CN111160798B - 一种基于蜂群算法的非侵入式家电负荷识别方法 - Google Patents
一种基于蜂群算法的非侵入式家电负荷识别方法 Download PDFInfo
- Publication number
- CN111160798B CN111160798B CN201911419456.0A CN201911419456A CN111160798B CN 111160798 B CN111160798 B CN 111160798B CN 201911419456 A CN201911419456 A CN 201911419456A CN 111160798 B CN111160798 B CN 111160798B
- Authority
- CN
- China
- Prior art keywords
- load
- invasive
- value
- active power
- bee
- 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
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 44
- 235000012907 honey Nutrition 0.000 claims description 60
- 241000256844 Apis mellifera Species 0.000 claims description 56
- 230000001052 transient effect Effects 0.000 claims description 32
- 241000257303 Hymenoptera Species 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000009825 accumulation Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 230000006854 communication Effects 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 9
- 230000002146 bilateral effect Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 24
- 238000005070 sampling Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000359496 Kaistibacter Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于蜂群算法的非侵入式家电负荷识别的方法。所述方法利用非侵入式负荷识别装置在家庭入户处进行实时的负荷投入切除事件检测,在检测到负荷投入事件时记录总线上的电气参数,如电流有效值、有功功率、无功功率、电流谐波等,装置在获取以上数据后将数据发送至云端,云端通过人工蜂群算法将其与数据库中的数据进行匹配并将识别结果下发回装置,从而达到家电负荷识别的目的。本发明方法灵活度高,可靠性强,能有效降低负荷的误判率和漏判率,为电网侧和用户侧的负荷管理提供有力的技术支持。
Description
技术领域
本发明涉及家电负荷识别领域,具体涉及一种基于蜂群算法的非侵入式家电负荷识别的方法。
背景技术
近年来,随着对人工智能的研究不断深入,电网逐渐趋于智能化。所谓智能电网,是指建立在集成的、高速双向通信网络的基础上,通过先进的传感和测量技术、先进的设备技术、先进的控制方法以及先进的决策支持系统技术的应用,实现电网的可靠、安全、经济、高效运行。负荷监测和识别作为智能电网的重要组成部分,是实现电网智能化的第一步。
通过研究人员的不断努力,负荷监测和识别技术已经得到了迅速发展。目前实现负荷监测识别主要有两种方法,一种是侵入式负荷识别,另一种是非侵入式负荷识别。前者是指在每个接入的负荷中加入各种传感器,来获取用户用电数据;而后者是指只在用户的入户处布置设备来达到负荷分解识别的目的。两者相比,非侵入式负荷识别相对于侵入式负荷识别具有成本低,方便操作,实用性强的特点,因此非侵入式负荷识别具有更加广阔的发展前景和研究价值。
