CN111275069B - 一种非侵入式负荷监测方法 - Google Patents
一种非侵入式负荷监测方法 Download PDFInfo
- Publication number
- CN111275069B CN111275069B CN201911255650.XA CN201911255650A CN111275069B CN 111275069 B CN111275069 B CN 111275069B CN 201911255650 A CN201911255650 A CN 201911255650A CN 111275069 B CN111275069 B CN 111275069B
- Authority
- CN
- China
- Prior art keywords
- load monitoring
- load
- wavelet
- training
- pass filter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000003066 decision tree Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000013461 design Methods 0.000 claims abstract description 10
- 230000001052 transient effect Effects 0.000 claims abstract description 10
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 6
- 238000011960 computer-aided design Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种非侵入式负荷监测方法,包括:步骤S1,使用电力系统计算机辅助设计工具或者含直流电的电磁瞬态分析构建负荷监测模型;步骤S2,采用小波设计与普式分析法得到辨识的负荷及相异度测量值和辨识的小波的高通滤波器系数;步骤S3,根据步骤S1和步骤S2的结果,采用决策树和最近邻分类器进行机器学习的协同训练;步骤S4,采用K层交叉检验与蒙特卡罗法验证步骤3的训练结果并优化负荷监测模型。本发明鲁棒性强,不受噪声干扰,降低信号被噪声污染的影响。
Description
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监测方法。
背景技术
随着能源互联网时代的到来,清洁发电、高效配电、便捷用电等方面给智能电网带来了全新的变革。非侵入式负荷监测技术(Non-intrusive electric load monitoringsystem,NILMS)作为一种比较前沿的监测电气设备工作情况的技术,无需“近负荷”安装传感设备,仅仅通过监测和分析配电进线处的电压、电流等信号,获取用户内部表征不同类型负荷用电行为的负荷特征。该技术将会在提高负荷预测精度、帮助用户优化用电及节能、辅助盗电监管和设备故障检测等领域中展现其优良的性能,是目前电网配电侧智能化研究的热点。
由于非侵入式负荷监测技术仅以入口处电流、电压等电力信息进行分析获得内部负荷种类、能耗等,因此其准确率通常受负荷特征、负荷辨识算法的影响。对此,国内外相关学者进行了广泛且深入的研究,提出了许多效果卓越的辨识方法。非侵入式负荷辨识算法可以分为三大类,第一类是以k-means为代表的非监督学习聚类,第二类是以训练学习为依据的监督学习方法,另外一类是以小样本为学习对象面向大样本的半监督学习。非监督学习聚类在数据集比较分散的情况下会出现问题,而监督学习方法需要投入大量的人力去标记样本,并且无自主学习能力。
目前,半监督学习算法已在多方面的研究领域中展现其优良的性能。半监督式机器学习技术由于其通过协同训练两个分类器,能处理没有标记的记录和需要进行预测的两类未标记数据的能力而受到广泛关注。但是现有技术中,单纯的半监督机器学习仍未表现出其优势特征,在学习过程当中仍需投入大量人力来做标记。
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监测方法,鲁棒性强,不受噪声干扰。
为了解决上述技术问题,本发明提供一种非侵入式负荷监测方法,包括:
步骤S1,使用电力系统计算机辅助设计工具或者含直流电的电磁瞬态分析构建负荷监测模型;
步骤S2,采用小波设计与普式分析法得到辨识的负荷及相异度测量值和辨识的小波的高通滤波器系数;
步骤S3,根据步骤S1和步骤S2的结果,采用决策树和最近邻分类器进行机器学习的协同训练;
步骤S4,采用K层交叉检验与蒙特卡罗法验证步骤3的训练结果并优化负荷监测模型。
进一步地,所述步骤S2中,当长度为6时,低通滤波器的六个系数具有以下方程:
