过将当前所检测的负荷切除事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
其中，所述若当前检测到有负荷投入事件时刻时，通过将当前所检测的负荷投入事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；若当前检测到有负荷切除事件时刻时，通过将当前所检测的负荷切除事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据的具体步骤包括：
根据当前所检测的负荷投入事件时刻，分别确定离当前所检测的负荷投入事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷投入事件时刻之前的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷投入事件时刻之后的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；
根据当前所检测的负荷切除事件时刻，分别确定离当前所检测的负荷切除事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷切除事件时刻之后的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷切除事件时刻之前的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
本发明实施例还提供了一种基于Bi-LSTM算法的非侵入式负荷检测系统，包括：
负荷事件发生检测单元，用于获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻；
时间序列数据获取单元，用于确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据；
神经网络模型构建单元，用于构建Bi-LSTM神经网络模型；其中，所述Bi-LSTM神经网络模型的每一输入层输入均为一负荷投入事件时刻及一负荷切除事件时刻的时间序列数据组合，每一输出层输出均为对应一待辨识设备的概率值；
负荷投入事件发生设备确定单元，用于基于每一次负荷投入事件时刻，建立各负荷投入事件时刻的时间序列数据均与所有负荷切除事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷投入事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷投入事件发生时刻出现投入事件的设备。
其中，还包括：
负荷切除事件发生设备确定单元，用于基于每一次负荷切除事件时刻，建立各负荷切除事件时刻的时间序列数据均与所有负荷投入事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷切除事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷切除事件发生时刻出现切除事件的设备。
其中，所述负荷事件发生检测单元包括：
窗口观测量定义模块，用于定义负荷运行时的观测量为时间序列M＝{m(k)},k＝1,2,…；
窗口检测算法确定模块，用于确定双边滑动窗检测算法；其中，所述双边滑动窗检测算法具体为首先确定均值窗和检测窗的长度，且检测窗起始位置和均值窗末端相连；其次，窗口从数据起始点开始检测负荷事件并待完成两个窗口检测向后，滑动进行下一次检测，直至所有数据检测完毕后停止；
检测函数构建模块，用于获取负荷系统入口处的有功功率，并利用所述双边滑动窗检测算法、所定义的负荷运行时的观测量及所述负荷系统入口处的有功功率，构建如下式(1)所示的检测函数，且进一步根据所述检测函数，得到所有负荷事件发生时刻：
Figure BDA0002158292200000051
其中，μ0,μ1分为负荷事件发生前后时刻的有功功率平均值；σ0,σ1分别为负荷事件发生前后时刻的有功功率标准差；τ为正整数，用于记录负荷事件发生时刻，一般为检测窗内第一个有功功率差超过阈值的时间点；
负荷事件发生检测模块，用于若判定某一负荷事件发生时刻之后的有功功率均值为增加，则记为负荷投入事件时刻；反之，若某一负荷事件发生时刻之后的有功功率均值为减少，则记为负荷切除事件时刻。
其中，所述时间序列数据获取单元包括：
时间特征向量定义模块，用于以有功功率P、无功功率Q和15次奇偶电流谐波向量H＝[h1,h2,…,h30]，共32个参数的负荷特征，构成时间特征向量Xi＝[P,Q,H]；其中，i为某一时间点；h中下标为奇数的是奇次谐波，偶数的是偶次谐波；
时间序列数据获取模块，用于若当前检测到有负荷投入事件时刻时，通过将当前所检测的负荷投入事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；若当前检测到有负荷切除事件时刻时，通过将当前所检测的负荷切除事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
其中，所述时间序列数据获取模块包括：
负荷投入事件时刻的时间序列数据获取模块，用于根据当前所检测的负荷投入事件时刻，分别确定离当前所检测的负荷投入事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷投入事件时刻之前的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷投入事件时刻之后的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；
负荷切除事件时刻的时间序列数据获取模块，用于根据当前所检测的负荷切除事件时刻，分别确定离当前所检测的负荷切除事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷切除事件时刻之后的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷切除事件时刻之前的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
其中，所述Bi-LSTM神经网络模型中使用softmax函数作为神经网络的激活函数和交叉熵函数作为神经网络的损失函数，且进一步使用梯度下降法作为训练算法。
实施本发明实施例，具有如下有益效果：
