CN111199014B - 一种基于时间序列的seq2point的NILM方法及装置 - Google Patents

Abstract

本发明提供一种基于时间序列的seq2point的NILM方法及装置，所述方法包括步骤一、数据预处理：步骤二、负荷特征提取：将步骤一预处理后得到的数据，设置一个参数为W的滑动窗口，对每个滑动窗口大小的时间序列数据进行特征工程抽取，抽取相应的特征数据；步骤三、建立负荷特征匹配识别函数；步骤四、seq2point网络训练；步骤五、分解输出。本发明对输入的测量数据进行负荷特征提取，通过引入seq2point方法，进行事件检测，抽取出不同电器的特征，根据这些特征，检测出每个用电设备的运行状态，在非侵入式负荷分解领域性能显著，抗干扰强、精确度高。

Description

一种基于时间序列的seq2point的NILM方法及装置

技术领域

本发明涉及电力系统大数据分析领域，具体是一种基于时间序列的seq2point的NILM(non-intrusive load monitoring，非侵入式电荷负载分解)方法及装置。

背景技术

电力负荷设备检测和分解方法大致可以分为侵入式和非侵入式两类。传统的侵入式负荷检测方法，在每个用户的电器设备上都安装传感器以获得用户的电器用电数据，其好处是测量出来的数据能真实反应电器用电的情况，缺点是不实际、实施成本高、难以为用户所接受。而非侵入式负荷检测则只用在用户的电表加入NILM模块，就能够实现对一个用户所有负荷的在线检测和分解。NILM不需要安装大量的传感器和测量装置，从而减小购买、安装和维护NILM系统硬件的成本，是未来负荷分解的发展热点之一。NILM系统检测获得的用户总用电的功率、电流、电压等电气量可视为蕴含电气信息的信号，包含不同负荷组合而成的电气信息，通过提取这些电气量的负荷特征，就能用NILM系统来进行负荷分解。近年来随着能源互联网、智能电网的提出和发展，NILM研究在全世界仍然称为热门研究课题，然而国内关于NILM的研究尚不充分，在识别的颗粒度上以及准确度上仍然有较大的提升空间。

在多种电器的工作状态下，要想完成负荷分解是极其困难的，并且随着电器的种类越来越多样，特别是在多工作状态下的、负荷数据连续变换的情况。在此趋势下，一个抗干扰能力强、准确率更高的数据特征采集和负荷分解方法变得十分重要。

发明内容

本文提供一种基于时间序列的seq2point的NILM方法及装置，能够克服电器在不同环境下以及不同状态下的特征提取问题，并且能够通过输入的电流值、电压值、有功功率以及无功功率等特征值，建立相应的数学模型，并优化模型的参数，从而解决一些时间序列数据的分解的问题。

一种基于时间序列的seq2point的NILM方法，包括：

步骤一、数据预处理：收集总功率和各个电器的负荷数据，并进行初步的数据预处理操作；

步骤二、负荷特征提取：将步骤一预处理后得到的数据，设置一个参数为W的滑动窗口，对每个滑动窗口大小的时间序列数据进行特征工程抽取，抽取相应的特征数据；

步骤三、建立负荷特征匹配识别函数：通过步骤二计算得到的特征数据，建立输入特征数据和输出类别之间的非线性关系函数，所述非线性关系函数的函数关系如下：

X＝F_p(Y_t：t+ω-1，θ_p)+δ

其中X表示识别的类型，F_p表示输入电气特征数据与电气类别X之间的非线性关系函数，Y_t:t+W-1表示w窗口下的输入电气特征数据，θ_p表示函数中的权重参数，δ表示误差；

根据建立的非线性关系函数，利用对数函数输出值和真实数据之间求log损失，作为模型的损失函数的表示，其损失函数的表示式如下：

其中X表示识别的类型，使用p(X|Yt:t+W-1，θ_p)表示在输入W窗口下的电气数据时，识别为X类别电器的概率；

步骤四、seq2point网络训练：根据已经建立的输入特征数据和输出类别之间的非线性关系函数和损失函数，使用seq2point模型结构训练得到最终的非线性函数Fp中的参数θ_p；

步骤五、分解输出：根据建立的非线性关系函数Fp，输入时间序列的电气数据后，通过函数Fp计算，求得该时刻对应的电气类别X，分解出输入的每个滑动窗口大小的时间序列数据中包含的电器的类别。

进一步的，所述步骤四具体为：将seq2point模型中的损失函数设置为步骤三的损失函数，然后加入步骤二得到的特征数据，将特征数据输入到seq2point模型中，根据非线性关系函数求解出输出类别，最后用输出类别和真实类别代入损失函数中，通过损失函数拟合非线性关系函数中的参数θ_p，经过多次训练求得最优参数，将最优参数作为最终的非线性函数Fp中的参数θ_p。

进一步的，步骤一数据预处理操作具体包括通过阈值判断去除掉噪声干扰的数据集，并且删除异常数据集和对采集的数据做归一化操作。

进一步的，所述特征数据包括均值、方差、最大值、最小值、过零率。

进一步的，步骤三中的θ_p使用随机函数设置为0到1之间。

进一步的，步骤三中的δ设置为输入电气特征数据Y_t:t+W-1的均值的0.01倍。

一种基于时间序列的seq2point的NILM装置，包括：

数据预处理模块，用于收集总功率和各个电器的负荷数据，并进行初步的数据预处理操作；

负荷特征提取模块，与数据预处理模块连接，用于将数据预处理模块预处理后得到的数据，设置一个参数为W的滑动窗口，对每个滑动窗口大小的时间序列数据进行特征工程抽取，抽取相应的特征数据；

负荷特征匹配识别函数建立模块，与负荷特征提取模块连接，用于通过所述特征数据，建立输入特征数据和输出类别之间的非线性关系函数，所述非线性关系函数的函数关系如下：

其中X表示识别的类型，F_p表示输入电气特征数据与电气类别X之间的非线性关系函数，Y_t:t+W-1表示w窗口下的输入电气特征数据，θ_p表示函数中的权重参数，δ表示误差；

根据建立的非线性关系函数，利用对数函数输出值和真实数据之间求log损失，作为模型的损失函数的表示，其损失函数的表示式如下：

其中X表示识别的类型，使用p(X|Yt:t+W-1，θ_p)表示在输入W窗口下的电气数据时，识别为X类别电器的概率；

seq2point网络训练模块，用于根据已经建立的输入特征数据和输出类别之间的非线性关系函数和损失函数，使用seq2point模型结构训练得到最终的非线性函数Fp中的参数θ_p；

分解输出模块，用于根据建立的非线性关系函数Fp，输入时间序列的电气数据后，通过函数Fp计算，求得该时刻对应的电气类别X，分解出输入的每个滑动窗口大小的时间序列数据中包含的电器的类别

本发明提出一个抗干扰强、精确度高的基于时间序列的Seq2point的NILM方法，对输入的测量数据进行负荷特征提取，通过引入seq2point方法，进行事件检测，抽取出不同电器的特征，根据这些特征，检测出每个用电设备的运行状态，在非侵入式负荷分解领域性能显著，并能实现实时分析。

附图说明

图1是本发明实施例将用户的负荷数据文件导入系统时的界面示意图；

图2是本发明实施例涉及的家庭总能耗统计图；

图3是本发明实施例实测居民负荷曲线图；

图4是本发明实施例负荷分解结果的分类表；

图5是本发明负荷分解结果的可视化展示图；

图6是本发明基于时间序列的seq2point的NILM方法的流程图；

图7是本发明基于时间序列的seq2point的NILM装置的模块框图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。

本发明提供一种基于时间序列的seq2point的NILM方法，其是利用历史的负荷数据信息，对输入的测量数据进行负荷特征提取，通过引入seq2point方法，进行事件检测，抽取出不同电器的特征，根据这些特征，检测出每个用电设备的运行状态。

针对这种分解方法，通常需要对输入的测量数据进行数据处理，根据历史正常的数据范围，去除掉不在此范围内的异常数据，过滤掉用电设备自身正常的运行波动所带来的干扰。

对于负荷特征的提取，代表的是一个电器在运行中用电状态发生变化时能唯一地提供用电状态的信息，如电器设备的有功和无功等，因此需要采集每个电器的负荷数据，然后提取相应的特征，然后对特征数据进行预处理。对预处理后的数据，通过负荷特征提取相关特征，其中提取特征有很多方案，如有功功率为负荷特征，也有傅立叶变换和小波变换等提取方法。经过这些处理后的数据就完成了数据的初步处理，然后可以将这些数据输入到seq2point模型中，运用NILM分解每个电器的类别。

由NILM得到的分解结果可以实时标记出哪些设备正在运行，也能在离线的状态下得到一段时间的用电设备的运行曲线(有功/无功功率)，最后可以根据有功功率曲线计算得到各个用电设备的耗电情况，进一步分析用户的使用行为，给电力研究人员和用户提供一个良好的反馈。

在负荷分解领域，已知家用电器的总功率数据的情况下，通过单源数据进行分解，是无法识别出家庭中所有电器的使用情况。但是经过本发明的实际研究证明，通过预先建立的家庭所有用电器的使用情况与总功率之间的对应关系，同时加入电网的领域知识，可以构建一个各个电器数据和总功率之间的关系的深度神经网络的训练模型。在此基础上，引入时间戳数据，通过时间序列数据的特性，引入在一段时间(滑动窗口W大小)内前后数据之间的一个关系特性，通过深度神经网络抽取出功率数据中隐藏的特征，根据这些特征识别出各个电器的使用情况。因此，本发明提出通过引入时间序列数据的seq2point方法，实现输入设备的数据，输出为目标设备的类别。

在时间序列数据中，通过引入非线性变换，对与输入的多维变量数据，拟合这些数据变量之间的一个非线性关系，并且得到这些变量数据和输出目标设备类别之间的一个隐藏关系。在模型训练阶段，通过引入时间戳变量，建立在每个时间戳上的输入多维数据和输出目标设备类别之间的一个对应关系，并不断拟合优化这个对应关系间的参数。在加入大量数据训练后的得到的模型的参数作为最终模型的参数，可以在数据预测中，加入这些参数，就能计算出在已知一些输入变量的情况下，这种场景下的目标设备类别。

对于输入的事件序列，引入窗口大小的数据Yt：t+W-1，对于每个窗口大小的数据，标记一个目标设备的类别X，其中X用n二进制位表示，代表二进制中的每一位如果为1，则表明这个输入窗口大小的数据中有该类别的设备运行，如果为0，则表明这个输入窗口大小的数据中没有该类别的设备运行，并且n可以根据所要输出目标设备类别进行调整，如下图所示：

时刻	冰箱	洗衣机	洗碗机	微波炉
					T1	0	1	1	0
T2	1	0	1	0
					T3	1	0	0	1
T4	1	0	0	1
					T5	0	1	0	0

其中关系函数如下：

X＝F_p(Y_t：t_+w-1，θ_p)+δ

通过建立一个输入数据Yt：t+W-1和输出目标设备X之间的一个关系函数，δ表示误差，然后运用大量数据寻找最佳的参数，拟合输入时间序列数据和输出类别之间的非线性关系。其中使用损失函数，进行参数计算，其损失函数的形式如下：

其中θ_p表示网络中的参数。该方法假设中输入数据表示为主线窗口的非线性回归。这一假设背后的直觉是，我们期望该偏差的中点元素的状态与中点前后的干线信息相关。

如图6所示，本发明实施例提供一种基于时间序列的seq2point的NILM方法，包括数据预处理、负荷特征提取、建立负荷特征匹配识别函数、seq2point网络训练以及分解输出五个步骤，具体的步骤如下：

步骤一：数据预处理

收集总功率和各个电器的负荷数据，并进行初步的数据预处理操作，其中预处理具体包括通过阈值判断去除掉一些噪声干扰的数据集，并且删除异常数据集和对采集的数据做归一化操作，归一化采用标准化归一方法，可以将数据映射到(0-1)之间，这样消除不同量纲对结果的影响；

步骤二：负荷特征提取

将步骤一预处理后得到的数据，设置一个参数为W的滑动窗口，对每个滑动窗口大小的时间序列数据进行特征工程抽取，抽取相应的特征数据，所述特征数据包括均值、方差、最大值、最小值、过零率等；

步骤三：建立负荷特征匹配识别函数

通过步骤二计算得到的特征数据，建立输入特征数据和输出类别之间的非线性关系函数，所述非线性关系函数的函数关系如下：

X＝F_p(Y_t：t+ω-1，θ_p)+δ

其中X表示识别的类型，F_p表示输入电气特征数据与电气类别X之间的非线性关系函数，Y_t:t+W-1表示w窗口下的输入电气特征数据，θ_p表示函数中的权重参数，使用随机函数设置为0到1之间，δ表示误差，通常设置为输入电气特征数据Y_t:t+W-1的均值的0.01倍，根据建立的非线性关系函数，利用对数函数输出值和真实数据之间求log损失，作为模型的损失函数的表示，其损失函数的表示式如下：

其中X表示识别的类型，使用p(X|Yt:t+W-1，θ_p)表示在输入W窗口下的电气数据时，识别为X类别电器的概率。

步骤四：seq2point网络训练

根据已经建立的输入特征数据和输出类别之间的非线性关系函数和损失函数，使用seq2point模型结构，seq2point模型中的损失函数设置为步骤三的损失函数，然后加入步骤二得到的特征数据，将特征数据输入到seq2point模型中，根据非线性关系函数求解出输出类别，最后用这个输出类别和真实类别代入损失函数中，通过损失函数拟合非线性关系函数中的参数θ_p，经过多次训练(拟合)求得最优参数，将最优参数作为最终的非线性函数Fp中的参数θ_p，因为第一次建立的Fp函数是用的随机参数θ_p，需要通过数据训练，找到最适合的参数，也就是最优解参数，把这个作为最终的非线性关系函数Fp的参数。

步骤五：分解输出

根据建立的非线性关系函数Fp，输入时间序列的电气数据后，通过函数Fp计算，求得该时刻对应的电气类别X，分解出输入的每个滑动窗口大小的时间序列数据中包含的电器的类别。

如图7所示，本发明实施例还提供一种基于时间序列的seq2point的NILM装置，包括：

数据预处理模块，用于收集总功率和各个电器的负荷数据，并进行初步的数据预处理操作；

负荷特征提取模块，与数据预处理模块连接，用于将数据预处理模块预处理后得到的数据，设置一个参数为W的滑动窗口，对每个滑动窗口大小的时间序列数据进行特征工程抽取，抽取相应的特征数据；

负荷特征匹配识别函数建立模块，与负荷特征提取模块连接，用于通过所述特征数据，建立输入特征数据和输出类别之间的非线性关系函数，所述非线性关系函数的函数关系如下：

其中X表示识别的类型，F_p表示输入电气特征数据与电气类别X之间的非线性关系函数，Y_t:t+W-1表示w窗口下的输入电气特征数据，θ_p表示函数中的权重参数，δ表示误差；

根据建立的非线性关系函数，利用对数函数输出值和真实数据之间求log损失，作为模型的损失函数的表示，其损失函数的表示式如下：

其中X表示识别的类型，使用p(X|Yt:t+W-1，θ_p)表示在输入W窗口下的电气数据时，识别为X类别电器的概率；

seq2point网络训练模块，用于根据已经建立的输入特征数据和输出类别之间的非线性关系函数和损失函数，使用seq2point模型结构训练得到最终的非线性函数Fp中的参数θ_p；

分解输出模块，用于根据建立的非线性关系函数Fp，输入时间序列的电气数据后，通过函数Fp计算，求得该时刻对应的电气类别X，分解出输入的每个滑动窗口大小的时间序列数据中包含的电器的类别。

具体实施例

基于本发明设计的软件应用于居民用户负荷特征辨识的综合能源管理方案中，用于用电系统，其实施例步骤如下：

1、通过导入功能将用户的负荷数据文件导入到应用中，收集总功率和各个电器的负荷数据，如图1所示，用户负荷数据包括电流、电压值和时间信息，并进行初步的数据预处理操作，其中包括通过阈值判断去除掉一些噪声干扰的数据集，并且删除异常数据集和对采集的数据做归一化操作。

2、通过导入后的数据进行分析，可得出家庭每日或某一时间段内的家庭总能耗统计，为家庭节能以及控制电器设备的使用提供数据支持，如图2所示。

3、基于时间序列的seq2point的NILM方法，根据设备用电特征，将特征类型分为：双态设备：只有两个运行状态，即开和关；有限多状态设备：有多个运行状态且是有限个，这些设备的开关模式是可重复的，便于负荷分解算法的识别；连续变状态设备：功率可变但不是周期性变化；恒定设备：一天几乎保持稳定的有功和无功功率。对家庭总负荷数据进行识别和分解，并分类进行展示。

图3为实测居民负荷曲线图，图4为相应的负荷分解结果，图5为可视化展示方式。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (7)

1.一种基于时间序列的seq2point的NILM方法，其特征在于包括：

步骤一、数据预处理：收集总功率和各个电器的负荷数据，并进行初步的数据预处理操作；

步骤二、负荷特征提取：将步骤一预处理后得到的数据，设置一个参数为W的滑动窗口，对每个滑动窗口大小的时间序列数据进行特征工程抽取，抽取相应的特征数据；

步骤三、建立负荷特征匹配识别函数：通过步骤二计算得到的特征数据，建立输入特征数据和输出类别之间的非线性关系函数，所述非线性关系函数的函数关系如下：

X＝F_p(Y_t：t+ω-1，θ_p)+δ

其中X表示识别的类型，F_p表示输入电气特征数据与电气类别X之间的非线性关系函数，Y_t:t+W-1表示w窗口下的输入电气特征数据，θ_p表示函数中的权重参数，δ表示误差；

根据建立的非线性关系函数，利用对数函数输出值和真实数据之间求log损失，作为模型的损失函数的表示，其损失函数的表示式如下：

其中X表示识别的类型，使用p(X|Yt:t+W-1，θ_p)表示在输入W窗口下的电气数据时，识别为X类别电器的概率；

步骤四、seq2point网络训练：根据已经建立的输入特征数据和输出类别之间的非线性关系函数和损失函数，使用seq2point模型结构训练得到最终的非线性函数Fp中的参数θ_p；

步骤五、分解输出：根据建立的非线性关系函数Fp，输入时间序列的电气数据后，通过函数Fp计算，求得该时刻对应的电气类别X，分解出输入的每个滑动窗口大小的时间序列数据中包含的电器的类别。

2.如权利要求1所述的基于时间序列的seq2point的NILM方法，其特征在于：所述步骤四具体为：将seq2point模型中的损失函数设置为步骤三的损失函数，然后加入步骤二得到的特征数据，将特征数据输入到seq2point模型中，根据非线性关系函数求解出输出类别，最后用输出类别和真实类别代入损失函数中，通过损失函数拟合非线性关系函数中的参数θ_p，经过多次训练求得最优参数，将最优参数作为最终的非线性函数Fp中的参数θ_p。

3.如权利要求1所述的基于时间序列的seq2point的NILM方法，其特征在于：步骤一数据预处理操作具体包括通过阈值判断去除掉噪声干扰的数据集，并且删除异常数据集和对采集的数据做归一化操作。

4.如权利要求1所述的基于时间序列的seq2point的NILM方法，其特征在于：所述特征数据包括均值、方差、最大值、最小值、过零率。

5.如权利要求1所述的基于时间序列的seq2point的NILM方法，其特征在于：步骤三中的θ_p使用随机函数设置为0到1之间。

6.如权利要求1所述的基于时间序列的seq2point的NILM方法，其特征在于：步骤三中的δ设置为输入电气特征数据Y_t:t+W-1的均值的0.01倍。

7.一种基于时间序列的seq2point的NILM装置，其特征在于包括：

数据预处理模块，用于收集总功率和各个电器的负荷数据，并进行初步的数据预处理操作；

负荷特征提取模块，与数据预处理模块连接，用于将数据预处理模块预处理后得到的数据，设置一个参数为W的滑动窗口，对每个滑动窗口大小的时间序列数据进行特征工程抽取，抽取相应的特征数据；

负荷特征匹配识别函数建立模块，与负荷特征提取模块连接，用于通过所述特征数据，建立输入特征数据和输出类别之间的非线性关系函数，所述非线性关系函数的函数关系如下：

其中X表示识别的类型，F_p表示输入电气特征数据与电气类别X之间的非线性关系函数，Y_t:t+W-1表示w窗口下的输入电气特征数据，θ_p表示函数中的权重参数，δ表示误差；

根据建立的非线性关系函数，利用对数函数输出值和真实数据之间求log损失，作为模型的损失函数的表示，其损失函数的表示式如下：

其中X表示识别的类型，使用p(X|Yt:t+W-1，θ_p)表示在输入W窗口下的电气数据时，识别为X类别电器的概率；

seq2point网络训练模块，用于根据已经建立的输入特征数据和输出类别之间的非线性关系函数和损失函数，使用seq2point模型结构训练得到最终的非线性函数Fp中的参数θ_p；

分解输出模块，用于根据建立的非线性关系函数Fp，输入时间序列的电气数据后，通过函数Fp计算，求得该时刻对应的电气类别X，分解出输入的每个滑动窗口大小的时间序列数据中包含的电器的类别。

Images