CN110907762A - 一种非侵入式负荷匹配辨识方法 - Google Patents

Abstract

本发明涉及一种非侵入式负荷匹配辨识方法，包括：步骤S1，计算电力入口处的有功功率和无功功率；步骤S2，判断是否发生负荷事件，在发生负荷事件时通过相邻两个类域之间聚类中心点特征信息的差分，获得负荷特征信息；步骤S3，根据获得的负荷辨识特征信息，引入马哈拉诺比斯距离并利用协方差矩阵计算两个未知样本集中多维特征的相似度，采用Medoid Shift算法迭代，更新聚类中心，完成负荷聚类匹配辨识。本发明通过引入马哈拉诺比斯距离，能够有效地将检测得到的负荷事件，提高负荷匹配辨识的准确率，也为提升配电侧电网智能化提供一种新的解决方案。

Description

一种非侵入式负荷匹配辨识方法

技术领域

本发明涉及电力系统技术领域，尤其涉及一种非侵入式负荷匹配辨识方法。

背景技术

电力负荷监测可以采用侵入式和非侵入式的装置。相比于侵入式负荷监测技术要求在用户家庭每一个电器设备线路上安装传感器，非侵入式电力负荷监测技术是一种将传感器仅安装在用户电力入口即可获得各个用电设备投切状态、能耗等信息的技术，具有安装方便、成本低廉、用户接受程度高等优点。

为了能够准确有效地实现非侵入式负荷监测，负荷辨识技术是其中最为关键的内容，它在一定程度上决定了负荷能耗的分解性能，也影响用户用电体验。因此，负荷辨识技术成为了研究非侵入式负荷分解的一个重要研究方向。目前现有的负荷辨识算法主要分为三个大类：(1)最优化方法；(2)监督学习方法；(3)非(半)监督学习方法，其中，监督学习方法例如聚类算法、神经网络模型等仍然是目前研究的重点。

由于电力负荷的运行具有较强随机性强，且运行特征受电压、电流波动差等影响，增加了直接负荷辨识的难度。

发明内容

本发明所要解决的技术问题在于，提供一种非侵入式负荷匹配辨识方法，以提高负荷辨识准确率。

为了解决上述技术问题，本发明提供一种非侵入式负荷匹配辨识方法，包括：

步骤S1，计算电力入口处的有功功率和无功功率；

步骤S2，判断是否发生负荷事件，在发生负荷事件时通过相邻两个类域之间聚类中心点特征信息的差分，获得负荷特征信息；

步骤S3，根据获得的负荷辨识特征信息，引入马哈拉诺比斯距离并利用协方差矩阵计算两个未知样本集中多维特征的相似度，采用Medoid Shift算法迭代，更新聚类中心，完成负荷聚类匹配辨识。

进一步地，所述步骤S1计算的电力入口处的有功功率和无功功率为由一个聚类中心按设定分布构成的数据集，所述步骤S2采用Medoid Shift算法进行聚类，通过聚类中心是否发生变化判断是否发生负荷事件。

进一步地，所述步骤S2采取负荷逼近的方式对类域进行约束，以避免将具有过渡态的负荷投/切分割成多个负荷事件。

进一步地，有功功率P是在一个周期T内瞬时电压u和瞬时电流i的乘积和的平均，其计算方式为：

无功功率Q的计算方式为：

所述负荷逼近的方式为：

其中，V表示有功功率变化值；P(t)为当前类域Ω_k中的有功功率；运行标记a_i对应负荷设备的开启或关闭，a_i(t)＝1表示当前设备运行，a_i(t)＝0表示当前处于关闭状态；m表示电力设备负荷数据库中负荷个数，P_i为记录在数据库中第i个设备的有功功率值；当满足无功功率Q的计算公式时，如果此时的运行标记a_i没有发生变化且V在设置的阈值范围之内，则判定没有负荷事件发生，忽略当前类域；反之，如果a_i发生变化或者V超过阈值，则判定发生负荷事件。

进一步地，步骤S3计算两个未知样本集中多维特征的相似度的方式为：

其中，多变量向量μ＝(μ₁,μ₂,...,μ_n)^T表示样本数据集X的总体均值，待匹配特征数据y＝(y₁,y₂,...,y_n)^T。

进一步地，所述步骤S3包括：

设当前获得的负荷特征变化数据集为{x_i}，其中i＝1,2,…n_h，则通过其迭代公式表示为：

上式中x_i是当前获取的负荷特征信息；权重ω定义为：

当采用Medoid Shift算法迭代时，逐渐收敛直至满足||y₁-y₀||≤ε，ε为设置的阈值，此时确定当前点所对应的负荷为辨识结果。

进一步地，数据集X的协方差矩阵Σ为：

其中，

σ_ij＝cov(x_i,x_j)＝E(x_ix_j)-E(x_i)(x_j)i,j＝1,2,...,n。

进一步地，对于数据集中任意两样本

与

其相似度表示为：

进一步地，所述步骤S3引入马哈拉诺比斯距离并利用协方差矩阵计算两个未知样本集中多维特征的相似度的具体计算方式为：首先利用坐标变换将多种维度数据进行归一化，化成与尺度无关的无量纲值，再计算其相似度。