本发明以负荷系统入口处的有功功率为特征，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻，且将被检测到的一个投入(切除)和其它所有切除(投入)事件时刻中提取到的对应时间特征向量的时间序列数据，按“投入+切除”组合分别送入Bi-LSTM神经网络模型进行辨识，把概率值最大的组合作为最佳匹配项，最佳匹配项的待辨识设备即为最终辨识结果，实现了状态的辨识和相同状态的投入事件和切除事件匹配，从而能够提升现有的非侵入式负荷辨识算法在辨识多状态负荷和小功率负荷时的辨识性能和计算效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种基于Bi-LSTM算法的非侵入式负荷检测方法的流程图；
图2为本发明实施例提供的一种基于Bi-LSTM算法的非侵入式负荷检测方法中Bi-LSTM神经网络模型的应用场景图；
图3为本发明实施例提供的一种基于Bi-LSTM算法的非侵入式负荷检测方法的应用场景中有功功率的曲线图；
图4为本发明实施例提供的一种基于Bi-LSTM算法的非侵入式负荷检测方法的应用场景中负荷起停特征匹配的原理图；
图5为本发明实施例提供的一种基于Bi-LSTM算法的非侵入式负荷检测方法的应用场景中RNN、LSTM和Bi-LSTM的训练误差曲线图；
图6为本发明实施例提供的一种基于Bi-LSTM算法的非侵入式负荷检测方法的应用场景中RNN、LSTM和Bi-LSTM的训练误差散点图；
图7为本发明实施例提供的一种基于Bi-LSTM算法的非侵入式负荷检测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，提供的一种基于Bi-LSTM算法的非侵入式负荷检测方法，所述方法包括以下步骤：
步骤S1、获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻；
具体过程为，定义负荷运行时的观测量为时间序列M＝{m(k)},k＝1,2,…；
确定双边滑动窗检测算法；其中，该双边滑动窗检测算法具体为首先确定均值窗和检测窗的长度，且检测窗起始位置和均值窗末端相连；其次，窗口从数据起始点开始检测负荷事件并待完成两个窗口检测向后，滑动进行下一次检测，直至所有数据检测完毕后停止；
获取负荷系统入口处的有功功率，并利用双边滑动窗检测算法、所定义的负荷运行时的观测量及负荷系统入口处的有功功率，构建如下式(1)所示的检测函数，且进一步根据检测函数，得到所有负荷事件发生时刻：
Figure BDA0002158292200000081
其中，μ0,μ1分为负荷事件发生前后时刻的有功功率平均值；σ0,σ1分别为负荷事件发生前后时刻的有功功率标准差；τ为正整数，用于记录负荷事件发生时刻，一般为检测窗内第一个有功功率差超过阈值的时间点；
若判定某一负荷事件发生时刻之后的有功功率均值为增加，则记为负荷投入事件时刻；反之，若某一负荷事件发生时刻之后的有功功率均值为减少，则记为负荷切除事件时刻。
可以理解的是，当滑动窗口含有事件发生点时，均值窗和检测窗的均值和方差变化量较大，当均值和/或方差变化量超过相应的阈值时，视为有负荷事件发生，在这个前提下，有功功率均值增加为负荷投入，减小为负荷切除，从而确定负荷投入或切除事件时刻。
应当说明的是，负荷投入可对应为设备开启，负荷切除可对应为设备关停。
步骤S2、确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据；
具体过程为，以有功功率P、无功功率Q和15次奇偶电流谐波向量H＝[h1,h2,…,h30]，共32个参数的负荷特征，构成时间特征向量Xi＝[P,Q,H]；其中，i为某一时间点；h中下标为奇数的是奇次谐波，偶数的是偶次谐波；应当说明的是，在实际应用中，时间特征向量的参数数量应根据实际使用的负荷特征进行调整；
若当前检测到有负荷投入事件时刻时，通过将当前所检测的负荷投入事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷投入事件时刻对应时间特征向量的时间序列数据；若当前检测到有负荷切除事件时刻时，通过将当前所检测的负荷切除事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷切除事件时刻对应时间特征向量的时间序列数据。
在本发明实施例中，负荷投入事件时刻对应时间特征向量的时间序列数据和负荷切除事件时刻对应时间特征向量的时间序列数据，可以具体通过以下步骤来实现：
(1)根据当前所检测的负荷投入事件时刻，分别确定离当前所检测的负荷投入事件时刻最近的前后稳定点，并获取两个稳定点对应时间特征向量的时间序列数据，且待计算当前所检测的负荷投入事件时刻之前的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷投入事件时刻之后的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷投入事件时刻对应时间特征向量的时间序列数据；
(2)根据当前所检测的负荷切除事件时刻，分别确定离当前所检测的负荷切除事件时刻最近的前后稳定点，并获取两个稳定点对应时间特征向量的时间序列数据，且待计算当前所检测的负荷切除事件时刻之后的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷切除事件时刻之前的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷切除事件时刻对应时间特征向量的时间序列数据。
在一个例子中，一个负荷投入事件a发生的时刻为tp，设时间序列长度为k，从tp出发分别延时间向前和向后寻找最近的稳定点tpb和tpa(规定连续若干个点的有功功率在一定范围内波动视为稳定)，从稳定点tpb向前获取连续7个时间点的时间序列并计算个特征中位数得到中位数向量Ma，从稳定点tpa向后获取连续7个时间点的时间序列Ta＝[T0,T1,…,T6]，Ta中的所有向量分别减Ma即得到事件a的时间序列数据Xa＝[T0-Ma,T1-Ma,…,T6-Ma]。
同理，对于一个负荷切除事件A，也以上述相似的方式获得特征向量XA，和投入事件不同之处在于，切除事件的中位数向量由稳定点tpa向后获取的时间序列计算得到，时间序列数据XA由稳定点tpb向前获取的时间序列中的所有向量分别减中位数向量得到。应当理解的是，上述构建一个特征向量例子中出现的数字只是为了便于说明，在实际应用中，这些数字应根据实际情况进行选择。