h0(0)h0(2)+h0(1)h0(3)+h0(2)h0(4)+h0(3)h0(5)=0
h0(0)h0(4)+h0(1)h0(5)=0
h0(0)-h0(1)+h0(2)-h0(3)+h0(4)-h0(5)=0。
进一步地,将低通滤波器的六个系数的方程用参数a和b表示为:
对每一个参数a和b的组合,通过求解低通滤波器的六个系数的方程来获得对应的低通滤波器的系数集合,每一个解对应一个小波函数W。
进一步地,所述步骤S2使用相对偏差Δ即X和Z对应点的偏差的平方和与其平均值偏差的平方和来衡量误差大小,如下所示:
相对偏差Δ的值接近于0表示高度相似,反之,若值接近于1,则表示目标信号X与小波函数W的相似性不高;通过普式分析法搜索相对偏差Δ的最小值,获得匹配的小波函数W*。
进一步地,所述步骤S2还包括:
提取负荷切换后的目标信号X中包含的隐藏特征,计算目标信号X变化值Xd的小波系数的能量并用于识别负荷;
使用目标信号变化值Xd与尺度函数V和小波函数W的卷积分别计算近似值cA和具体值cD的小波系数:
cAj(l)=<Xd,Vj,l>
cDj(l)=<Xd,Wj,l>
其中l=0,....,N/2J-1,N为信号长度;
小波系数的能量计算方式如下:
进一步地,高通滤波器的系数h1(k)的计算方式为:
h1(k)=(-1)kh0(N-k)。
进一步地,所述步骤S3包括:
生成包含标记数据L和未标记数据U的数据集;
标记过的数据集可分为两个子集LA和LB,分别用来训练决策树和最近邻算法,生成两个分类模型hA和hB;
当生成数据集后,从未标记的数据集U随机选择记录u,并使用两个分类模型hA和hB进行标签预测;
两个分类器对所有未标记的实例La和Lb∈U’中给出的实例标签一致,将结果更新分类器hA和hB,不断进行这个过程,直到数据集U中所有未标记过的实例都已使用,表明两个分类器完成协同训练。
进一步地,所述步骤S4中,每次蒙特卡罗试验μ均用决策树和最近邻分类器的协同训练及交叉检验估计计算分类准确度在进行M次大量试验后,再计算分类准确度平均值
标准Z检验的95%置信区间确定如下,Zα/2=1.96:
进一步地,所述步骤S1构建的负荷监测模型中,仿真时间设置为10秒,负荷每3秒切换一次,电流信号每周期采样256次,周期为1/60秒,负荷切换后两个周期的采样差值用作分类。
本发明实施例的有益效果在于,本发明所提出的方法设计匹配负荷信号的新小波,用来提取负荷切换过程的暂态响应中信号的显著特征;获得的分类准确度表明提出的方法鲁棒性强,不受噪声干扰,这是由于其依赖于暂态响应过程和负荷信号特性中的信息;由于它根据分享有助于改进负荷模式学习过程的分类信息,用来改正对类标签的预测,两个分类器的协同训练还能降低信号被噪声污染的影响。相比监督式机器学习,半监督式机器学习计算出的真实平均准确度在置信水平为95%的置信区间由于有更高的上下界得到很大的改进,表明了协同训练在改善含未标记记录的数据集的分类准确度的有效性。
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监测方法的流程示意图。
图2是本发明专利实施例中测试系统所使用的计算机辅助设计负荷模型图。
图3是本发明专利实施例中基于蒙特卡罗法的分类准确度估计步骤的流程示意图。
图4是本发明专利实施例的具体应用示意图。
图5是本发明专利实施例中分解侧的低通滤波器系数与重构侧的低通滤波器系数与时间的关系图。
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。
本发明是通过设计一组新的小波,借助协同训练来使非侵入式负荷监测中负荷模式的学习过程自动化。在实际生产过程中,在配电总进线处监测到的电力数据也是一种时间序列信号,半监督机器学习能够根据历史输入数据的特征建立内在关联,作为一种分类器,实现对电力负荷的非侵入式分解。此外,在指定家庭环境中,半监督机器学习模型训练及辨识过程中所需的用电设备类型、数量等均可获悉,因此,在电力负荷辨识领域,半监督学习的方式更有利于实施与提升辨识准确度。
请参照图1所示,本发明实施例一提供一种非侵入式负荷监测方法,包括:
步骤S1,使用电力系统计算机辅助设计工具或者含直流电的电磁瞬态分析构建负荷监测模型;
步骤S2,采用小波设计与普式分析法得到辨识的负荷及相异度测量值和辨识的小波的高通滤波器系数;
步骤S3,根据步骤S1和步骤S2的结果,采用决策树和最近邻分类器进行机器学习的协同训练;
步骤S4,采用K层交叉检验与蒙特卡罗法验证步骤3的训练结果并优化负荷监测模型。
具体地,请结合图2所示,使用电力系统计算机辅助设计工具或者含直流电的电磁瞬态分析(PSCAD/EMTDC)构建本实施例的负荷监测模型,(a)-(d)分别为电池充电器、节能灯、个人电脑、白炽灯的模型。仿真时间设置为10秒,负荷每3秒切换一次。电流信号每周期采样256次(即采样频率为256采样点/周期×60周期/秒=15.36kHz),因此每个周期的时长为0.0167秒(即1/60秒)。负荷切换后两个周期的采样差值用作分类。