进一步地，所述多维特征是用电设备表现出来的可用于区分不同设备的电力特征，至少包括有功功率和无功功率。

本发明实施例的有益效果在于，通过引入马哈拉诺比斯距离，改进Medoid Shift聚类算法得到一种基于双层Medoid Shift聚类的非侵入式负荷匹配辨识方法，能够有效地将检测得到的负荷事件，提高负荷匹配辨识的准确率，也为提升配电侧电网智能化提供一种新的解决方案。

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的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一种非侵入式负荷匹配辨识方法的流程示意图。

图2是本发明实施例中Medoid Shift聚类的中心点迭代过程示意图。

图3是本发明实施例一种非侵入式负荷匹配辨识方法的具体流程示意图。

图4是本发明实施例中负荷事件曲线图。

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明实施例提供一种非侵入式负荷匹配辨识方法，包括：

步骤S1，计算电力入口处的有功功率和无功功率；

步骤S2，判断是否发生负荷事件，在发生负荷事件时通过相邻两个类域之间聚类中心点特征信息的差分，获得负荷特征信息；

步骤S3，根据获得的负荷辨识特征信息，引入马哈拉诺比斯距离并利用协方差矩阵计算两个未知样本集中多维特征的相似度，采用Medoid Shift算法迭代，更新聚类中心，完成负荷聚类匹配辨识。

具体地，步骤S2中，负荷事件检测是反映负荷投入和切除的一种标识，为后续的负荷特征提取以及负荷辨识奠定基础。通常，在负荷事件未发生时，数据点(步骤S1计算的有功功率、无功功率等)通常会保持在一个稳定范围内，表现为一个簇，称为稳定域；而当发生负荷事件时，初始的稳态域会发生迁移，形成新的稳态域，其期间两个稳态域之间称为过渡态。考虑到负荷数据的采集是具有时间序列特性，因此，稳态域通常由一个聚类中心按某一分布而构成的数据集。基于此，可通过聚类中心的变化，便可确认是否存在负荷事件。

Medoid Shift聚类算法是一种基于模式搜索的非参数聚类算法，能够在向已有集合中添加新数据的过程中快速向中心点迭代。假设给定在d维空间中的采样点x_i∈R^d，i＝1,2,…,n，则点x处的核概率密度估计为：

其中c₀表示度量常数，其满足：

Φ(·)为高斯核函数，同时，存在h∈R，可以为每一个样本点完成模式搜索。h为全局固定带宽。

聚类中心点可以通过最小化下式来计算：

迭代得到，其中k表示迭代次数；y_k表示当前中心点的位置；y_k+1为迭代到下一步的中心点，且选自样本集{x_i}中满足公式(3)的一个点；

对公式(3)右边一阶导估计y_k+1，可得：

相比于Mean Shift聚类算法，本实施例在迭代过程中，y_k是来自样本集{x_i}中点，而不是通过计算后的聚类中心。必然地，y_k+1也属于样本集。因此，在不断的迭代情况下，每一次得到的样本中心点都只需要计算在样本集中{x_i}的结果。此外，可以证明当y_k逐渐收敛到y_k+1，f(y_k)<f(y_k+1)成立，即最终当前的样本中心会收敛到了概率密度极大的中心位置。

为了清晰的描述其迭代过程，图2给出了以中心点(0,0)的二维随机样本以及Medoid Shift中心点y_k漂移过程。从图中可以看出，圆圈区域代表当前状态下所包络的样本点。显然，经过中心点漂移过程后，最终圈定范围内的样本点具有最大的概率密度，即收敛到与中心点(0,0)相近的点。

请再结合图3所示，首先，令非侵入式负荷监测NILM(Non-Intrusive LoadMonitoring)系统监测到的有功、无功、谐波等d维特征为Ω＝[f₁,f₂,f₃,….f_n]，包含n个元素，f_i∈R。如前所述，负荷事件发生前后，有功功率和无功功率是潜在变化最为明显的两个特征，特别是有功功率。

有功功率P是在一个周期T内瞬时电压u和瞬时电流i的乘积和的平均，即：

无功功率Q则为：

考虑到负荷从开启到运行等过程可能存在过渡态，为此，在采用Medoid Shift进行聚类过程中，需要采取一定的措施避免将具有过渡态的负荷投/切分割成多个负荷事件。为此，本发明实施例提出采用一种负荷逼近的方式对类域进行约束，如公式(7)所示：