步骤S3、构建Bi-LSTM神经网络模型；其中，所述Bi-LSTM神经网络模型的每一输入层输入均为一负荷投入事件时刻及一负荷切除事件时刻的时间序列数据组合，每一输出层输出均为对应一待辨识设备的概率值；
具体过程为，如图2所示，该Bi-LSTM神经网络模型主体结构为两个单向LSTM的结合。在每一个时刻t，输入会同时提供两个方向相反的LSTM，而输出由两个单向LSTM共同决定。Bi-LSTM模型使用多重激活的神经元作为隐含层，能选择性地保存或遗忘长期数据，满足算法对数据的长期依赖需求。对于负荷辨识问题，由于负荷投入后和切除前表现出的稳态特征均具有辨识价值，Bi-LSTM模型可以通过时间序列在正反双向对投入和切除的组合特征进行训练，能更好地挖掘潜在的负荷特征信息。
Bi-LSTM的隐含层输出向量为A和A′，其中A参与正向计算，A′参与反向计算。正向计算时，隐藏层的输出At受到At-1的影响；反向计算时，隐藏层的值A′t受到A′t+1的影响，输出层在时刻t的输出向量yt取决于隐含层正向和反向输出，即At和A′t。因此可以得到Bi-LSTM的计算方法如式(2)-(4)所示。
yt＝g(VAt+V′At)   (2)
At＝f(WAt-1+UXt)   (3)
A′t＝f(W′A′t+1+U′Xt)   (4)
式中：g(·)为输出层神经元激活函数；f(·)为隐层神经元激活函数；V为正向计算时隐含层到输出层的权重矩阵；W为正向计算时上一时刻至下一时刻隐含层的权重矩阵；U为正向计算时输入层至隐含层的权重矩阵；V′为反向计算时隐含层到输出层的权重矩阵；W′为反向计算时下一时刻至上一时刻隐含层的权重矩阵；U′为反向计算时输入层至隐含层的权重矩阵。
在本发明实施例中，该Bi-LSTM神经网络模型模型的输入层神经元个数等于时间特征向量的长度，隐含层神经元数量根据输入层神经元数量调整，一般为输入层神经元的两倍，输出层神经元数量等于待辨识的状态(设备)种类数，每个输出层神经元对应一个状态(设备)，深度等于时间特征向量X的长度，即时间特征向量包含的时间点数目。该Bi-LSTM神经网络模型中使用softmax函数作为神经网络的激活函数和交叉熵函数作为神经网络的损失函数，且进一步使用梯度下降法作为训练算法。因此，Bi-LSTM算法的输出向量是一个概率值向量，具体形式为Y＝[P0,P1,…,Pn]，且满足P0+P1+…+Pn＝1，其中，n为输出层神经元数量减1，Pn表示模型第n+1个输出层神经元的输出，即辨识结果是第n+1个状态的概率。
在一个例子中，选择用电设备的有功功率、无功功率和15次奇偶谐波共32个参数作为神经网络的输入变量，即神经网络的输入维数为32，将一个投入事件和一个切除事件得到一条完整的时间序列数据组成X＝[Xa,XA]的形式便可作为神经网络的输入。指定每个输出层输出是一个概率值，表示输入数据属于某一状态的概率，其值范围在0-1之间，0表示输入数据不可能属于该状态，1表示输入数据一定属于该状态。在一条输出向量中，将概率最大的输出对应的状态视为输入数据的辨识结果。
步骤S4、基于每一次负荷投入事件时刻，建立各负荷投入事件时刻的时间序列数据均与所有负荷切除事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷投入事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷投入事件发生时刻出现投入事件的设备；
具体过程为，首先确定负荷投入事件时刻(如a～f等)，负荷切除事件时刻(如A～F等)，假设Bi-LSTM神经网络模型中对应的待辨识设备为M1～M6；其次，对每一次负荷投入事件时刻(如a～f等)，均建立各负荷投入事件时刻的时间序列数据均与所有负荷切除事件时刻的时间序列数据进行一一匹配组合，如{aA,aB,…,aF}，{bA,bB,…,bF}，{cA,cB,…,cF}，{dA,dB,…,dF}，{eA,eB,…,eF}和{fA,fB,…,fF}；然后，将{aA,aB,…,aF}代入Bi-LSTM神经网络模型中计算，得到PaA,PaB,…PaF，比较出PaA,PaB,…PaF之中概率值为最大的待辨识设备(如M1)，同理将{bA,bB,…,bF}，{cA,cB,…,cF}，{dA,dB,…,dF}，{eA,eB,…,eF}和{fA,fB,…,fF}分别代入Bi-LSTM神经网络模型中计算，得到PbA,PbB,…PbF，PcA,PcB,…PcF，PdA,PdB,…PdF，PeA,PdB,…PeF和PfA,PfB,…PfF，比较出PbA,PbB,…PbF，PcA,PcB,…PcF，PdA,PdB,…PdF，PeA,PdB,…PeF和PfA,PfB,…PfF各自之中概率值为最大的待辨识设备(如依次为M3、M2、M5、M4、M6)；最后，将所找到每一次负荷投入事件时刻(如a～f等)的概率值最大时所对应的待辨识设备为对应出现投入事件的设备，如负荷投入事件时刻a为设备M1投入，负荷投入事件时刻b为设备M3投入，负荷投入事件时刻c为设备M2投入，负荷投入事件时刻d为设备M5投入，负荷投入事件时刻e为设备M4投入，负荷投入事件时刻f为设备M6投入。
应当说明的是，辨识完成后均能把同一设备的投入事件和切除事件进行匹配，即能得到某个设备的投入时间和切除事件时刻，如可以根据设备M1投入事件时刻a，对应在匹配出设备M1的切除事件时刻A。
步骤S5、基于每一次负荷切除事件时刻，建立各负荷切除事件时刻的时间序列数据均与所有负荷投入事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷切除事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷切除事件发生时刻出现切除事件的设备。