目前在市面上存在许多智能插座相关的产品,但大多数属于侵入式的,需要用户通过他们的产品再接入用电设备,这在使用上带来诸多不便。而非侵入式负荷识别虽然理论研究成果丰富,但多数存在算法复杂、识别速度慢、运行效率低等问题,得不到实际工程运用。如文献(Hart,G.W.1992."Nonintrusive Appliance Load Monitoring."Proceedings of the IEEE 80(12):1870-1891.)提出检测有功功率和无功功率的变化量来进行负荷识别,该方法虽然简单但是对于特征重叠和多状态负荷则难以准确识别;文献(Lam,H.Y.,G.S.K.Fung,and W.K.Lee.2007."A Novel Method to Construct TaxonomyElectrical Appliances Based on Load Signatures."IEEE Transactions on ConsumerElectronics 53(2):653-660.)提出使用V-I轨迹法,利用描述轨迹特征的指标来区分负荷,虽然取得一定成效但对于小型负荷则难于区分,且难以将算法转换成编程语言。随着人工智能的兴起,已有很多学者开始研究机器学习算法在负荷识别中的应用。如文献(Zia,Tehseen,D.Bruckner,and A.Zaidi.2011."A Hidden Markov Model Based Procedurefor Identifying Household Electric Loads."IEEE.doi:10.1109/IECON.2011.6119826.)利用非监督学习中的隐马尔可夫模型进行负荷识别,虽然简化了人工干预的过程,但总体识别精度不高,容易陷入局部最优;文献(李如意,王晓换,胡美璇,周洪,胡文山.RPROP神经网络在非侵入式负荷分解中的应用[J].电力系统保护与控制,2016,44(07):55-61.)提出利用RPROP人工神经网络来进行负荷识别,该算法虽然在训练集取得了良好的识别效果,但其泛化能力还有待考量。由以上可见,现有的非侵入式负荷识别算法大多存在识别准确度不高、算法复杂、难以投入工程实际应用等问题,因此亟需一种算法相对简单、能转换成编程语言、识别速度快的非侵入式负荷识别方法。
发明内容
本发明提出一种基于蜂群算法的非侵入式家电负荷时别的方法,该方法具有逻辑清晰、计算速度快、识别精度高、能方便地转换成C语言运行的特点。
本发明的目的至少通过如下技术方案实现。
一种基于蜂群算法的非侵入式家电负荷识别的方法,包括如下步骤:
步骤1:利用互感器采集各种常用家庭电器的电气参数特征,并建立相应的负荷特征数据库;
步骤2:利用非侵入式负荷识别装置在家庭入户处进行实时的负荷投入切除事件检测;
步骤3:在装置检测到负荷投入切除事件发生后,记录总线上的电气参数,并通过稳态暂态数据分离方法获得所投入负荷的电气参数;
步骤4:将步骤3获取的数据上传至云端,云端通过人工蜂群算法将所获得的数据与步骤1得到的负荷特征数据库中的数据进行匹配;
步骤5:云端完成负荷匹配后将识别结果下发回非侵入式负荷识别装置。
进一步地,步骤1中,所述家庭电器的电气参数特征,包括暂态特征和稳态特征,暂态特征指的是在负荷投入时的电流和电流谐波变化趋势;稳态特征指的是负荷稳定运行时的有功功率有效值和无功功率有效值。
进一步地,步骤2中,所述实时的负荷投入切除事件检测,是通过滑动窗有功功率双边累积和算法进行检测,其主要思想为:当检测到的有功功率突然比正常条件下的平均水平高或低时,此时可以判断家庭总的运行负荷发生了变化,然后可以通过这种变化的累积量来判断是否发生了负荷投入切除事件;所述实时的负荷投入切除事件检测的具体原理如下:
对于考察的有功功率序列P={p(k)},k=1,2,……,其中k为采样点,p(k)为第k个采样点的实测有功功率;定义稳态检测窗口和暂态检测窗口,即将有功功率序列分为稳态部分和暂态部分;稳态检测窗口和暂态检测窗口的长度分别为a和b,稳态检测窗口和暂态检测窗口共同构成一个事件检测窗口;分别计算稳态部分的有功功率平均值Pa和暂态部分的有功功率平均值Pb,如下所示:
定义正向累积和和负向累积和/>分别用于记录负荷投入的累积过程和负荷切除的累积过程,如下所示:
其中Er表示负荷运行时有功功率的正常波动水平;
定义负荷投切事件累积和阀值H,即当有功功率序列的正向变化累积和达到阀值H或有功功率序列的负向变化累积和/>达到H时,即可认为此时发生了负荷投入切除事件。
进一步地,所述滑动窗有功功率双边累积和算法具体实施过程如下:
通过非侵入式负荷识别装置采集到有功功率序列P={p(k)},k=1,2,……,计算稳态部分的有功功率平均值Pa和暂态部分的有功功率平均值Pb,然后计算出本次事件检测窗口的正向累积和和负向累积和/>并与阀值H比较,若/>或/>则判定一次负荷投切事件,否则将有功功率序列P={p(k)},k=1,2,……整体向左移一位并在序列末尾加入新采集到的数据,然后再重复以上计算过程直到/>或/>即检测出负荷投入切除事件为止。
进一步地,步骤3中,所述稳态暂态数据分离方法,是指将在负荷投入事件发生后所采集的数据与投入事件发生前所采集的数据进行相减,即可分离出投入负荷的电气参数。