上式中V表示有功功率变化值；P(t)为当前类域Ω_k中的有功功率；运行标记a_i对应负荷设备的开启或关闭，a_i(t)＝1表示当前设备运行，a_i(t)＝0表示当前处于关闭状态；m表示电力设备负荷数据库中负荷个数，P_i为记录在数据库中第i个设备的有功功率值。当满足公式(6)时，如果此时的运行标记a_i没有发生变化且V在设置的阈值范围之内，则判定没有负荷事件发生，忽略当前类域；反之，a_i发生变化或者V超过阈值，则判定发生负荷事件。

当存在负荷事件时，类域会发生更新，因此通过相邻两个类域之间聚类中心点特征信息的差分，获得负荷辨识特征。

当Medoid Shift算法引入相似度度量方法时，通常被称为是一种模板匹配的寻优算法，它通过相似度评价的方式获取最优解。因此，本实施例将马哈拉诺比斯距离(Mahalanobis distance)引入负荷辨识(如公式(9)所示)，以进行聚类匹配辨识。马氏距离使用协方差矩阵来反映变量间的误差度，因此可以有效计算两个未知样本集中多维特征的相似度。由于不同维度的数据差异性较大，与欧式距离不同，马氏距离首先利用坐标变换将多种维度数据进行归一化，化成与尺度无关的无量纲值，再计算其相似度。

传统的Medoid Shift算法是利用公式(8)对目标模板和候选模块进行建模：

上式中，q_u是对特征信息x_i分布成u段，对每一段进行统计，形成直方图；C_h为候选模板的归一化系数，k(x)为高斯核函数，使得∑p_u＝1；t(x_i)为目标模型矩阵，h为模板大小，x_o为目标特征的中心位置；u表示分段区间。

假定目标模板为所获得的一段历史时刻的负荷特征数据集X＝[x]_m×n，其中包含m个样本，每个样本包括n个特征；待匹配特征数据为y，其中包括n个特征；则目标模板的匹配特征可描述为两个服从同一分布并且其数据集协方差矩阵为Σ的随机变量X与Y的相似度：

其中，多变量向量μ＝(μ₁,μ₂,...,μ_n)^T表示样本数据集X的总体均值，待匹配特征数据y＝(y₁,y₂,...,y_n)^T。数据集X的协方差矩阵Σ为：

其中，

σ_ij＝cov(x_i,x_j)＝E(x_ix_j)-E(x_i)(x_j)(11)

i,j＝1,2,...,n。对于数据集中任意两样本

与

他们的相似度可以表示为：

当候选目标移动到类域的某个聚类中心，则该类域的负荷数据隶属于候选目标的用电设备投入或切除的引起的。在负荷特数据库中每一类设备特征都会形成一个初始聚类中心，Medoid Shift算法是基于聚类迭代的方法，数据库中聚类中心会与待辨识的特征会不断进行匹配，如果其距离不满足条件||y₁-y₀||≤ε，ε为设置的阈值，则会根据h大小，重新选定包络的数据，计算聚类中心，此时即为更新聚类中心。

为了能够有效地将检测得到的负荷事件进行辨识，本实施例将负荷事件所产生的负荷变化作为目标的特征信息，以此通过Medoid Shift寻找最佳的负荷设备，实现负荷辨识。

令当前获得的负荷特征变化数据集为{x_i}，其中i＝1,2,…n_h，则通过其迭代公式可描述为：

上式中x_i是当前获取的负荷特征信息；权重ω定义为：

由此，当Medoid Shift迭代时，会逐渐收敛，直至满足||y₁-y₀||≤ε，ε为设置的阈值，算法停止迭代，此时通过寻找当前位置，确定负荷类别。

为了验证本发明的有效性，在常用家庭场景内进行测试，其中测试设备包括空调、电水壶、微波炉、电磁炉、电饭煲在内的多个用电设备。首先通过负荷事件层聚类获取负荷事件发生情况，如图4和表1所示。图4中上图为有功功率曲线图，下图为无功功率曲线图，当有功功率和无功功率的数值变化超过一定阈值时表明有负荷事件发生(具体设备负荷事件检测，不属于本发明专利的保护范围，故不在此处多作描述)，需要进行辨识。表1中列出了负荷事件发生时刻和功率跳变信息。

表1负荷投切变点前后差分

通过负荷辨识层聚类可知，同一类用电设备的投切所表现出来的P-Q特征分布在一定的范围内，对于绝大部分设备存在可区分性，但是也有设备之间特征存在一定的混叠，例如电磁炉和电水壶。另外，例如微波炉，其P和Q特征分布范围较大。为了能够更为可靠的获取候选模板的匹配特征，首先针对负荷事件检测过程中有功和无功特征通过曲线拟合的方式给出了所获得的稳态阶段的有功功率和无功功率范围的概率分布。然后通过MedoidShift算法作进一步迭代，得到最终算法的聚类中心所对应的负荷类别与实际中负荷投入和切除一致，辨识结果准确，从而验证了方法的有效性。

通过上述说明可知，本发明实施例的有益效果在于，通过引入马哈拉诺比斯距离，改进Medoid Shift聚类算法得到一种基于双层Medoid Shift聚类的非侵入式负荷匹配辨识方法，能够有效地将检测得到的负荷事件，提高负荷匹配辨识的准确率，也为提升配电侧电网智能化提供一种新的解决方案。

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 (10)

1.一种非侵入式负荷匹配辨识方法，其特征在于，包括：

步骤S1，计算电力入口处的有功功率和无功功率；

步骤S2，判断是否发生负荷事件，在发生负荷事件时通过相邻两个类域之间聚类中心点特征信息的差分，获得负荷特征信息；

步骤S3，根据获得的负荷辨识特征信息，引入马哈拉诺比斯距离并利用协方差矩阵计算两个未知样本集中多维特征的相似度，采用Medoid Shift算法迭代，更新聚类中心，完成负荷聚类匹配辨识。

2.根据权利要求1所述的非侵入式负荷匹配辨识方法，其特征在于，所述步骤S1计算的电力入口处的有功功率和无功功率为由一个聚类中心按设定分布构成的数据集，所述步骤S2采用Medoid Shift算法进行聚类，通过聚类中心是否发生变化判断是否发生负荷事件。

3.根据权利要求2所述的非侵入式负荷匹配辨识方法，其特征在于，所述步骤S2采取负荷逼近的方式对类域进行约束，以避免将具有过渡态的负荷投/切分割成多个负荷事件。

4.根据权利要求3所述的非侵入式负荷匹配辨识方法，其特征在于，有功功率P是在一个周期T内瞬时电压u和瞬时电流i的乘积和的平均，其计算方式为：

无功功率Q的计算方式为：

所述负荷逼近的方式为：

其中，V表示有功功率变化值；P(t)为当前类域Ω_k中的有功功率；运行标记a_i对应负荷设备的开启或关闭，a_i(t)＝1表示当前设备运行，a_i(t)＝0表示当前处于关闭状态；m表示电力设备负荷数据库中负荷个数，P_i为记录在数据库中第i个设备的有功功率值；当满足无功功率Q的计算公式时，如果此时的运行标记a_i没有发生变化且V在设置的阈值范围之内，则判定没有负荷事件发生，忽略当前类域；反之，如果a_i发生变化或者V超过阈值，则判定发生负荷事件。

5.根据权利要求1所述的非侵入式负荷匹配辨识方法，其特征在于，步骤S3计算两个未知样本集中多维特征的相似度的方式为：

其中，多变量向量μ＝(μ₁,μ₂,...,μ_n)^T表示样本数据集X的总体均值，待匹配特征数据y＝(y₁,y₂,...,y_n)^T。

6.根据权利要求5所述的非侵入式负荷匹配辨识方法，其特征在于，所述步骤S3包括：

设当前获得的负荷特征变化数据集为{x_i}，其中i＝1,2,…n_h，则通过其迭代公式表示为：

上式中x_i是当前获取的负荷特征信息；权重ω定义为：

当采用Medoid Shift算法迭代时，逐渐收敛直至满足||y₁-y₀||≤ε，ε为设置的阈值，此时确定当前点所对应的负荷为辨识结果。

7.根据权利要求5所述的非侵入式负荷匹配辨识方法，其特征在于，数据集X的协方差矩阵Σ为：

其中，

σ_ij＝cov(x_i,x_j)＝E(x_ix_j)-E(x_i)(x_j)i,j＝1,2,...,n。

8.根据权利要求7所述的非侵入式负荷匹配辨识方法，其特征在于，对于数据集中任意两样本

与

其相似度表示为：

9.根据权利要求1所述的非侵入式负荷匹配辨识方法，其特征在于，所述步骤S3引入马哈拉诺比斯距离并利用协方差矩阵计算两个未知样本集中多维特征的相似度的具体计算方式为：首先利用坐标变换将多种维度数据进行归一化，化成与尺度无关的无量纲值，再计算其相似度。

10.根据权利要求1所述的非侵入式负荷匹配辨识方法，其特征在于，所述多维特征是用电设备表现出来的可用于区分不同设备的电力特征，至少包括有功功率和无功功率。

Images