具体过程为，对每一次负荷切除事件时刻(如A～F等)，均建立各负荷切除事件时刻的时间序列数据均与所有负荷投入事件时刻的时间序列数据进行一一匹配组合，如{Aa,Ba,…,Fa}，{Ab,Bb,…,Fb}，{Ac,Bc,…,Fc}，{Ad,Bd,…,Fd}，{Ae,Be,…,Fe}和{Af,Bf,…,Ff}；然后，将{Aa,Ba,…,Fa}代入Bi-LSTM神经网络模型中计算，得到PAa,PBa,…PFa，比较出PAa,PBa,…PFa之中概率值为最大的待辨识设备(如M1)，同理将{Ab,Bb,…,Fb}，{Ac,Bc,…,Fc}，{Ad,Bd,…,Fd}，{Ae,Be,…,Fe}和{Af,Bf,…,Ff}分别代入Bi-LSTM神经网络模型中计算，得到PAb,PBb,…PFb，PAc,PBc,…PFc，PAd,PBd,…PFd，PAe,PBe,…PFe和PAf,PBf,…PFf，比较出PAb,PBb,…PFb，PAc,PBc,…PFc，PAd,PBd,…PFd，PAe,PBe,…PFe和PAf,PBf,…PFf各自之中概率值为最大的待辨识设备(如依次为M3、M2、M5、M4、M6)；最后，将所找到每一次负荷切除事件时刻(如A～F等)的概率值最大时所对应的待辨识设备为对应出现切除事件的设备，如负荷切除事件时刻A为设备M1切除，负荷切除事件时刻B为设备M3切除，负荷切除事件时刻C为设备M2切除，负荷切除事件时刻D为设备M5切除，负荷切除事件时刻E为设备M4切除，负荷切除事件时刻F为设备M6切除。
同理，辨识完成后均能把同一设备的投入事件和切除事件进行匹配，即能得到某个设备的投入时间和切除事件时刻，如可以根据设备M1切除事件时刻A，对应在匹配出设备M1的投入事件时刻a。
在一个实施例中，选取电炖锅、电视机、电采暖、豆浆机、吹风机五种典型家庭用电设备进行测试，模拟依次开启和关闭各设备并保证两次启停的时间间隔大于15个时间点，终端采样时间间隔为0.02s，且以2s为一个区间将数据整合后上传至数据库，即相邻时间点的时间间隔为2s。测试的有功功率曲线如图6所示。
首先，根据对有功功率进行基于滑动窗的事件检测，设均值窗长度为7个时间点，检测窗长度为7个时间点，均值变化阈值为80W，方差变化阈值为700，在一次事件检测中，只有均值窗和检测窗的均值方差变化均大于上述设定的阈值时才视为有负荷事件产生。事件标记结果如图3中字母所示，投切过程分别用a-e和A-E表示，事件检测结果可见表1和表2前两列。
表1
Figure BDA0002158292200000141
表2
Figure BDA0002158292200000142
应当说明的是，表1和表2中的部分提取特征值仅只列出了有功功率。
然后，进行负荷特征提取，得到时间序列数据：以有功功率P、无功功率Q和15次奇偶电流谐波共32个参数为负荷特征，设一个负荷事件需要提取的时间序列长度为5，连续3个时间点的有功功率在20W内波动视为稳定。根据负荷事件的发生时刻及事件类型进行负荷特征提取并构建该事件的时间序列数据，对所有事件的特征提取结果见表1和表2第3列(表中只写出了有功功率部分)。可以理解的是，此处提取出的负荷特征序列只是针对于单个负荷事件，需要和其它单个负荷事件提取到特征序列组合成“投入+切除”的形式才可作为Bi-LSTM神经网络模型的输入。
由图3可以看出，本发明实施例中的基于Bi-LSTM算法的非侵入式负荷检测方法基本能够检测到负荷启停的时刻，并且对小的扰动由一定的适应能力。
最后，建立Bi-LSTM神经网络模型并进行辨识。由于本案例使用32个特征参数对5个用电设备进行辨识，单个负荷事件提取的特征向量序列长度为5，因此模型输入层含有32个神经元，输出层含有5个神经元，深度为10，取隐含层神经元数量为64。使用上述5个用电设备共500组“投入+切除”形式的特征向量序列作为训练数据，得到训练后的模型。对投切负荷特征进行组合，得到待辨识负荷样本共5组，每一组内分别有5项匹配量待分类。
本案例将按切除事件为大类的方式组合负荷特征序列，即先将5次负荷切除事件分成5个大组A～E，每个大组内的负荷切除事件分别和其他所有负荷投入事件组合分成5小组，如图4的“特征组合”列所示。
在每个大组中，训练后的模型分别对其中的小组进行辨识，以切除事件A为例，5个小组为：Aa,Ab,Ac,Ad,Ae，辨识后得到每个小组输出概率值向量的最大概率PAa,PAb,PAc,PAd,PAe及其对应的设备名，则认为PAa,PAb,PAc,PAd,PAe中最大值对应小组的负荷事件组合(即最优匹配项)属于同一个设备，且该小组对应的设备认为是最终辨识结果(即最佳辨识结果)。
同理，分别将每大组组待辨识负荷样本作为Bi-LSTM输入可得到最优匹配项与最佳辨识结果如下表3所示：
表3
Figure BDA0002158292200000151
由表3可以看出，对比标准匹配项，除了切除事件D，其余项的实际最优匹配正确，且各项辨识结果均正确，因此本文提出的负荷运行状态起止特征匹配辨识算法在一定程度上能够有效的进行事件的匹配与辨识，从而进一步实现负荷的电量分解。
如图5和图6所示，使用精确度、召回率和F1值分别作为RNN(循环神经网络模型)、LSTM和Bi-LSTM神经网络的性能评价指标比较三种神经网络的算法性能，并使用误差曲线比较三种神经网络的计算效率。
根据图5的训练误差曲线，三种神经网络在0-1000次训练中误差下降速度最快，随着训练次数的增加误差逐渐趋近于0。训练初期，Bi-LSTM和LSTM的收敛速度相当，且均快于RNN；训练中期，三种神经网络的误差均出现了一定波动，且呈下降趋势，其中RNN波动幅度最大，Bi-LSTM和LSTM波动幅度相当；训练末期，三种神经网络最终趋于稳定，但Bi-LSTM没有出现波动，误差下降平稳，且更快达到稳定状态。
根据图6所示，RNN、LSTM和Bi-LSTM的测试样本误差范围分别为0.02-0.08、0.01-0.06和0.01-0.03，可见在测试中Bi-LSTM的误差更小且更集中。对比三种神经网络的训练的测试误差结果，可以得到在相同的训练次数下，Bi-LSTM训练误差收敛更快，辨识误差更小，即Bi-LSTM能在更少的训练次数下达到较低的测试误差。
综合上述分析，Bi-LSTM具有比RNN和LSTM更高的计算效率，根据辨识准确率、精确度、召回率和F1值四个评价指标上，Bi-LSTM均优于RNN和LSTM，即Bi-LSTM在负荷辨识中表现出更好的性能。
如图7所示，为本发明实施例中，提供的一种基于Bi-LSTM算法的非侵入式负荷检测系统，包括：
负荷事件发生检测单元110，用于获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻；
时间序列数据获取单元120，用于确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据；
神经网络模型构建单元130，用于构建Bi-LSTM神经网络模型；其中，所述Bi-LSTM神经网络模型的每一输入层输入均为一负荷投入事件时刻及一负荷切除事件时刻的时间序列数据组合，每一输出层输出均为对应一待辨识设备的概率值；