表1列出了接通节能灯负荷时断路器的开关状态。逻辑“0”表示断路器断开,逻辑“1”表示断路器闭合。字母“T”用来指示负荷在3秒内切换。例如,根据表1中的第1行,3秒后将打开节能灯(字母“T”表示),其他负荷(即电池充电器,个人电脑,白炽灯)都断开(断路器1,3,4状态都为“0”),并在整个运行过程中保持断开,这是一个10秒。另一方面,可参考第5行,3秒后打开节能灯(字母“T”表示),电池充电器负荷(断路器1状态为“1”),其余剩下的负荷(即个人电脑和白炽灯)都断开(断路器3和4状态都为“0”),并将在这次运行过程中保持断开,这也是一个10秒。若给剩余3个负荷相应的断路器分配一个状态“T”,也表示3秒后打开对应负荷,此时分配给剩余负荷状态“0”或“1”以表示它们的连接状态(断开或闭合)。
表1 节能灯负荷的开关状态
情况 | 电池充电器 | 节能灯 | 个人电脑 | 白炽灯 |
1 | 0 | T | 0 | 0 |
2 | 0 | T | 0 | 1 |
3 | 0 | T | 1 | 0 |
4 | 0 | T | 1 | 1 |
5 | 1 | T | 0 | 0 |
6 | 1 | T | 0 | 1 |
7 | 1 | T | 1 | 0 |
8 | 1 | T | 1 | 1 |
步骤S2设计匹配负荷信号的新小波,用来提取负荷切换过程的暂态响应中信号的显著特征。以下具体说明。
任何时域内的信号都可以通过小波变换,即使用尺度函数V和小波函数W来计算小波系数。(1)和(2)中的数学表达式是多分辨率分析算法的基础,它可助于提取分析信号中的近似值(低频分量)和具体值(高频分量)。
其中,k是采样下标,h0和h1分别是低通和高通滤波器。
尺度函数V和小波函数W的主要性质之一就是正交性(如小波函数的整数时间平移与尺度函数在整数n处正交),数学表达式如下:
其中,δ(t)为狄利克雷函数。公式(3)-(5)描述的正交性可用于本实施例的新小波的设计过程。
小波设计的概念是基于低通和高通小波滤波器的三条性质,这两个滤波器分别命名为h0(k)和h1(k)。
性质一:归一化:
性质二:双平移正交性
性质三:低通:
当长度为6时,低通滤波器与以下六个系数有关:h0(0),h0(1),h0(2),h0(3),h0(4)与h0(5),将系数带入(6)-(8)中,可得以下方程:
归一化:
双平移正交性:
h0(0)h0(2)+h0(1)h0(3)+h0(2)h0(4)+h0(3)h0(5)=0 (10)
h0(0)h0(4)+h0(1)h0(5)=0 (11)
低通:
h0(0)-h0(1)+h0(2)-h0(3)+h0(4)-h0(5)=0 (12)
上述三条性质中四个方程(公式(9)-(12))的六个未知数可用参数a和b来表示:
参数a和b的选取决定了低通滤波器的系数。由于这些参数常在-3.141593到+3.141593内取值,因此共可以产生400组匹配目标信号的小波。
对每一个参数a和b的组合,总可以通过求解公式(9)-(12)来获得对应的低通滤波器的系数集合,每一个解都对应着一个小波函数W。本发明实施例专利采用普式分析法找到匹配目标信号X(如电压和电流信号)最合适的小波函数W*。
在普式分析法中,匹配的小波函数可以通过变换获得比较信号Z:
Z=oWξ+β (19)
普式分析法的工作是找到变换参数o,ξ和β来使目标信号和比较信号之间的差值最小化,即
本实施例中使用相对偏差Δ即X和Z对应点的偏差的平方和与其平均值偏差的平方和来衡量误差大小,定义如下:
相对偏差Δ的值接近于0表示高度相似,反之,若值接近于1,则反映了目标信号X与小波函数W的相似性不高。当搜索完参数a和b的所有组合后,只有高度匹配原信号的小波函数能给出相对偏差Δ的较小值。普式分析法用来搜索相对偏差Δ的最小值,因此总可以找到匹配的小波函数W*。需要说明的是,低通和高通滤波器的系数h0(k)和h1(k)必须满足公式(6)-(8)所示的三条性质。
在本实施例中,需要提取负荷切换后的目标信号X中包含的隐藏特征,计算目标信号X变化值(标记为Xd)的小波系数的能量并用于识别负荷。使用目标信号变化值Xd与尺度函数V和小波函数W的卷积分别计算近似值cA和具体值cD的小波系数。
cAj(l)=<Xd,Vj,l> (22)
cDj(l)=<Xd,Wj,l> (23)
其中l=0,....,N/2J-1,且N为信号长度。
小波系数的能量计算公式如下:
根据上述小波设计和普式分析法的过程,如图3所示,在求解(13)-(18)等式子所产生的400多个小波中,4个电流信号的变化值匹配度最高的小波对应4个负荷(即(a)电池充电器、(b)节能灯、(c)个人电脑和(d)白炽灯)。这四个辨识出的小波是那些给出相异度最小值的,是定义在公式(21)中使用一个周期的电流变化值(即Xd),而不是公式(22)-(23)中两个周期。
表2列出了每个小波的相异度测量值。
表2 辨识的负荷及相异度测量值
负荷 | 辨识小波 | 相异度测量值 |
电池充电器 | 3.0.372 | 0.79324083 |
节能灯 | 3.0.391 | 0.85294090 |
个人电脑 | 3.0.7 | 0.83014410 |
白炽灯 | 3.0.373 | 0.83009239 |
数字3代表长度为6的滤波器,由于长度为2和4的分别用1和2表示。
表2列出的小波都已经分配好一个数字,这个数字代表他们在400个小波的列表中的排名。如图4所示,分解侧的低通滤波器系数与重构侧的成时间逆反关系。需要说明的是,为了使参数可读,图4中的上限值和下限值被选中来拟合出最好的滤波器系数。由于高通滤波器h1是低通滤波器h0的奇次(N)翻转,所以可由公式(34)计算得到高通滤波器的系数,并列于表3:
h1(k)=(-1)kh0(N-k) (34)
以下对步骤S3采用机器学习的协同训练进行说明。
在非侵入式负荷监测应用中,使用如决策树等积极学习方法的负荷分类过程通常需要将所有数据事先标记。通常将输入数据集分成两个子集,一个子集用来训练,另一个子集/>则用来测试。训练用子集/>使用决策树推测算法构建分类模型。生成分类树的过程就是寻找数据集属性之间的最佳分割,定义Gini指数衡量树节点的不纯净度。
其中,C为类的个数,f(c|σ)为类c中给定节点σ的部分记录。
不像积极学习方法使用所有标记的数据进行基于推测分类模型的负荷分类,最近邻等消极学习法不先进行模型的构建过程,而是通过寻找所有与属性测试实例ζ=(τ’,υ’)相似的训练实例(τ,υ)∈θ进行分类。这个算法使用欧拉距离作为测量值δ,然后生成一系列θζ,包含最近邻算法生成的最接近训练实例ζ在内。
测试实例的类标签是使用多数投票的方案生成的,见公式(28)。这个方案依赖于使用指示器函数Ξ比较类标签c与最近邻分类对应的类标签υ,这个指示器函数当条件为真时返回1,其余情况都返回0。
指示器函数的作用就是比较测试记录的类标签和邻近类标签,若测试记录的类标签与邻近记录的类标签相匹配,指示函数就返回1,其余都返回0。类是由最大参数法产生的,这也意味着正确的类将会是邻域中大多数记录的类别。
在两组数据子集上包括标记过和未标记过的实例上,通过训练决策树和最近邻分类器来实现两种机器学习协同训练的想法。这个过程从生成包含标记数据L和未标记数据U的数据集开始。标记过的数据集可分为两个子集LA和LB,用来训练两个学习方法(即决策树和最近邻算法),从而生成两个分类模型hA和hB。当生成数据集后,从未标记的数据集U随机选择记录u,并使用两个分类模型hA和hB进行标签预测。两个分类器对所有未标记的实例La和Lb∈U’中给出的实例标签是一致的,结果可反过来更新分类器hA和hB,不断进行这个过程,直到数据集U中所有未标记过的实例都已使用,此时可认为两个分类器已经完成了协同训练。
如决策树和最近邻算法之类的二元分类器通常将一个类视为正,而其余类就都视为负。在非侵入式负荷监测中,负荷分类问题可看作由C个二元分类问题组合的,其中C为类的总个数。由于本实施例的应用中有4个负荷,所以共创建了4个二分分类问题,每个问题中将一个类视为正,而其余类视为负。在半监督式学习的情况下,数据集被分成5组,每组包含173个记录。
步骤S4中在K层交叉检验中,数据被分为k个等大小的子集。在每次运行中,其中一个子集用来测试,剩余的k-1个用来训练。这个过程重复k次,每一次运行的误差εk用错误预测的记录数和记录总数Γ计算得到,然后对k次的误差求和就可得交叉检验的误差εcv。
作为分类器性能衡量指标的分类准确度可按如下方式定义:
蒙特卡罗法在1949年作为数值解法首次被引入用来解决涉及到随机参数的复杂问题。决策树(积极学习方法)和最近邻法(消极学习法)的协同训练与交叉检验会由于自身的随机性而引入不确定性,具体实施过程如图5所示。
在每次蒙特卡罗试验μ中,都用决策树和最近邻分类器的协同训练及交叉检验估计计算分类准确度在进行M次大量试验后,再计算分类准确度平均值/>
标准Z检验的95%置信区间(Zα/2=1.96)可以确定如下:
试验总数为1000,这样当试验数有微小的增加时也不会对最后结果产生显著的影响。
第一组包含标记的记录,用来训练。第二、三、四组包含未标记的记录,用作协同训练。第五组包含标记的记录,并用来测试。表4和5列出了决策树和最近邻算法基于协同训练/未标记数据的半监督式下分类法和不涉及到协同训练的经典监督式分类法的分类准确度百分比。在半监督式机器学习下,最近邻算法和决策树分类错误的个数分别是32和48。其中决策树分类错误最多的一项是节能灯,而最近邻算法则是白炽灯。另一方面,在监督式机器学习下,最近邻算法和决策树分类错误的个数分别是36和63。其中决策树分类错误最多的一项还是节能灯,而最近邻算法也还是白炽灯。
表4 基于决策树分类器的分类准确度百分比
表5 基于最近邻分类器的分类准确度百分比
表6列出了在不同电压变化情况下,预测的分类和实际的分类相比较的实例,在给定开关序列的情况下。例如,第一行表明了当白炽灯打开(开关状态为“T”),充电器保持打开,节能灯和个人电脑保持关闭,电源电压上有+5%的幅值变化,算法还是能够正确预测负荷为白炽灯。更有甚者,根据第五行,当节能灯打开(开关状态为“T”),充电器保持打开,个人电脑和白炽灯保持关闭,电源电压上有+2%的幅值变化时,本实施例能够正确预测负荷为节能灯。
表6 实际与预测负载分类对比实例
表7列出了通过将表4和表5中半监督式学习的数据代入公式(33)得到的置信区间。结果表明若将分类问题看作是二元实验,则最近邻算法的真实平均准确度有比决策树更高的上下界。
表7 95%置信水平下,决策树和最近邻算法在半监督式机器学习下的置信区间
为了比较两个分类器的性能,决策树和最近邻算法在经典监督式和半监督式情况下真实准确度的95%置信水平的置信区间,使用10层交叉检验,公式如下:
其中,是决策树和最近邻算法的平均准确度估计差值,/>是变量。在给定95%置信水平,且k=10,α=0.05的情况下,学生t分布的概率t(1-α),k-1=2.26。使用公式(35)估计真实准确度差异的置信区间,并列于表8。结果表明,与监督式学习相比,协同训练在降低真实准确度差异具有有效性。由于置信区间没有扩展到0,因此观测到的真实准确度差异可认为具有统计学意义。
表8 95%置信水平下,真实准确度的置信区间差异
通过上述说明可知,本发明的有益效果是:本发明所提出的方法设计匹配负荷信号的新小波,用来提取负荷切换过程的暂态响应中信号的显著特征;获得的分类准确度表明提出的方法鲁棒性强,不受噪声干扰,这是由于其依赖于暂态响应过程和负荷信号特性中的信息;由于它根据分享有助于改进负荷模式学习过程的分类信息,用来改正对类标签的预测,两个分类器的协同训练还能降低信号被噪声污染的影响。相比监督式机器学习,半监督式机器学习计算出的真实平均准确度在置信水平为95%的置信区间由于有更高的上下界得到很大的改进,表明了协同训练在改善含未标记记录的数据集的分类准确度的有效性。
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)
1.一种非侵入式负荷监测方法,其特征在于,包括:
步骤S1,使用电力系统计算机辅助设计工具或者含直流电的电磁瞬态分析构建负荷监测模型;
步骤S2,采用小波设计与普式分析法得到辨识的负荷及相异度测量值和辨识的小波的高通滤波器系数;
步骤S3,根据步骤S1和步骤S2的结果,采用决策树和最近邻分类器进行机器学习的协同训练;
步骤S4,采用K层交叉检验与蒙特卡罗法验证步骤3的训练结果并优化负荷监测模型;
所述步骤S4中,每次蒙特卡罗试验μ均用决策树和最近邻分类器的协同训练及交叉检验估计计算分类准确度在进行M次大量试验后,再计算分类准确度平均值/>
标准Z检验的95%置信区间确定如下,Zα/2=1.96:
2.根据权利要求1所述的非侵入式负荷监测方法,其特征在于,所述步骤S2中,当长度为6时,低通滤波器的六个系数具有以下方程:
h0(0)h0(2)+h0(1)h0(3)+h0(2)h0(4)+h0(3)h0(5)=0
h0(0)h0(4)+h0(1)h0(5)=0
h0(0)-h0(1)+h0(2)-h0(3)+h0(4)-h0(5)=0。
3.根据权利要求2所述的非侵入式负荷监测方法,其特征在于,将低通滤波器的六个系数的方程用参数a和b表示为:
对每一个参数a和b的组合,通过求解低通滤波器的六个系数的方程来获得对应的低通滤波器的系数集合,每一个解对应一个小波函数W。
4.根据权利要求3所述的非侵入式负荷监测方法,其特征在于,所述步骤S2使用相对偏差Δ即X和Z对应点的偏差的平方和与其平均值偏差的平方和来衡量误差大小,如下所示:
相对偏差Δ的值接近于0表示高度相似,反之,若值接近于1,则表示目标信号X与小波函数W的相似性不高;通过普式分析法搜索相对偏差Δ的最小值,获得匹配的小波函数W*。
5.根据权利要求3所述的非侵入式负荷监测方法,其特征在于,所述步骤S2还包括:
提取负荷切换后的目标信号X中包含的隐藏特征,计算目标信号X变化值Xd的小波系数的能量并用于识别负荷;
使用目标信号变化值Xd与尺度函数V和小波函数W的卷积分别计算近似值cA和具体值cD的小波系数:
cAj(l)=<Xd,Vj,l>
cDj(l)=<Xd,Wj,l>
其中l=0,....,N/2J-1,N为信号长度;
小波系数的能量计算方式如下:
6.根据权利要求2所述的非侵入式负荷监测方法,其特征在于,高通滤波器的系数h1(k)的计算方式为:
h1(k)=(-1)kh0(N-k)。
7.根据权利要求1所述的非侵入式负荷监测方法,其特征在于,所述步骤S3包括:
生成包含标记数据L和未标记数据U的数据集;
标记过的数据集可分为两个子集LA和LB,分别用来训练决策树和最近邻算法,生成两个分类模型hA和hB;
当生成数据集后,从未标记的数据集U随机选择记录u,并使用两个分类模型hA和hB进行标签预测;
两个分类器对所有未标记的实例La和Lb∈U’中给出的实例标签一致,将结果更新分类器hA和hB,不断进行这个过程,直到数据集U中所有未标记过的实例都已使用,表明两个分类器完成协同训练。
8.根据权利要求1所述的非侵入式负荷监测方法,其特征在于,所述步骤S1构建的负荷监测模型中,仿真时间设置为10秒,负荷每3秒切换一次,电流信号每周期采样256次,周期为1/60秒,负荷切换后两个周期的采样差值用作分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911255650.XA CN111275069B (zh) | 2019-12-10 | 2019-12-10 | 一种非侵入式负荷监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911255650.XA CN111275069B (zh) | 2019-12-10 | 2019-12-10 | 一种非侵入式负荷监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275069A CN111275069A (zh) | 2020-06-12 |
CN111275069B true CN111275069B (zh) | 2023-11-28 |
Family
ID=71111844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911255650.XA Active CN111275069B (zh) | 2019-12-10 | 2019-12-10 | 一种非侵入式负荷监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275069B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898694B (zh) * | 2020-08-07 | 2021-09-17 | 广东电网有限责任公司计量中心 | 一种基于随机树分类的非入侵式负荷识别方法及装置 |
CN112070127A (zh) * | 2020-08-21 | 2020-12-11 | 南方电网科学研究院有限责任公司 | 一种基于智能分析的海量数据样本增量分析方法 |
CN113568383B (zh) * | 2021-06-30 | 2022-11-04 | 宁波三星医疗电气股份有限公司 | 适用于加工中心的非侵入式识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165604A (zh) * | 2018-08-28 | 2019-01-08 | 四川大学 | 基于协同训练的非侵入式负荷识别方法及其测试系统 |
CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
-
2019
- 2019-12-10 CN CN201911255650.XA patent/CN111275069B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165604A (zh) * | 2018-08-28 | 2019-01-08 | 四川大学 | 基于协同训练的非侵入式负荷识别方法及其测试系统 |
CN110376457A (zh) * | 2019-06-28 | 2019-10-25 | 同济大学 | 基于半监督学习算法的非侵入式负荷监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111275069A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angelis et al. | NILM applications: Literature review of learning approaches, recent developments and challenges | |
Zhao et al. | Novel method based on variational mode decomposition and a random discriminative projection extreme learning machine for multiple power quality disturbance recognition | |
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
CN111275069B (zh) | 一种非侵入式负荷监测方法 | |
Himeur et al. | Effective non-intrusive load monitoring of buildings based on a novel multi-descriptor fusion with dimensionality reduction | |
WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
Munshi et al. | Unsupervised nonintrusive extraction of electrical vehicle charging load patterns | |
Liu et al. | High-precision identification of power quality disturbances under strong noise environment based on FastICA and random forest | |
Ma et al. | Power transformer fault diagnosis under measurement originated uncertainties | |
Li et al. | Energy disaggregation via hierarchical factorial hmm | |
Gillis et al. | Designing new orthogonal high-order wavelets for nonintrusive load monitoring | |
Harish et al. | Fault detection and classification for wide area backup protection of power transmission lines using weighted extreme learning machine | |
Han et al. | Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing | |
Han et al. | Unknown appliances detection for non-intrusive load monitoring based on conditional generative adversarial networks | |
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 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
Zhang et al. | Event characterization and prediction based on temporal patterns in dynamic data system | |
Fu et al. | PQEventCog: Classification of power quality disturbances based on optimized S-transform and CNNs with noisy labeled datasets | |
He et al. | Early classification on multivariate time series with core features | |
Li et al. | Household Structure Analysis via Hawkes Processes for Enhancing Energy Disaggregation. | |
Bilski et al. | Analysis of the artificial intelligence methods applicability to the non-intrusive load monitoring | |
Yao et al. | Electricity theft detection in incremental scenario: A novel semi-supervised approach based on hybrid replay strategy | |
CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm | |
Zhao et al. | Non-Intrusive Load Monitoring Based on Deep Pairwise-Supervised Hashing to Detect Unidentified Appliances. Processes 2021, 9, 505 |
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 |