进一步地,步骤4中,所述人工蜂群算法,具体原理如下:
蜜蜂种群分为采蜜蜂、观察蜂、侦查蜂;采蜜蜂与所采的蜜源相对应,蜜源即代表适应度函数的大小;观察蜂则根据采蜜蜂分享的蜜源信息去选择蜜源并在周围寻找新的蜜源;侦察蜂则在蜂巢即可行解域附近随机搜索新的蜜源;所述人工蜂群算法流程为:
S4.1、初始化蜜蜂种群,包括蜜蜂总数N、最大搜索次数L、最大迭代次数D;
S4.2、将所有蜜蜂设置为侦察蜂模式,产生N个可能解;
S4.3、计算适应度函数值,并根据函数值大小将蜜蜂分为采蜜蜂和观察蜂两种;采蜜蜂在其局部附近寻找新蜜源并计算适应度函数值,若优于当前蜜源,则更新采蜜蜂当前所在位置,并令搜索次数l=0,否则令l=l+1;观察蜂则通过概率Pi寻找新蜜源,并变为采蜜蜂进行领域搜索,根据适应度函数确定是否更新蜜源;
S4.4、若搜索次数l>L时,令该蜜蜂放弃当前蜜源并转化为侦察蜂,在解空间随机产生新蜜源;
S4.5、计算当前蜜蜂找到的最优值,并令迭代次数d=d+1,当d>D时,达到最大迭代次数,算法结束,所得到的全局最优质即为所求解。
进一步地,步骤S4.2中,所述N个可能解为一组N元向量,即a1,…aN,其中N表示数据库中包含的家电种类总数,用ai的数值,即0或1来表示某种负荷的投切状态,用ai=1表示负荷投入,ai=0表示负荷切除。
进一步地,步骤S4.3中,适应度函数计算过程如下:
S4.3.1、首先将采集的原始数据即投入负荷的电气参数进行归一化处理;由于所采集的数据具有不同的量纲和数量级,当对他们同时进行分析时高数值的指标可能会对分析结果有较大影响,因此为了提高结果的可信度,需要对数据进行归一化处理,计算公式如下:
其中,x代表原始值,x*代表归一化后的标准值;
S4.3.2、对数据进行归一化处理后,可采用距离测度法作为适应度函数的计算方法;距离测度法的中心思想是测量两个向量直接的欧式距离大小,可根据欧式距离的大小来衡量两个向量之间的相似程度;计算公式如下:
其中,ai表示数据库中第i种家电的投切状态,N表示数据库中家电数量,Ihj表示第j次谐波的幅值;通过以上适应度函数的计算,函数值越小,拟合程度越高;因此,家电负荷识别计算转换为求适应度函数最小值的问题。
进一步地,步骤S4.3中,寻找新蜜源采用如下公式:
其中j取值于{1,2,…N},N表示可行解的维数;k取值于{1,2,…Ne},Ne表示采蜜蜂的种群数,rand(0,1)表示产生一个范围为0-1的随机数;表示第i个解中第j维向量的值,其取值范围为0-1;/>表示第k个解中第j维向量的值,其取值范围为0-1;
寻找新蜜源的过程中,根据上述公式获得的新位置无法保证其取0或1,因此为了避免这种情况发生,采用以下公式进行修正:
其中该函数值域为[0,1],且保证了/>的取值为1的可能性随/>的增大而增大;
观察蜂的转化概率Pi采用以下公式表示:
其中fiti是第i个解的适应度函数值。
进一步地,所述非侵入式负荷识别装置实时监测电压有效值、电流有效值、电流谐波、有功功率、无功功率和功率因数;非侵入式负荷识别装置包括电源模块、电压互感器、电流互感器、ADC模块、继电器模块、MCU模块、存储模块、WIFI模块和4G模块;
非侵入式负荷识别装置通过电压电流互感器获得电气参数的二次侧信号,送入ADC模块获得相应的数字量后交给中央处理器进行计算处理,最后利用处理器上搭载的基于蜂群算法的非侵入式家电负荷识别算法完成负荷识别,并将识别结果通过WIFI模块或4G模块与云端进行信息交互;非侵入式负荷识别装置通过无线通信模块如WIFI模块、4G模块完成与云端的通信。
相比于现有技术,本发明的有益效果如下:
本发明首先建立了一个数据完备电气参数特征库,该特征库包含电气的稳态特征和暂态特征,能较为全面地反映设备的启动状态,因此能有效地提高算法的运行效率和降低算法的误判率;其次利用滑动窗有功功率双边累积和算法来检测暂态事件的发生,该累积和算法能很好的反映出数据从稳态突变为暂态的过程,尤其对变化缓慢的过程也能准确识别,因此该算法保证了家电启动数据的及时采集,提高了数据的有效性;最后利用人工蜂群算法将所采集的数据与数据库中数据进行匹配,该算法具有收敛快、运行效率高,不容易陷入局部最优等特点,保证了负荷识别的准确率。综上,本发明提出的基于蜂群算法的非侵入式家电负荷识别的方法能为非侵入式负荷识别装置提供技术和理论支持,具有一定的实践运用价值。
附图说明
图1是本发明一种基于蜂群算法的非侵入式家电负荷识别的方法总体流程示意图。
图2是本发明实施例中非侵入式负荷识别装置结构示意图
图3是本发明实施例中非侵入式负荷识别装置与云端的通信过程示意图。
图4是本发明实施例中滑动窗有功功率双边累积和示意图。
图5是本发明实施例中蜂群算法流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本发明的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本发明的限制。
实施例:
为解决大多数非侵入式负荷识别算法复杂、识别速度慢、运行效率低从而导致得不到实际工程运用的问题,本发明提出一种基于蜂群算法的非侵入式家电负荷识别的方法,用于实现非侵入式负荷识别,并能达到快速、精准、高效识别的算法效果。
一种基于蜂群算法的非侵入式家电负荷识别的方法,如图1所示,包括如下步骤:
步骤1:利用互感器采集各种常用家庭电器的电气参数特征,并建立相应的负荷特征数据库;
所述家庭电器的电气参数特征,包括暂态特征和稳态特征,暂态特征指的是在负荷投入时的电流和电流谐波变化趋势,其中电流变化趋势可以6.4kHz的采样频率采样5个周期,即640个采样点,而电流谐波则可计算到16次电流谐波;稳态特征指的是负荷稳定运行时的有功功率有效值和无功功率有效值。
步骤2:利用能实时监测电压、电流、谐波、有功功率和无功功率等电气参数的非侵入式负荷识别装置在家庭入户处进行实时的负荷投入切除事件检测;
所述的非侵入式负荷识别装置,是指能实时监测电压、电流、谐波、有功功率和无功功率等电气参数,并能通过编程将基于蜂群算法的非侵入式家电负荷识别算法烧录进中央处理器的一种装置。非侵入式负荷识别装置包括电源模块、电压互感器、电流互感器、ADC模块、继电器模块、MCU模块、存储模块、WIFI模块和4G模块。非侵入式负荷识别装置通过电压电流互感器获得电气参数的二次侧信号,送入ADC模块获得相应的数字量后交给中央处理器进行计算处理,最后利用处理器上搭载的基于蜂群算法的非侵入式家电负荷识别算法完成负荷识别,并将识别结果通过WIFI模块或4G模块与云端进行信息交互。装置结构示意图如图2所示。
所述实时的负荷投入切除事件检测,是通过滑动窗有功功率双边累积和算法进行检测,其主要思想为:当检测到的有功功率突然比正常条件下的平均水平高或低时,此时可以判断家庭总的运行负荷发生了变化,然后可以通过这种变化的累积量来判断是否发生了负荷投入切除事件;所述实时的负荷投入切除事件检测的具体原理如下:
对于考察的有功功率序列P={p(k)},k=1,2,……,其中k为采样点,p(k)为第k个采样点的实测有功功率;定义稳态检测窗口和暂态检测窗口,即将有功功率序列分为稳态部分和暂态部分;本实施例中,稳态检测窗口和暂态检测窗口的长度分别为3和1,稳态检测窗口和暂态检测窗口共同构成一个事件检测窗口,其中有功功率序列以1秒为单位更新数据;分别计算稳态部分的有功功率平均值Pa和暂态部分的有功功率平均值Pb,如下所示:
定义正向累积和和负向累积和/>分别用于记录负荷投入的累积过程和负荷切除的累积过程,如下所示:
其中Er表示负荷运行时有功功率的正常波动水平;
定义负荷投切事件累积和阀值H,即当有功功率序列的正向变化累积和达到阀值H或有功功率序列的负向变化累积和/>达到H时,即可认为此时发生了负荷投入切除事件检测。对于阀值H的取值,当设定识别的功率最小值为40W,负荷正常波动水平为15W时,经计算阀值H的参考值可设置为32.5。
如图4所示,所述滑动窗有功功率双边累积和算法具体实施过程如下:
通过非侵入式负荷识别装置采集到有功功率序列P={p(k)},k=1,2,……,计算稳态部分的有功功率平均值Pa和暂态部分的有功功率平均值Pb,然后计算出本次事件检测窗口的正向累积和和负向累积和/>并与阀值H比较,若/>或/>则判定一次负荷投切事件,否则将有功功率序列P={p(k)},k=1,2,……整体向左移一位并在序列末尾加入新采集到的数据,然后再重复以上计算过程直到/>或/>即检测出负荷投入切除事件时为止。
步骤3:在装置检测到负荷投入切除事件发生后,记录总线上的电气参数,并通过稳态暂态数据分离方法获得所投入负荷的电气参数;
所述稳态暂态数据分离方法,是指将在负荷投入事件发生后所采集的数据与投入事件发生前所采集的数据进行相减,即可分离出投入负荷的电气参数。
步骤4:将步骤3获取的数据上传至云端,云端通过人工蜂群算法将所获得的数据与步骤1得到的负荷特征数据库进行匹配;
所述人工蜂群算法,具体原理如下:
蜜蜂种群分为采蜜蜂、观察蜂、侦查蜂;采蜜蜂与所采的蜜源相对应,蜜源即代表适应度函数的大小;观察蜂则根据采蜜蜂分享的蜜源信息去选择蜜源并在周围寻找新的蜜源;侦察蜂则在蜂巢即可行解域附近随机搜索新的蜜源;如图5所示,所述人工蜂群算法流程为:
S4.1、初始化蜜蜂种群,包括蜜蜂总数N、最大搜索次数L、最大迭代次数D;
S4.2、将所有蜜蜂设置为侦察蜂模式,产生N个可能解;所述N个可能解为一组N元向量,即a1,…aN,其中N表示数据库中包含的家电种类总数,用ai的数值,即0或1来表示某种负荷的投切状态,用ai=1表示负荷投入,ai=0表示负荷切除。
S4.3、计算适应度函数值,并根据函数值大小将蜜蜂分为采蜜蜂和观察蜂两种;采蜜蜂在其局部附近寻找新蜜源并计算适应度函数值,若优于当前蜜源,则更新采蜜蜂当前所在位置,并令搜索次数l=0,否则令l=l+1;观察蜂则通过概率Pi寻找新蜜源,并变为采蜜蜂进行领域搜索,根据适应度函数确定是否更新蜜源;
适应度函数计算过程如下:
S4.3.1、首先将采集的原始数据即投入负荷的电气参数进行归一化处理;由于所采集的数据具有不同的量纲和数量级,当对他们同时进行分析时高数值的指标可能会对分析结果有较大影响,因此为了提高结果的可信度,需要对数据进行归一化处理,计算公式如下:
其中,x代表原始值,x*代表归一化后的标准值;
S4.3.2、对数据进行归一化处理后,可采用距离测度法作为适应度函数的计算方法;距离测度法的中心思想是测量两个向量直接的欧式距离大小,可根据欧式距离的大小来衡量两个向量之间的相似程度;计算公式如下:
其中,ai表示数据库中第i种家电的投切状态,N表示数据库中家电数量,Ihj表示第j次谐波的幅值;通过以上适应度函数的计算,函数值越小,拟合程度越高;因此,家电负荷识别计算转换为求适应度函数最小值的问题。
寻找新蜜源采用如下公式:
其中j取值于{1,2,…N},N表示可行解的维数;k取值于{1,2,…Ne},Ne表示采蜜蜂的种群数,rand(0,1)表示产生一个范围为0-1的随机数;表示第i个解中第j维向量的值,其取值范围为0-1;/>表示第k个解中第j维向量的值,其取值范围为0-1。
寻找新蜜源的过程中,根据上述公式获得的新位置无法保证其取0或1,因此为了避免这种情况发生,采用以下公式进行修正:
其中该函数值域为[0,1],且保证了/>的取值为1的可能性随/>的增大而增大;
观察蜂的转化概率Pi采用以下公式表示:
其中fiti是第i个解的适应度函数值。
S4.4、若搜索次数l>L时,令该蜜蜂放弃当前蜜源并转化为侦察蜂,在解空间随机产生新蜜源;
S4.5、计算当前蜜蜂找到的最优值,并令迭代次数d=d+1,当d>D时,达到最大迭代次数,算法结束,所得到的全局最优质即为所求解。
步骤5:云端完成负荷匹配后将识别结果下发回非侵入式负荷识别装置。所述非侵入式负荷识别装置与云端的通信,是通过非侵入式负荷识别装置上的无线通信模块如WIFI模块、4G模块完成双方通信,通信过程如图3所示。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (8)
1.一种基于蜂群算法的非侵入式家电负荷识别的方法,其特征在于,包括如下步骤:
步骤1:利用互感器采集各种常用家庭电器的电气参数特征,并建立相应的负荷特征数据库;
步骤2:利用非侵入式负荷识别装置在家庭入户处进行实时的负荷投入切除事件检测;
步骤3:在装置检测到负荷投入切除事件发生后,记录总线上的电气参数,并通过稳态暂态数据分离方法获得所投入负荷的电气参数;
步骤4:将步骤3获取的数据上传至云端,云端通过人工蜂群算法将所获得的数据与步骤1得到的负荷特征数据库中的数据进行匹配;
所述的人工蜂群算法,具体原理如下:
蜜蜂种群分为采蜜蜂、观察蜂、侦查蜂;采蜜蜂与所采的蜜源相对应,蜜源即代表适应度函数的大小;观察蜂则根据采蜜蜂分享的蜜源信息去选择蜜源并在周围寻找新的蜜源;侦察蜂则在蜂巢即可行解域附近随机搜索新的蜜源;所述人工蜂群算法流程为:
S4.1、初始化蜜蜂种群,包括蜜蜂总数N,最大搜索次数L,最大迭代次数D;
S4.2、将所有蜜蜂设置为侦察蜂模式,产生N个可能解;
S4.3、计算适应度函数值,并根据函数值大小将蜜蜂分为采蜜蜂和观察蜂两种;采蜜蜂在其局部附近寻找新蜜源并计算适应度函数值,若优于当前蜜源,则更新采蜜蜂当前所在位置,并令搜索次数l=0,否则令l=l+1;观察蜂则通过概率Pi寻找新蜜源,并变为采蜜蜂进行领域搜索,根据适应度函数确定是否更新蜜源;
适应度函数计算过程如下:
S4.3.1、首先将采集的原始数据即投入负荷的电气参数进行归一化处理;计算公式如下:
其中,x代表原始值,x*代表归一化后的标准值;
S4.3.2、对数据进行归一化处理后,采用距离测度法作为适应度函数的计算方法;距离测度法的中心思想是测量两个向量直接的欧式距离大小,根据欧式距离的大小来衡量两个向量之间的相似程度;计算公式如下:
其中,ai表示数据库中第i种家电的投切状态,N表示数据库中家电数量;通过以上适应度函数的计算,函数值越小,拟合程度越高,因此,家电负荷识别计算就转换为求适应度函数最小值的问题;
S4.4、若搜索次数l>L时,令该蜜蜂放弃当前蜜源并转化为侦察蜂,在解空间随机产生新蜜源;
S4.5、计算当前蜜蜂找到的最优值,并令迭代次数d=d+1,当d>D时,达到最大迭代次数,算法结束,所得到的全局最优质即为所求解;
步骤5:云端完成负荷匹配后将识别结果下发回非侵入式负荷识别装置。
2.根据权利要求1所述的一种基于蜂群算法的非侵入式家电负荷识别的方法,其特征在于,步骤(1)所述的家庭电器的电气参数特征,包括暂态特征和稳态特征,暂态特征指的是在负荷投入时的电流和电流谐波变化趋势;稳态特征指的是负荷稳定运行时的有功功率有效值和无功功率有效值。
3.根据权利要求1所述的一种基于蜂群算法的非侵入式家电负荷识别的方法,其特征在于,步骤(2)所述的实时的负荷投入切除事件检测,是通过滑动窗有功功率双边累积和算法进行检测,其主要思想为:当检测到的有功功率突然比正常条件下的平均水平高时,此时可以判断系统发生了变化,然后可以通过这种变化的累积量来判断是否发生了负荷投切事件的具体原理如下:
对于考察的有功功率序列P={p(k)},k=1,2,……,定义稳态检测窗口和暂态检测窗口,即将有功功率序列分为稳态部分和暂态部分,其长度分别为a和b,以上两部分共同构成一个事件检测窗口;分别计算稳态部分的有功功率平均值Pa和暂态部分的有功功率平均值Pb,如下所示:
定义正向累积和和负向累积和/>分别用于记录负荷投入的累积过程和负荷切除的累积过程,如下所示:
其中Er表示负荷运行时有功功率的正常波动水平;
定义负荷投切事件累积和阀值H,即当有功功率序列的正向变化累积和达到阀值H或有功功率序列的负向变化累积和/>达到H时,即可认为此时发生了负荷投切事件。
4.根据权利要求1所述的一种基于蜂群算法的非侵入式家电负荷识别的方法,其特征在于,滑动窗有功功率双边累积和算法具体实施过程如下:通过非侵入式负荷识别装置采集到有功功率序列P={p(k)},k=1,2,……,计算稳态部分的有功功率平均值Pa和暂态部分的有功功率平均值Pb,然后计算出本次事件检测窗口的正向累积和和负向累积和/>并与阀值H比较,若/>或/>则可判定一次负荷投切事件,否则将有功功率序列P={p(k)},k=1,2,……整体向左移一位并在序列末尾加入新采集到的数据,然后再重复以上计算过程直到/>或/>即检测出负荷投切事件时为止。
5.根据权利要求1所述的一种基于蜂群算法的非侵入式家电负荷识别的方法,其特征在于,步骤(3)所述的稳态暂态数据分离方法,是指将在负荷投入事件发生后所采集的数据与投入事件发生前所采集的数据进行相减,即可分离出投入负荷的电气参数。
6.根据权利要求1所述的一种基于蜂群算法的非侵入式家电负荷识别的方法,其特征在于,步骤S4.2中,所述N个可能解为一组N元向量,即a1,…aN,其中N表示数据库中包含的家电种类总数,用ai表示某种负荷的投切状态,即0或1来表示某种负荷的投切状态,用ai=1表示负荷投入,ai=0表示负荷切除。
7.根据权利要求1所述的一种基于蜂群算法的非侵入式家电负荷识别的方法,其特征在于,步骤S4.3中,寻找新蜜源采用如下公式:
其中j取值于{1,2,…N},N表示可行解的维数;k取值于{1,2,…Ne},Ne表示采蜜蜂的种群数,rand(0,1)表示产生一个范围为0-1的随机数;表示第i个解中第j维向量的值,其取值范围为0-1;/>表示第k个解中第j维向量的值,其取值范围为0-1;
寻找新蜜源的过程中,根据上述公式获得的新位置无法保证其取0或1,采用以下公式进行修正:
其中该函数值域为[0,1],且保证了/>的取值为1的可能性随的增大而增大;
观察蜂的转化概率Pi采用以下公式表示:
其中fiti是第i个解的适应度函数值。
8.根据权利要求1所述的一种基于蜂群算法的非侵入式家电负荷识别的方法,其特征在于,所述非侵入式负荷识别装置实时监测电压有效值、电流有效值、电流谐波、有功功率、无功功率和功率因数;非侵入式负荷识别装置包括电源模块、电压互感器、电流互感器、ADC模块、继电器模块、MCU模块、存储模块、WIFI模块和4G模块;
非侵入式负荷识别装置通过电压电流互感器获得电气参数的二次侧信号,送入ADC模块获得相应的数字量后交给中央处理器进行计算处理,最后利用处理器上搭载的基于蜂群算法的非侵入式家电负荷识别算法完成负荷识别,并将识别结果通过WIFI模块或4G模块与云端进行信息交互;非侵入式负荷识别装置通过无线通信模块完成与云端的通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419456.0A CN111160798B (zh) | 2019-12-31 | 2019-12-31 | 一种基于蜂群算法的非侵入式家电负荷识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419456.0A CN111160798B (zh) | 2019-12-31 | 2019-12-31 | 一种基于蜂群算法的非侵入式家电负荷识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111160798A CN111160798A (zh) | 2020-05-15 |
CN111160798B true CN111160798B (zh) | 2023-11-21 |
Family
ID=70560409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911419456.0A Active CN111160798B (zh) | 2019-12-31 | 2019-12-31 | 一种基于蜂群算法的非侵入式家电负荷识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160798B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112083224A (zh) * | 2020-06-18 | 2020-12-15 | 曹靖 | 基于特征量匹配的非侵入式实时智能电表系统和识别方法 |
CN112101110B (zh) * | 2020-08-13 | 2024-02-23 | 河北经纬九方科技有限公司 | 一种电力系统用户侧非侵入式负荷识别的方法 |
CN112180193B (zh) * | 2020-09-28 | 2021-11-02 | 华中科技大学 | 一种基于轨迹图像识别的非侵入式负荷识别系统及方法 |
CN112485516B (zh) * | 2020-11-27 | 2024-04-05 | 杭州万高科技股份有限公司 | 一种电能表及一种非介入负荷识别的芯片架构 |
WO2022141330A1 (en) * | 2020-12-31 | 2022-07-07 | Guizhou Power Grid Company Limited | A non-intrusive load identification method based on fingerprint characteristics of load power |
CN112924790B (zh) * | 2021-01-29 | 2022-04-08 | 上海逐鲨智能科技有限公司 | 采用非侵入式负荷识别装置的基于傅里叶变换的非侵入式负荷识别方法 |
CN113131489B (zh) * | 2021-04-08 | 2023-04-25 | 华南理工大学 | 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法 |
CN112952827A (zh) * | 2021-04-08 | 2021-06-11 | 任亚星 | 一种精确识别电动自行车充电的非侵入式全负荷识别技术 |
CN113325248A (zh) * | 2021-04-13 | 2021-08-31 | 清科优能(深圳)技术有限公司 | 基于边缘计算的房屋非侵入式负荷智能识别系统 |
CN113191600A (zh) * | 2021-04-13 | 2021-07-30 | 清科优能(深圳)技术有限公司 | 基于数据挖掘的房屋非侵入式负荷智能识别方法 |
CN114996182B (zh) * | 2022-05-23 | 2024-04-26 | 中国计量大学 | 一种用于负荷识别模型训练的稳态数据流输出装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680637A (zh) * | 2017-01-12 | 2017-05-17 | 威胜集团有限公司 | 非侵入式家用负荷投切事件实时监测方法 |
CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
CN110333404A (zh) * | 2019-06-24 | 2019-10-15 | 江门云天电力设计咨询有限公司 | 一种非侵入式的负荷监测方法、装置、设备及存储介质 |
CN110488112A (zh) * | 2019-05-23 | 2019-11-22 | 杭州海兴电力科技股份有限公司 | 非侵入式负荷识别及其基于识别结果实现的分类计量方法 |
CN110516788A (zh) * | 2019-08-07 | 2019-11-29 | 深圳供电局有限公司 | 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 |
-
2019
- 2019-12-31 CN CN201911419456.0A patent/CN111160798B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106680637A (zh) * | 2017-01-12 | 2017-05-17 | 威胜集团有限公司 | 非侵入式家用负荷投切事件实时监测方法 |