负荷投入事件发生设备确定单元140，用于基于每一次负荷投入事件时刻，建立各负荷投入事件时刻的时间序列数据均与所有负荷切除事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷投入事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷投入事件发生时刻出现投入事件的设备。
其中，非侵入式负荷检测系统还包括：
负荷切除事件发生设备确定单元150，用于基于每一次负荷切除事件时刻，建立各负荷切除事件时刻的时间序列数据均与所有负荷投入事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷切除事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷切除事件发生时刻出现切除事件的设备。
其中，所述负荷事件发生检测单元110包括：
窗口观测量定义模块1101，用于定义负荷运行时的观测量为时间序列M＝{m(k)},k＝1,2,…；
窗口检测算法确定模块1102，用于确定双边滑动窗检测算法；其中，所述双边滑动窗检测算法具体为首先确定均值窗和检测窗的长度，且检测窗起始位置和均值窗末端相连；其次，窗口从数据起始点开始检测负荷事件并待完成两个窗口检测向后，滑动进行下一次检测，直至所有数据检测完毕后停止；
检测函数构建模块1103，用于获取负荷系统入口处的有功功率，并利用所述双边滑动窗检测算法、所定义的负荷运行时的观测量及所述负荷系统入口处的有功功率，构建如下式(1)所示的检测函数，且进一步根据所述检测函数，得到所有负荷事件发生时刻：
Figure BDA0002158292200000181
其中，μ0,μ1分为负荷事件发生前后时刻的有功功率平均值；σ0,σ1分别为负荷事件发生前后时刻的有功功率标准差；τ为正整数，用于记录负荷事件发生时刻，一般为检测窗内第一个有功功率差超过阈值的时间点；
负荷事件发生检测模块1104，用于若判定某一负荷事件发生时刻之后的有功功率均值为增加，则记为负荷投入事件时刻；反之，若某一负荷事件发生时刻之后的有功功率均值为减少，则记为负荷切除事件时刻。
其中，所述时间序列数据获取单元120包括：
时间特征向量定义模块1201，用于以有功功率P、无功功率Q和15次奇偶电流谐波向量H＝[h1,h2,…,h30]，共32个参数的负荷特征，构成时间特征向量Xi＝[P,Q,H]；其中，i为某一时间点；h中下标为奇数的是奇次谐波，偶数的是偶次谐波；
时间序列数据获取模块1202，用于若当前检测到有负荷投入事件时刻时，通过将当前所检测的负荷投入事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；若当前检测到有负荷切除事件时刻时，通过将当前所检测的负荷切除事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
其中，所述时间序列数据获取模块1202包括：
负荷投入事件时刻的时间序列数据获取模块12021，用于根据当前所检测的负荷投入事件时刻，分别确定离当前所检测的负荷投入事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷投入事件时刻之前的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷投入事件时刻之后的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；
负荷切除事件时刻的时间序列数据获取模块12022，用于根据当前所检测的负荷切除事件时刻，分别确定离当前所检测的负荷切除事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷切除事件时刻之后的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷切除事件时刻之前的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
其中，所述Bi-LSTM神经网络模型中使用softmax函数作为神经网络的激活函数和交叉熵函数作为神经网络的损失函数，且进一步使用梯度下降法作为训练算法。
实施本发明实施例，具有如下有益效果：
本发明以负荷系统入口处的有功功率为特征，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻，且将被检测到的一个投入(切除)和其它所有切除(投入)事件时刻中提取到的对应时间特征向量的时间序列数据，按“投入+切除”组合分别送入Bi-LSTM神经网络模型进行辨识，把概率值最大的组合作为最佳匹配项，最佳匹配项的待辨识设备即为最终辨识结果，实现了状态的辨识和相同状态的投入事件和切除事件匹配，从而能够提升现有的非侵入式负荷辨识算法在辨识多状态负荷和小功率负荷时的辨识性能和计算效率。
值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (8)

1.一种基于Bi-LSTM算法的非侵入式负荷检测方法，其特征在于，所述方法包括以下步骤：
获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻；
确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据；
构建Bi-LSTM神经网络模型；其中，所述Bi-LSTM神经网络模型的每一输入层输入均为一负荷投入事件时刻及一负荷切除事件时刻的时间序列数据组合，每一输出层输出均为对应一待辨识设备的概率值；
基于每一次负荷投入事件时刻，建立各负荷投入事件时刻的时间序列数据均与所有负荷切除事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷投入事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷投入事件发生时刻出现投入事件的设备；
其中，所述获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻的具体步骤包括：
定义负荷运行时的观测量为时间序列M＝{m(k)},k＝1,2,…；
确定双边滑动窗检测算法；其中，所述双边滑动窗检测算法具体为首先确定均值窗和检测窗的长度，且检测窗起始位置和均值窗末端相连；其次，窗口从数据起始点开始检测负荷事件并待完成两个窗口检测向后，滑动进行下一次检测，直至所有数据检测完毕后停止；
获取负荷系统入口处的有功功率，并利用所述双边滑动窗检测算法、所定义的负荷运行时的观测量及所述负荷系统入口处的有功功率，构建如下式(1)所示的检测函数，且进一步根据所述检测函数，得到所有负荷事件发生时刻：
Figure FDA0004041168100000021
其中，μ0,μ1分为负荷事件发生前后时刻的有功功率平均值；σ0,σ1分别为负荷事件发生前后时刻的有功功率标准差；τ为正整数，用于记录负荷事件发生时刻，一般为检测窗内第一个有功功率差超过阈值的时间点；H0,H1分别为相邻的两个检测窗；
若判定某一负荷事件发生时刻之后的有功功率均值为增加，则记为负荷投入事件时刻；反之，若某一负荷事件发生时刻之后的有功功率均值为减少，则记为负荷切除事件时刻。
2.如权利要求1所述的基于Bi-LSTM算法的非侵入式负荷检测方法，其特征在于，所述方法进一步包括：
基于每一次负荷切除事件时刻，建立各负荷切除事件时刻的时间序列数据均与所有负荷投入事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷切除事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷切除事件发生时刻出现切除事件的设备。
3.如权利要求1所述的基于Bi-LSTM算法的非侵入式负荷检测方法，其特征在于，所述确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据的具体步骤包括：
以有功功率P、无功功率Q和15次奇偶电流谐波向量H＝[h1,h2,…,h30]，共32个参数的负荷特征，构成时间特征向量Xi＝[P,Q,H]；其中，i为某一时间点；h中下标为奇数的是奇次谐波，偶数的是偶次谐波；
若当前检测到有负荷投入事件时刻时，通过将当前所检测的负荷投入事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；若当前检测到有负荷切除事件时刻时，通过将当前所检测的负荷切除事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
4.如权利要求3所述的基于Bi-LSTM算法的非侵入式负荷检测方法，其特征在于，所述若当前检测到有负荷投入事件时刻时，通过将当前所检测的负荷投入事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；若当前检测到有负荷切除事件时刻时，通过将当前所检测的负荷切除事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据的具体步骤包括：
根据当前所检测的负荷投入事件时刻，分别确定离当前所检测的负荷投入事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷投入事件时刻之前的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷投入事件时刻之后的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；
根据当前所检测的负荷切除事件时刻，分别确定离当前所检测的负荷切除事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷切除事件时刻之后的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷切除事件时刻之前的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
5.一种基于Bi-LSTM算法的非侵入式负荷检测系统，其特征在于，包括：
负荷事件发生检测单元，用于获取负荷系统入口处的有功功率，并根据所获取的负荷系统入口处的有功功率，得到负荷事件发生时所存在的负荷投入事件时刻以及负荷切除事件时刻；
时间序列数据获取单元，用于确定与负荷特征关联的时间特征向量，并获取每一负荷投入事件时刻和每一负荷切除事件时刻各自对应所述时间特征向量的时间序列数据；
神经网络模型构建单元，用于构建Bi-LSTM神经网络模型；其中，所述Bi-LSTM神经网络模型的每一输入层输入均为一负荷投入事件时刻及一负荷切除事件时刻的时间序列数据组合，每一输出层输出均为对应一待辨识设备的概率值；
负荷投入事件发生设备确定单元，用于基于每一次负荷投入事件时刻，建立各负荷投入事件时刻的时间序列数据均与所有负荷切除事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷投入事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷投入事件发生时刻出现投入事件的设备；
其中，所述负荷事件发生检测单元包括：
窗口观测量定义模块，用于定义负荷运行时的观测量为时间序列M＝{m(k)},k＝1,2,…；
窗口检测算法确定模块，用于确定双边滑动窗检测算法；其中，所述双边滑动窗检测算法具体为首先确定均值窗和检测窗的长度，且检测窗起始位置和均值窗末端相连；其次，窗口从数据起始点开始检测负荷事件并待完成两个窗口检测向后，滑动进行下一次检测，直至所有数据检测完毕后停止；
检测函数构建模块，用于获取负荷系统入口处的有功功率，并利用所述双边滑动窗检测算法、所定义的负荷运行时的观测量及所述负荷系统入口处的有功功率，构建如下式(1)所示的检测函数，且进一步根据所述检测函数，得到所有负荷事件发生时刻：
Figure FDA0004041168100000041
其中，μ0,μ1分为负荷事件发生前后时刻的有功功率平均值；σ0,σ1分别为负荷事件发生前后时刻的有功功率标准差；τ为正整数，用于记录负荷事件发生时刻，一般为检测窗内第一个有功功率差超过阈值的时间点；H0,H1分别为相邻的两个检测窗；
负荷事件发生检测模块，用于若判定某一负荷事件发生时刻之后的有功功率均值为增加，则记为负荷投入事件时刻；反之，若某一负荷事件发生时刻之后的有功功率均值为减少，则记为负荷切除事件时刻。
6.如权利要求5所述的基于Bi-LSTM算法的非侵入式负荷检测系统，其特征在于，还包括：
负荷切除事件发生设备确定单元，用于基于每一次负荷切除事件时刻，建立各负荷切除事件时刻的时间序列数据均与所有负荷投入事件时刻的时间序列数据进行一一匹配组合，且将基于同一次负荷切除事件时刻所建立的数据组合代入所述Bi-LSTM神经网络模型中计算，检测出每一次计算所得的概率值最大的待辨识设备均为相应负荷切除事件发生时刻出现切除事件的设备。