CN108021736A (zh) * | 2017-11-08 | 2018-05-11 | 天津大学 | 一种基于滑动窗残差模型的负荷投切动作监测方法 |
CN110488112A (zh) * | 2019-05-23 | 2019-11-22 | 杭州海兴电力科技股份有限公司 | 非侵入式负荷识别及其基于识别结果实现的分类计量方法 |
CN110333404A (zh) * | 2019-06-24 | 2019-10-15 | 江门云天电力设计咨询有限公司 | 一种非侵入式的负荷监测方法、装置、设备及存储介质 |
CN110516788A (zh) * | 2019-08-07 | 2019-11-29 | 深圳供电局有限公司 | 一种基于Bi-LSTM算法的非侵入式负荷检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111160798A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111160798B (zh) | 一种基于蜂群算法的非侵入式家电负荷识别方法 | |
CN108429254B (zh) | 一种非侵入式用电负荷识别方法 | |
Zhang et al. | Time series anomaly detection for smart grids: A survey | |
Dash et al. | Electric energy disaggregation via non-intrusive load monitoring: A state-of-the-art systematic review | |
CN111830347B (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
CN110991263B (zh) | 一种抗背景负荷干扰的非入侵式负荷识别方法及系统 | |
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
CN113408341B (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
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 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN110901446A (zh) | 一种基于智能电表的电动车充电识别方法及装置 | |
de Diego-Otón et al. | Recurrent LSTM architecture for appliance identification in non-intrusive load monitoring | |
Saha et al. | Comprehensive NILM framework: device type classification and device activity status monitoring using capsule network | |
CN114881077A (zh) | 一种基于时序轨迹特征的电压暂降源分类方法及系统 | |
CN114444539A (zh) | 电力负荷识别方法、装置、设备、介质和程序产品 | |
CN113538037B (zh) | 监测电瓶车充电事件的方法及系统、设备、存储介质 | |
CN116861316B (zh) | 一种电器监测方法及装置 | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN117200241A (zh) | 一种新能源并网智能调压系统 | |
Cheng et al. | Reactive Power Load Forecasting based on K-means Clustering and Random Forest Algorithm | |
CN110889465B (zh) | 基于自适应谐振网络的电力需求侧设备辨识方法和系统 | |
Fang et al. | Power distribution transformer fault diagnosis with unbalanced samples based on neighborhood component analysis and k-nearest neighbors | |
CN114186631A (zh) | 一种基于非侵入式智能终端的负荷识别方法 | |
CN113158446A (zh) | 非侵入式电力负载识别方法 |
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 |