7.如权利要求5所述的基于Bi-LSTM算法的非侵入式负荷检测系统，其特征在于，所述时间序列数据获取单元包括：
时间特征向量定义模块，用于以有功功率P、无功功率Q和15次奇偶电流谐波向量H＝[h1,h2,…,h30]，共32个参数的负荷特征，构成时间特征向量Xi＝[P,Q,H]；其中，i为某一时间点；h中下标为奇数的是奇次谐波，偶数的是偶次谐波；
时间序列数据获取模块，用于若当前检测到有负荷投入事件时刻时，通过将当前所检测的负荷投入事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；若当前检测到有负荷切除事件时刻时，通过将当前所检测的负荷切除事件时刻前后的两个稳态过程特征进行差分，获取一定长度的时间序列作为当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
8.如权利要求7所述的基于Bi-LSTM算法的非侵入式负荷检测系统，其特征在于，所述时间序列数据获取模块包括：
负荷投入事件时刻的时间序列数据获取模块，用于根据当前所检测的负荷投入事件时刻，分别确定离当前所检测的负荷投入事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷投入事件时刻之前的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷投入事件时刻之后的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷投入事件时刻对应所述时间特征向量的时间序列数据；
负荷切除事件时刻的时间序列数据获取模块，用于根据当前所检测的负荷切除事件时刻，分别确定离当前所检测的负荷切除事件时刻最近的前后稳定点，并获取两个稳定点对应所述时间特征向量的时间序列数据，且待计算当前所检测的负荷切除事件时刻之后的稳定时间序列中每个负荷特征的中位数构成中位数向量后，进一步将当前所检测的负荷切除事件时刻之前的稳定时间序列中的所有向量分别减中位数向量，即可得到当前所检测的负荷切除事件时刻对应所述时间特征向量的时间序列数据。
CN201910724065.3A 2019-08-07 2019-08-07 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 Active CN110516788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910724065.3A CN110516788B (zh) 2019-08-07 2019-08-07 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910724065.3A CN110516788B (zh) 2019-08-07 2019-08-07 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统

Publications (2)

Publication Number Publication Date
CN110516788A CN110516788A (zh) 2019-11-29
CN110516788B true CN110516788B (zh) 2023-05-02

Family

ID=68625250

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910724065.3A Active CN110516788B (zh) 2019-08-07 2019-08-07 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统

Country Status (1)

Country Link
CN (1) CN110516788B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111160798B (zh) * 2019-12-31 2023-11-21 华南理工大学 一种基于蜂群算法的非侵入式家电负荷识别方法
CN111192631B (zh) * 2020-01-02 2023-07-21 中国科学院计算技术研究所 用于构建用于预测蛋白质-rna相互作用结合位点模型的方法和系统
CN111311001B (zh) * 2020-02-17 2021-11-19 合肥工业大学 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法
CN111244954B (zh) * 2020-03-23 2022-01-21 南方电网电力科技股份有限公司 一种非入侵式负荷辨识方法及装置
CN111751650B (zh) * 2020-07-06 2021-06-22 重庆大学 非侵入式家庭用电设备在线监测系统与故障辨识方法
CN112039059B (zh) * 2020-08-20 2022-02-18 国网湖南省电力有限公司 基于功率阶跃连续性判别的长暂态负荷事件检测方法
CN112613542B (zh) * 2020-12-14 2024-01-12 国网甘肃省电力公司营销服务中心 一种基于双向lstm的企业除污设备负荷辨识方法
CN113393121A (zh) * 2021-06-15 2021-09-14 贵州电网有限责任公司 一种基于负荷电力指纹特征的非侵入式负荷识别方法
CN113420436B (zh) * 2021-06-21 2022-08-26 湘潭大学 基于gru和arima-t的非侵入式事件检测方法
CN115112989B (zh) * 2022-08-29 2022-11-22 四川大学 基于低频数据的非侵入式负荷监测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
GB201801984D0 (en) * 2018-02-07 2018-03-28 Green Running Ltd Method and apparatus for monitoring electrical power consumption
CN109245099A (zh) * 2018-10-29 2019-01-18 南方电网科学研究院有限责任公司 一种电力负荷辨识方法、装置、设备及可读存储介质
CN109598451A (zh) * 2018-12-27 2019-04-09 东北大学 一种基于pca与lstm神经网络的非侵入式负荷辨识方法
CN109685314A (zh) * 2018-11-20 2019-04-26 中国电力科学研究院有限公司 一种基于长短期记忆网络的非侵入负荷分解方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8209062B2 (en) * 2009-12-16 2012-06-26 Robert Bosch Gmbh Method for non-intrusive load monitoring using a hybrid systems state estimation approach
CN103001230B (zh) * 2012-11-16 2014-10-15 天津大学 非侵入式电力负荷监测与分解的电流模式匹配方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107122790A (zh) * 2017-03-15 2017-09-01 华北电力大学 基于混合神经网络和集成学习的非侵入式负荷识别算法
GB201801984D0 (en) * 2018-02-07 2018-03-28 Green Running Ltd Method and apparatus for monitoring electrical power consumption
CN109245099A (zh) * 2018-10-29 2019-01-18 南方电网科学研究院有限责任公司 一种电力负荷辨识方法、装置、设备及可读存储介质
CN109685314A (zh) * 2018-11-20 2019-04-26 中国电力科学研究院有限公司 一种基于长短期记忆网络的非侵入负荷分解方法和系统
CN109598451A (zh) * 2018-12-27 2019-04-09 东北大学 一种基于pca与lstm神经网络的非侵入式负荷辨识方法

Also Published As

Publication number Publication date
CN110516788A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110516788B (zh) 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统
CN109685314B (zh) 一种基于长短期记忆网络的非侵入负荷分解方法和系统
Wang et al. KFRNN: An effective false data injection attack detection in smart grid based on Kalman filter and recurrent neural network
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN112580471A (zh) 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法
CN112598303A (zh) 基于1d卷积神经网络和lstm结合的非侵入式负荷分解方法
CN105512808A (zh) 一种面向大数据的电力系统暂态稳定评估方法
CN111639586B (zh) 非侵入式负荷识别模型构建方法、负荷识别方法及系统
CN109861250B (zh) 一种基于电力系统多维特征的功率振荡类型判别方法
Jaramillo et al. Supervised non-intrusive load monitoring algorithm for electric vehicle identification
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN116840720A (zh) 燃料电池剩余寿命预测方法
CN112966434A (zh) 基于滑动窗口的随机森林突发性故障预警方法
Fatouh et al. New semi-supervised and active learning combination technique for non-intrusive load monitoring
Han et al. Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing
CN117556369A (zh) 一种动态生成的残差图卷积神经网络的窃电检测方法及系统
Ghosh et al. Cross-correlation based classification of electrical appliances for non-intrusive load monitoring
CN115932435A (zh) 一种基于低频采集信号的居民非侵入式负荷监测方法
CN110348489A (zh) 一种基于自编码网络的变压器局部放电模式识别方法
CN115828156A (zh) 一种基于电网元数据监测的偷漏电识别方法及系统
Yi et al. Non-intrusive load identification method based on XGBoost and GRU by stacking ensemble learning
Zheng et al. Prediction model of photovoltaic output power based on VMD-EMD-BiLSTM
Xie et al. Energy System Time Series Data Quality Maintenance System Based on Data Mining Technology
Zhang et al. Gradient genetic algorithm-based performance fault diagnosis model
Luo et al. Non-intrusive household load identification based on enhanced random forests learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant