CN111311434A - 用电设备负荷分离方法、装置、计算机设备和存储介质 - Google Patents
用电设备负荷分离方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111311434A CN111311434A CN202010092552.5A CN202010092552A CN111311434A CN 111311434 A CN111311434 A CN 111311434A CN 202010092552 A CN202010092552 A CN 202010092552A CN 111311434 A CN111311434 A CN 111311434A
- Authority
- CN
- China
- Prior art keywords
- electricity
- sequence
- utilization
- electric
- dictionary
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000005611 electricity Effects 0.000 claims abstract description 277
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000000926 separation method Methods 0.000 claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims description 100
- 238000012549 training Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000011480 coordinate descent method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 abstract description 13
- 238000013508 migration Methods 0.000 abstract description 5
- 230000005012 migration Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000005612 types of electricity Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
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
- 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
-
- 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
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种用电设备负荷分离方法、装置、计算机设备和存储介质。该方法包括:服务器通过采集到的待测试家庭的各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式,从而根据各用电设备的用电模式,采用在线字典学习算法对各用电设备的用电模式样本集进行训练,得到各用电设备的用电模式对应的字典矩阵,根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,得到待测试家庭的各用电设备的负荷分离序列。本方法实现了待测试家庭用电设备总负荷的非侵入式分解,且构建了在家庭迁移上具备较强泛化能力的非侵入式负荷分解模型。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种用电设备负荷分离方法、装置、计算机设备和存储介质。
背景技术
随着智能电网的发展和智能用电技术的日益更新,家电的海量用电信息逐渐体现其在电网大数据中的数据支撑作用。监测家电运行状态一方面可引导用户制定合理的电能使用计划,实现节能降耗;另一方面,电网公司通过用电数据挖掘各类用户的用能模式及用能规律,从而实现电力资源的优化配置,加强需求侧管理。
传统技术是通过侵入式监测方式,实现对家电的电力数据的监测获取,这种方法需要大规模安装电器监测终端,耗费成本较大。现有技术中提供一种可以通过负荷盲源分离来获取家电的用电数据的方法,具体为通过采集电力入口总线的数据,利用负荷分离算法实现电器的数据分离,该方法具有良好的经济性和用户接受度。
然而,受家电本身能耗水平、用户使用习惯的影响,同类家电在不同家庭中呈现的用电特性千差万别,现有技术中的负荷盲源分离模型具有局限性,无法准确的反映不同家庭的家电用电情况。
发明内容
基于此,有必要针对上述技术问题,提供一种用电设备负荷分离方法、装置、计算机设备和存储介质。
第一方面,本申请提供一种用电设备负荷分离方法,该方法包括:
采集待测试家庭的各用电设备的日用电序列,并根据各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式;日用电序列用于表征用电设备在一日中的有功功率采样值的集合;典型用电模式集合表示根据样本家庭的日用电序列,采用近邻传播聚类方法得到的具有典型特征的用电模式的集合;
根据各用电设备的用电模式,从预设的用电模式样本集合中提取各用电设备的用电模式对应的用电模式样本,组成各用电设备的用电模式样本集;预设的用电模式样本集合用于指示从样本家庭中采集到的各用电设备的日用电序列对应的用电模式的集合;
采用在线字典学习算法训练各用电设备的用电模式样本集,得到各用电设备的用电模式对应的字典矩阵;
根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数;
根据各用电设备的字典矩阵和各用电设备的编码系数,得到待测试家庭的各用电设备的负荷分离序列。
在其中一个实施例中,上述方法还包括:
在预设的第一时间段内,采用预设的时间周期采集样本家庭的各用电设备的日用电序列;
根据各用电设备的日用电序列,提取各用电设备的用电模式,组成各用电设备的典型用电模式集合。
在其中一个实施例中,上述根据各用电设备的日用电序列,提取各用电设备的用电模式,组成各用电设备的典型用电模式集合,包括:
采用近邻传播聚类方法,对各用电设备的日用电序列进行聚类处理,得到聚类处理后的各用电设备的日用电序列;
根据聚类处理后的各用电设备的日用电序列,确定各用电设备对应的典型用电模式;
根据各用电设备的典型用电模式,对各用电设备的日用电序列进行划分,得到各用电设备的典型用电模式集合。
在其中一个实施例中,上述采集待测试家庭的各用电设备的日用电序列,并根据各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式,包括:
在预设的第二时间段内,按照预设的时间周期采集待测试家庭的各用电设备的日用电序列;
计算各用电设备的日用电序列与典型用电模式集合中的各典型用电模式的欧氏距离,并根据欧式距离,确定各用电设备的日用电序列对应的用电模式。
在其中一个实施例中,上述采用在线字典学习算法训练各用电设备的用电模式样本集,得到各用电设备的用电模式对应的字典矩阵,包括:
将各用电设备的用电模式样本确定为各用电设备对应的模式字典;
通过在线字典学习算法,训练得到各模式字典的编码系数,并根据各模式字典的编码系数得到各用电设备的用电模式对应的字典矩阵。
在其中一个实施例中,上述通过在线字典学习算法,训练得到各模式字典的编码系数,并根据各模式字典的编码系数得到各用电设备的用电模式对应的字典矩阵,包括:
初始化迭代次数、正则化参数、字典矩阵和辅助矩阵;
执行迭代算法,得到各用电设备的用电模式对应的字典矩阵;
其中,上述迭代算法包括:
根据各用电设备的用电模式样本集,采用最小角回归算法,计算得到各模式字典的编码系数;
根据各模式字典的编码系数更新辅助矩阵;
采用块坐标下降法,根据更新后的辅助矩阵更新各用电设备的用电模式对应的字典矩阵;
将迭代次数加1,返回执行迭代算法,直至达到预设的迭代次数为止。
在其中一个实施例中,上述根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数,包括:
根据待测试家庭的各用电设备的用电模式对应的字典矩阵,组合生成待测试家庭的用电总序列对应的模式字典;
根据待测试家庭的用电总序列和用电总序列对应的模式字典,采用稀疏编码算法,计算待测试家庭的各用电设备对应的编码系数。
第二方面,本申请提供一种用电设备负荷分离装置,该装置包括:
采集模块,用于采集待测试家庭的各用电设备的日用电序列,并根据各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式;日用电序列用于表征用电设备在一日中的有功功率采样值的集合;典型用电模式集合表示根据样本家庭的日用电序列,采用近邻传播聚类方法得到的具有典型特征的用电模式的集合;
提取模块,用于根据各用电设备的用电模式,从预设的用电模式样本集合中提取各用电设备的用电模式对应的用电模式样本,组成各用电设备的用电模式样本集;预设的用电模式样本集合用于指示从样本家庭中采集到的各用电设备的日用电序列对应的用电模式的集合;
训练模块,用于采用在线字典学习算法训练各用电设备的用电模式样本集,得到各用电设备的用电模式对应的字典矩阵;
获取模块,用于根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数;
分离模块,用于根据各用电设备的字典矩阵和各用电设备的编码系数,得到待测试家庭的各用电设备的负荷分离序列。
第三方面,本申请提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述第一方面中任一项实施例所提供的用电设备负荷分离方法。
第四方面,本申请提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一项实施例所提供的用电设备负荷分离方法。
上述用电设备负荷分离方法、装置、计算机设备和存储介质,服务器通过采集到的待测试家庭的各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式,从而根据各用电设备的用电模式,从预设的用电模式样本集合中提取其对应的用电模式样本,组成各用电设备的用电模式样本集,进而服务器可以采用在线字典学习算法对各用电设备的用电模式样本集进行训练,得到各用电设备的用电模式对应的字典矩阵,根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数,进而得到待测试家庭的各用电设备的负荷分离序列。本方法中,由于服务器可以根据预先设定的典型用电模式集合,获得待测试家庭中用电设备所含的用电模式,从而采用在线字典学习算法训练各用电设备的模式字典,最后根据模式字典进行稀疏编码,实现待测试家庭用电设备总负荷的非侵入式分解;且,采用在线字典学习算法对各类用电设备的用电模式进行训练,实现了动态学习各用电设备大规模日用电序列的波动特性,构建了在家庭迁移上具备较强泛化能力的非侵入式负荷分解模型,从而根据不同家庭的负荷分解结果,实现了电力资源的优化配置,有利于加强需求侧管理。
附图说明
图1为一个实施例中用电设备负荷分离方法的应用环境图;
图2为一个实施例中用电设备负荷分离方法的流程示意图;
图3为另一个实施例中用电设备负荷分离方法的流程示意图;
图4为另一个实施例中用电设备负荷分离方法的流程示意图;
图4a为一个实施例中电视机典型用电模式示意图;
图5为另一个实施例中用电设备负荷分离方法的流程示意图;
图6为另一个实施例中用电设备负荷分离方法的流程示意图;
图7为另一个实施例中用电设备负荷分离方法的流程示意图;
图8为另一个实施例中用电设备负荷分离方法的流程示意图;
图8a为一个实施例中稀疏表示模型的示意图;
图9为一个实施例中用电设备负荷分离方法的整体流程示意图;
图10为一个实施例中用电设备负荷分离装置的结构框图;
图11为另一个实施例中用电设备负荷分离装置的结构框图;
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的用电设备负荷分离方法,可以应用于如图1所示的应用环境中。其中,终端101与服务器102通过网络进行通信。其中,终端101可以但不限于是各种传感器,包括电力数据采集传感器,例如可以采集功率值的智能插座等;服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。在本实施例中,服务器102可以通过与终端101通信,获取终端101采集到的电力数据,从而服务器102可以根据该电力数据进行用电设备负荷的分离。
下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。需要说明的是,本申请图2-图9实施例提供的用电设备负荷分离方法,其执行主体可以是服务器,也可以是用电设备负荷分离装置,该用电设备负荷分离装置可以通过软件、硬件或者软硬件结合的方式成为服务器的部分或全部。下述方法实施例中,均以执行主体是服务器为例来进行说明。
在一个实施例中,如图2所示,提供了一种用电设备负荷分离方法,涉及的是服务器根据采集到的待测试家庭各用电设备的日用电序列,提取各日用电序列对应的用电模式,根据用电模式采用在线字典算法进行训练,从而得到待测试家庭用电模式对应的字典矩阵,根据该字典矩阵和待测试家庭的总的用电序列,得到总用电序列的负荷分离结果的具体过程,包括以下步骤:
S201、采集待测试家庭的各用电设备的日用电序列,并根据各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式;日用电序列用于表征用电设备在一日中的有功功率采样值的集合;典型用电模式集合表示根据样本家庭的日用电序列,采用近邻传播聚类方法得到的具有典型特征的用电模式的集合。
其中,各用电设备指的是家庭中所用到的各种类别的电器,示例地,用电设备可以包括电视机、冰箱、洗衣机等;用电序列指的是用电设备有功功率的采样值的序列;预设的典型用电模式集合指的是在预处理阶段,服务器根据样本家庭中采集到的日用电序列,通过近邻传播聚类算法得到的具有代表性的用电序列的集合,这里将用电序列定义为用电模式。
在本实施例中,服务器可以通过预先在待测试家庭中安装智能插座,来采集相应用电设备的负荷数据,该电力数据可以是该用电设备的有功功率;服务器可以采集预设时间段内的各类用电设的负荷数据,例如,预设的时间为5天,即采集用电设备的5天内的负荷数据。需要说明的是,智能插座以侵入式方式进行安装,串接在各用电设备负荷的插头和入墙式插座之间,服务器在采集完各用电设备的负荷数据之后,可以立即撤除智能插座。服务器在采集到待测试家庭的各类用电设备的多个日用电序列之后,需要将该多个日用电序列与预先提取的典型用电模式集合进行比较,该比较方式可以为多种,优选地,可以通过计算各日用电序列与各典型用电模式之间的欧式距离,确定各日用电序列对应的典型用电模式,即确定各日用电序列属于哪种典型用电模式,从而得到多个日用电序列对应的用电模式。
S202、根据各用电设备的用电模式,从预设的用电模式样本集合中提取各用电设备的用电模式对应的用电模式样本,组成各用电设备的用电模式样本集;预设的用电模式样本集合用于指示从样本家庭中采集到的各用电设备的日用电序列对应的用电模式的集合。
其中,预设的用电模式样本集合指的是服务器根据样本家庭中采集各类用电设备的日用电序列,得到的多个日用电序列对应的用电模式的集合。
在本实施例中,服务器根据待测试家庭中各用电设备的多种用电模式,从预先获取到的用电模式的样本集合中提取与其对应的用电模式样本,示例地,服务器采集待的待测试家庭中电视机的用电模式包括用电模式1、用电模式2、用电模式4,服务器可以从用电模式的样本集合中获取属于用电模式1、用电模式2和用电模式4的所有用电模式样本,组成待测试家庭电视机的用电模式样本集合,本实施例对此不做限定。
S203、采用在线字典学习算法训练各用电设备的用电模式样本集,得到各用电设备的用电模式对应的字典矩阵。
在本实施例中,服务器利用在线字典学习算法依次训练待测试家庭中每类用电设备负荷的字典矩阵,定义为用电设备负荷的模式字典,其中在线字典学习算法主要包括编码系数求解和字典矩阵更新两个阶段,编码系数求解采用最小角回归算法,字典矩阵更新采用块坐标下降法,字典矩阵的每一列为一个原子,总原子数按日用电序列维数的整数倍依次增加并训练,直到训练出的字典对样本的平均拟合优度超过设定阈值,最终得到更新后的各用电设备的用电模式对应的字典矩阵。
S204、根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数。
在本实施例中,服务器通过采集待测试家庭电力入口线处的总负荷日用电序列,并将该总负荷日用电序列作为待分解信号,通过组合每类用电设备负荷的模式字典,形成总的用电序列对应的模式字典,然后利用稀疏编码拟合待分解信号,求得编码系数。其中每类家电负荷的模式字典的组合方式为按列排列,稀疏编码采用最小角回归算法求解,本实施例对此不做限定。
S205、根据各用电设备的字典矩阵和各用电设备的编码系数,得到待测试家庭的各用电设备的负荷分离序列。
在本实施例中,服务器在得到各用电设备的字典矩阵和各用电设备的编码系数之后,可以将对应于同一类用电设备负荷的模式字典和编码系数相乘,得到各类用电设备负荷的分解结果。示例地,第i个家电负荷的分离序列为P(i)=Diai。其中Di为用电设备负荷的模式字典,ai为该用电设备的编码系数,本实施例对此不做限定。
上述用电设备负荷分离方法中,服务器通过采集到的待测试家庭的各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式,从而根据各用电设备的用电模式,从预设的用电模式样本集合中提取其对应的用电模式样本,组成各用电设备的用电模式样本集,进而服务器可以采用在线字典学习算法对各用电设备的用电模式样本集进行训练,得到各用电设备的用电模式对应的字典矩阵,根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数,进而得到待测试家庭的各用电设备的负荷分离序列。本方法中,由于服务器可以根据预先设定的典型用电模式集合,获得待测试家庭中用电设备所含的用电模式,从而采用在线字典学习算法训练各用电设备的模式字典,最后根据模式字典进行稀疏编码,实现待测试家庭用电设备总负荷的非侵入式分解;且,采用在线字典学习算法对各类用电设备的用电模式进行训练,实现了动态学习各用电设备大规模日用电序列的波动特性,构建了在家庭迁移上具备较强泛化能力的非侵入式负荷分解模型,从而根据不同家庭的负荷分解结果,实现了电力资源的优化配置,有利于加强需求侧管理。
在对待测试家庭进行用电设备的负荷数据采集之前,服务器需要构建典型用电模式集合和用电模式的样本集合,即服务器需要从多个样本家庭中采集各类用电设备的日用电数据,从而得到各日用电序列对应的用电模式。在一个实施例中,如图3所示,上述方法还包括:
S301、在预设的第一时间段内,采用预设的时间周期采集样本家庭的各用电设备的日用电序列。
其中,预设的第一时间段指的是针对样本家庭的采集时间段,为使样本数据具有良好的代表性,一般的,采集时间段为长期间隔采样,时间段可以为15-30天,即采集样本家庭15-30天的各用电设备的负荷数据。
在本实施例中,服务器可以通过多个样本家庭中安装的智能插座,采集多个样本家庭的各类用电设备负荷等间隔采样的有功功率;服务器还可以将采集到的有功功率按天划分为若干个日用电序列。示例地,一个日用电序列描述如下:
S302、根据各用电设备的日用电序列,提取各用电设备的用电模式,组成各用电设备的典型用电模式集合。
在本实施例中,服务器可以通过不同的方法提取样本家庭中各用电设备日用电序列对应的用电模式,优选地,服务器可以采用聚类处理的方法,将多种日用电序列按照自身的类似程度进行未知标签的分类,即在不确定划分种类,以及种类数量的情况下,采用聚类分析的方法可以将多种日用电序列进行种类划分,得到具有代表性的典型的用电模式,其中每一个典型用电模式至少包括一个日用电序列,故典型用电模式用集合来表示。
在本实施例中,服务器可以将样本家庭中的多种日用电序列进行聚类处理,得到典型的用电模式集合,在进行待测试家庭的日用电序列的划分过程中,典型用电模式作为划分的重要依据,具有比较大的实际意义。
服务器提取样本家庭中用电设备的用电模式的方法可以包括多种,其中一种提取方法为采用聚类方法提取用电模式中的典型用电模式,具体地,在一个实施例中,如图4所示,上述根据各用电设备的日用电序列,提取各用电设备的用电模式,组成各用电设备的典型用电模式集合,包括:
S401、采用近邻传播聚类方法,对各用电设备的日用电序列进行聚类处理,得到聚类处理后的各用电设备的日用电序列。
其中,服务器对各用电设备的日用电序列进行聚类处理,目的在于,将临近的类似日用电序列进行合并,从而得到具有不同特征的不同类别的日用电序列。
在本实施例中,具体地,服务器在通过近邻传播聚类算法进行聚类处理时,将一个日用电序列作为一个样本点,通过在两两样本点之间不断传递信息以更新其隶属关系,执行指定的迭代次数后形成若干个簇集,传递信息包括样本点的责任度和可靠度,具体的,计算方式如下:
其中,责任度r(i,k)表示第i个用电序列对第k个用电序列作为其聚类中心的支持程度,可靠度a(i,k)表示第k个用电序列作为第i个用电序列的聚类中心的合适程度,相似度s(i,k)为第i个用电序列和第k个用电序列的欧氏距离负值,k'为聚类中心对应的用电序列编号。
S402、根据聚类处理后的各用电设备的日用电序列,确定各用电设备对应的典型用电模式。
在本实施例中,近邻传播完成后,服务器可以确定第i个用电序列的聚类中心为第k'个用电序列。此时,服务器可以提取各聚类中心作为该用电设备负荷的典型用电模式,即,提取聚类中心对应的日用电序列作为该用电设备的典型用电模式,该典型用电模式用来表示受自身能耗水平和用户使用习惯的影响,用电设备负荷最具代表性的日有功功率波动曲线,示例地,电视机典型用电模式示意图如图4a所示,本实施例对此不做限定。
S403、根据各用电设备的典型用电模式,对各用电设备的日用电序列进行划分,得到各用电设备的典型用电模式集合。
在本实施例中,服务器根据上述得到的用电设备的典型用电模式,将该用电设备的所有日用电序列进行划分,即根据各日用电序列与典型用电模式之间的类型程度,将各日用电序列划分至某一典型用电模式中,使其隶属于某一典型用电模式,从而得到各用电设备的各典型用电模式的日用电序列的集合。示例地,服务器若得到电视机的典型用电模式为用电模式1、用电模式2和用电模式4,服务器可以根据电视机的所有日用电序列与用电模式1、用电模式2、用电模式4的类似程度,将电视机的各日用电序列划分至某一种用电模式中,本实施例对此不做限定。
在本实施例中,服务器可以提取样本家庭的用电设备的典型用电模式,从而将用电设备的日用电序列划分至相应的典型用电模式中,形成典型用电模式的样本集合,为服务器对待测试家庭的用电模式进行提取提供了提取依据,同时,用电模式样本来源于多个样本家庭,对于新的测试家庭不需要重新进行长期的数据采集和训练,使得训练模型在家庭迁移上具备较强的泛化能力。
服务器在对样本家庭的用电设备的负荷数据进行预处理后,即得到典型用电模式的样本集合之后,服务器便可以采集待测试家庭的用电设备负荷数据进行数据处理。在一个实施例中,如图5所示,上述采集待测试家庭的各用电设备的日用电序列,并根据各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式,包括:
S501、在预设的第二时间段内,按照预设的时间周期采集待测试家庭的各用电设备的日用电序列。
其中,预设的第二时间段指的是针对待测试家庭预先设定的,采集用电设备的样本值的时间段。一般的,在待测试家庭中采集的时间段为短期时间段,这里短期时间段指的是5-10天的时间段,若将一天的负荷数据作为一个用电序列,即采集该用电设备的5-10个日用电序列。在本实施例中,服务器按照预先设定的时间段,采集待测试家庭的各用电设备的有功功率的值。可选地,服务器可以通过待测试家庭中的智能插座采集各用电设备的负荷数据,本实施例对此不做限定。
S502、计算各用电设备的日用电序列与典型用电模式集合中的各典型用电模式的欧氏距离,并根据欧式距离,确定各用电设备的日用电序列对应的用电模式。
其中,欧式距离指的是m维空间中两个点之间的真实距离。
在本实施例中,服务器根据待测试家庭中的每类用电设备的负荷,依次搜索与每个日用电序列欧式距离最近的典型用电模式,从而得出每类用电设备负荷包含的若干种特定典型用电模式。具体而言,以采集的某一类用电设备负荷某一天的日用电序列为例,依次计算其所有典型用电模式与该日用电序列的欧式距离,从中选择最小的欧式距离值所对应的典型用电模式,将该典型用电模式确定为该日用电序列的用电模式,本实施例对此不做限定。
在本实施例中,服务器可以根据各用电设备的日用电序列与预先得到的典型用电模式之间的欧式距离,确定各用电设备的日用电序列对应的用电模式,由于采用了欧式距离进行计算比较,比较结果较为准确,故得到的日用电序列对应的用电模式结果也比较准确。
服务器在获得了待测试家庭的各用电设备的用电模式集合之后,便可根据用电模式集合进行在线字典算法的训练,在一个实施例中,如图6所示,上述采用在线字典学习算法训练各用电设备的用电模式样本集,得到各用电设备的用电模式对应的字典矩阵,包括:
S601、将各用电设备的用电模式样本确定为各用电设备对应的模式字典。
在本实施例中,服务器在进行在线字典学习算法之前,需要将待测试家庭中各用电设备的用电模式样本转换为在线字典学习算法的输入参数的格式,即确定各用电设备的用电模式样本对应的模式字典,具体地,服务器可以将用电模式样本的数据对应转换为矩阵数据,该矩阵数据可以包括m列k行,从而得到m列k行的字典矩阵,服务器将该字典矩阵确定为当前用电模式样本对应的模式字典。
S602、通过在线字典学习算法,训练得到各模式字典的编码系数,并根据各模式字典的编码系数得到各用电设备的用电模式对应的字典矩阵。
在本实施例中,服务器采用在线字典学习算法对待测试家庭的各用电设备的模式字典进行训练,一般的,在线字典的学习算法包括两个重要部分,一为字典矩阵的更新,二为编码系数的求解,在进行在线字典的学习的算法过程中,需要根据编码系数进行辅助矩阵的更新,从而根据辅助矩阵,完成对最终字典矩阵的更新,一般的,采用块坐标下降法,根据更新后的辅助矩阵更新各用电设备的用电模式对应的字典矩阵;编码系数的求解一般采用最小角回归算法,本实施例对此不做限定。
在本实施例中,服务器通过最小角回归算法求解编码系数,保证了编码系数的多维数据特征,根据编码系数求解待测试家庭的各用电设备的字典矩阵,使得得到的字典矩阵更加优化。
服务器通过在线字典学习算法进行字典矩阵的更新和编码系数的求解,具体地,在一个实施例中,如图7所示,上述通过在线字典学习算法,训练得到各模式字典的编码系数,并根据各模式字典的编码系数得到各用电设备的用电模式对应的字典矩阵,包括:
S701、初始化迭代次数、正则化参数、字典矩阵和辅助矩阵;
S702、执行迭代算法;其中,迭代算法包括以下步骤S703至步骤S707。
S703、根据各用电设备的用电模式样本集,采用最小角回归算法,计算得到各模式字典的编码系数;
其中,Xt,i为Xt的第i列样本,at,i为对应于Xt,i的编码系数。
具体地,最小角回归算法是一种用于回归分析、多维数据特征选择的迭代算法,利用最小角回归求解编码系数的运算过程具体描述如下:
S704、根据各模式字典的编码系数更新辅助矩阵;
更新辅助矩阵At、Bt的计算方式如下所示:
S705、采用块坐标下降法,根据更新后的辅助矩阵更新各用电设备的用电模式对应的字典矩阵;
采用块坐标下降法求解如下目标函数更新字典矩阵:
其中,ai、bi分别为辅助矩阵A、B的第i列向量,A(i,i)为A中的第i个对角元,wi为中间向量,di为字典D的第i列原子。
S706、判断是否达到预设的迭代次数;若是,则执行步骤S707;若否,则将迭代次数加1,返回执行步骤S702;
其中,预设的迭代次数指的是预先设定的,字典更新的迭代次数,示例地,迭代次数为T,若当前迭代次数没有达到预设的迭代次数T,则令t=t+1,返回执行步骤S702,输入下一组样本继续进行字典学习,直到完成T轮迭代,执行步骤S707。
S707、得到各用电设备的用电模式对应的字典矩阵。
此时,得到的字典矩阵为按照预设的迭代次数更新后的字典矩阵。其中,字典矩阵的列数,即总原子数按日用电序列维数的整数倍依次增加并采用上述在线字典学习算法训练,直到训练出的字典对样本的平均拟合优度超过设定阈值,阈值设定为0.72,拟合优度RNL计算如下:
在本实施例中,由于服务器采用基于在线字典学习的非侵入式家电负荷分解方法,训练样本仅来源于样本家庭,对于新的测试家庭不需要重新进行长期的数据采集和训练,使得模型在家庭迁移上具备较强的泛化能力。
服务器采用在线字典算法得到各用电设备的字典矩阵之后,可以根据字典矩阵,进行待测试家庭的总用电序列的负荷分离,在一个实施例中,如图8所示,上述根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数,包括:
S801、根据待测试家庭的各用电设备的用电模式对应的字典矩阵,组合生成待测试家庭的用电总序列对应的模式字典。
其中,字典矩阵即为用电模式对应的矩阵数据,服务器将各用电设备的字典矩阵进行整合,组成该待测试家庭的总的字典矩阵。
在本实施例中,服务器采集待测试家庭电力入口线处的总负荷日用电序列,作为待分解信号,组合每类用电设备负荷的模式字典。其中每类用电设备负荷的模式字典的组合方式为按列排列,示例地,若待测试家庭包含用电设备1和用电设备2,用电设备1的字典矩阵为D1,用电设备2的字典矩阵为D2,则该待测试家庭的总负荷日用电序列的字典矩阵为[D1D2],本实施例对此不做限定。
S802、根据待测试家庭的用电总序列和用电总序列对应的模式字典,采用稀疏编码算法,计算待测试家庭的各用电设备对应的编码系数。
其中,服务器在获得待测试家庭的总负荷的日用电序列之后,将该总负荷的日用电序列定义为待分解信号,服务器可以通过采用稀疏编码的方式,拟合待分解信号,以求得编码系数,稀疏表示模型示意图如图8a所示,稀疏编码采用最小角回归算法求解。具体可以通过以下优化目标,求解编码系数:
其中,Di、αi分别为第i个家电负荷的模式字典和编码系数,M为家电数,PL为总负荷在某一天的日用电序列,即待分解信号。
在本实施例中,服务器根据待测试家庭的总负荷的日用电序列和其整合后的字典矩阵,可以求得该待测试家庭的各用电设备的编码系数,从而为分离待测试家庭的总负荷提供了条件。
为了更好的说明本申请的提供的用电设备负荷分离方法,提供一种从用电设备负荷分离方法的整体流程方面进行解释说明的实施例,如图9所示,需要说明的是,该方法包括:
S901、采集多个样本家庭的各类用电设备负荷的有功功率,并将其划分为若干条日用电序列;
S902、依次对每类用电设备负荷的日用电序列进行近邻传播聚类处理,提取典型用电模式,并划分用电模式样本集;
S903、采集待测试家庭的各类用电设备负荷的日用电序列;
S904、对待测试家庭中的每类用电设备的日用电序列,依次搜索与每个日用电序列欧式距离最近的用电模式,从而得出每类用电设备包含的若干种特定用电模式;
S905、根据若干种特定用电模式,从样本家庭中抽取对应的用电模式样本集组成训练样本;
S906、基于训练样本,利用在线字典学习算法依次训练待测试家庭中每类用电设备日用电序列的字典矩阵,定义为用电设备日用电序列的模式字典;
S907、采集待测试家庭电力入口线处的总负荷日用电序列,作为待分解信号,组合每类家电负荷的模式字典,并利用稀疏编码拟合待分解信号,求得编码系数;
S908、将对应于同一类用电设别的模式字典和编码系数相乘,得到各类用电设备的负荷的分解结果。
由于服务器先对样本家庭中各类用电设备的若干天的日用电序列进行近邻传播聚类,提取典型用电模式,而后根据待测试家庭中用电设备所含的用电模式,利用在线字典学习算法训练各用电设备的模式字典,最后根据模式字典进行稀疏编码,实现待测试家庭用电设备总负荷的非侵入式分解;且,采用在线字典学习算法对各类用电设备的用电模式进行训练,实现了动态学习各用电设备大规模日用电序列的波动特性,从而构建在家庭迁移上具备较强泛化能力的非侵入式负荷分解模型。
本实施例中提供的一种用电设备负荷分离方法,其实现原理和技术效果与上述任一实施例提供的用电设备负荷分离方法的过程类似,在此不再赘述。
应该理解的是,虽然图1-9的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-9中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种用电设备负荷分离装置,包括:采集模块01、提取模块02、训练模块03、获取模块04和分离模块05,其中:
采集模块01,用于采集待测试家庭的各用电设备的日用电序列,并根据各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式;日用电序列用于表征用电设备在一日中的有功功率采样值的集合;典型用电模式集合表示根据样本家庭的日用电序列,采用近邻传播聚类方法得到的具有典型特征的用电模式的集合;
提取模块02,用于根据各用电设备的用电模式,从预设的用电模式样本集合中提取各用电设备的用电模式对应的用电模式样本,组成各用电设备的用电模式样本集;预设的用电模式样本集合用于指示从样本家庭中采集到的各用电设备的日用电序列对应的用电模式的集合;
训练模块03,用于采用在线字典学习算法训练各用电设备的用电模式样本集,得到各用电设备的用电模式对应的字典矩阵;
获取模块04,用于根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数;
分离模块05,用于根据各用电设备的字典矩阵和各用电设备的编码系数,得到待测试家庭的各用电设备的负荷分离序列。
在一个实施例中,如图11所示,该用电设备负荷分离装置还包括采集样本模块06和提取样本模块07,其中:
采集样本模块06,用于在预设的第一时间段内,采用预设的时间周期采集样本家庭的各用电设备的日用电序列;
提取样本模块07,用于根据各用电设备的日用电序列,提取各用电设备的用电模式,组成各用电设备的典型用电模式集合。
在一个实施例中,上述提取样本模块07包括聚类处理单元、确定单元和划分单元,其中:
聚类处理单元,用于采用近邻传播聚类方法,对各用电设备的日用电序列进行聚类处理,得到聚类处理后的各用电设备的日用电序列;
确定单元,用于根据聚类处理后的各用电设备的日用电序列,确定各用电设备对应的典型用电模式;
划分单元,用于根据各用电设备的典型用电模式,对各用电设备的日用电序列进行划分,得到各用电设备的典型用电模式集合。
在一个实施例中,上述采集模块01包括采集单元和确定单元,其中:
采集单元,用于在预设的第二时间段内,按照预设的时间周期采集待测试家庭的各用电设备的日用电序列;
确定单元,用于计算各用电设备的日用电序列与典型用电模式集合中的各典型用电模式的欧氏距离,并根据欧式距离,确定各用电设备的日用电序列对应的用电模式。
在一个实施例中,上述训练模块03包括确定单元和训练单元,其中:
确定单元,用于将各用电设备的用电模式样本确定为各用电设备对应的模式字典;
训练单元,用于通过在线字典学习算法,训练得到各模式字典的编码系数,并根据各模式字典的编码系数得到各用电设备的用电模式对应的字典矩阵。
在一个实施例中,上述训练单元用于初始化迭代次数、正则化参数、字典矩阵和辅助矩阵;执行迭代算法,得到各用电设备的用电模式对应的字典矩阵;具体用于根据各用电设备的用电模式样本集,采用最小角回归算法,计算得到各模式字典的编码系数;根据各模式字典的编码系数更新辅助矩阵;采用块坐标下降法,根据更新后的辅助矩阵更新各用电设备的用电模式对应的字典矩阵;将迭代次数加1,返回执行迭代算法,直至达到预设的迭代次数为止。
在一个实施例中,上述获取模块04包括组合单元和计算单元,其中:
组合单元,用于根据待测试家庭的各用电设备的用电模式对应的字典矩阵,组合生成待测试家庭的用电总序列对应的模式字典;
计算单元,用于根据待测试家庭的用电总序列和用电总序列对应的模式字典,采用稀疏编码算法,计算待测试家庭的各用电设备对应的编码系数。
上述所有的用电设备负荷分离装置实施例,其实现原理和技术效果与上述用电设备负荷分离方法对应的实施例类似,在此不再赘述。
关于用电设备负荷分离装置的具体限定可以参见上文中对于用电设备负荷分离方法的限定,在此不再赘述。上述用电设备负荷分离装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,也可以是终端,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏、数据库和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储用电设备负荷分离数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用电设备负荷分离方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
采集待测试家庭的各用电设备的日用电序列,并根据各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式;日用电序列用于表征用电设备在一日中的有功功率采样值的集合;典型用电模式集合表示根据样本家庭的日用电序列,采用近邻传播聚类方法得到的具有典型特征的用电模式的集合;
根据各用电设备的用电模式,从典型用电模式集合中提取各用电设备的用电模式对应的用电模式样本,组成各用电设备的用电模式样本集;
采用在线字典学习算法训练各用电设备的用电模式样本集,得到各用电设备的用电模式对应的字典矩阵;
根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数;
根据各用电设备的字典矩阵和各用电设备的编码系数,得到待测试家庭的各用电设备的负荷分离序列。
上述实施例提供的计算机设备,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
采集待测试家庭的各用电设备的日用电序列,并根据各用电设备的日用电序列和预设的典型用电模式集合,得到各用电设备的日用电序列对应的用电模式;日用电序列用于表征用电设备在一日中的有功功率采样值的集合;典型用电模式集合表示根据样本家庭的日用电序列,采用近邻传播聚类方法得到的具有典型特征的用电模式的集合;
根据各用电设备的用电模式,从典型用电模式集合中提取各用电设备的用电模式对应的用电模式样本,组成各用电设备的用电模式样本集;
采用在线字典学习算法训练各用电设备的用电模式样本集,得到各用电设备的用电模式对应的字典矩阵;
根据待测试家庭的用电总序列和各用电设备的用电模式对应的字典矩阵,获取各用电设备的编码系数;
根据各用电设备的字典矩阵和各用电设备的编码系数,得到待测试家庭的各用电设备的负荷分离序列。
上述实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种用电设备负荷分离方法,其特征在于,所述方法包括:
采集待测试家庭的各用电设备的日用电序列,并根据各所述用电设备的日用电序列和预设的典型用电模式集合,得到各所述用电设备的日用电序列对应的用电模式;所述日用电序列用于表征用电设备在一日中的有功功率采样值的集合;所述典型用电模式集合表示根据样本家庭的日用电序列,采用近邻传播聚类方法得到的具有典型特征的用电模式的集合;
根据各所述用电设备的用电模式,从预设的用电模式样本集合中提取各所述用电设备的用电模式对应的用电模式样本,组成各所述用电设备的用电模式样本集;预设的用电模式样本集合用于指示从所述样本家庭中采集到的各用电设备的日用电序列对应的用电模式的集合;
采用在线字典学习算法训练各所述用电设备的用电模式样本集,得到各所述用电设备的用电模式对应的字典矩阵;
根据所述待测试家庭的用电总序列和各所述用电设备的用电模式对应的字典矩阵,获取各所述用电设备的编码系数;
根据各所述用电设备的字典矩阵和各所述用电设备的编码系数,得到所述待测试家庭的各用电设备的负荷分离序列。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在预设的第一时间段内,采用预设的时间周期采集所述样本家庭的各用电设备的日用电序列;
根据各所述用电设备的日用电序列,提取各所述用电设备的用电模式,组成各所述用电设备的典型用电模式集合。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述用电设备的日用电序列,提取各所述用电设备的用电模式,组成各所述用电设备的典型用电模式集合,包括:
采用所述近邻传播聚类方法,对各所述用电设备的日用电序列进行聚类处理,得到所述聚类处理后的各所述用电设备的日用电序列;
根据所述聚类处理后的各所述用电设备的日用电序列,确定各所述用电设备对应的典型用电模式;
根据各所述用电设备的典型用电模式,对各所述用电设备的日用电序列进行划分,得到各所述用电设备的典型用电模式集合。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述采集待测试家庭的各用电设备的日用电序列,并根据各所述用电设备的日用电序列和预设的典型用电模式集合,得到各所述用电设备的日用电序列对应的用电模式,包括:
在预设的第二时间段内,按照预设的时间周期采集所述待测试家庭的各用电设备的日用电序列;
计算各所述用电设备的日用电序列与所述典型用电模式集合中的各典型用电模式的欧氏距离,并根据所述欧式距离,确定各所述用电设备的日用电序列对应的用电模式。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述采用在线字典学习算法训练各所述用电设备的用电模式样本集,得到各所述用电设备的用电模式对应的字典矩阵,包括:
将各所述用电设备的用电模式样本确定为各所述用电设备对应的模式字典;
通过在线字典学习算法,训练得到各所述模式字典的编码系数,并根据所述各所述模式字典的编码系数得到各所述用电设备的用电模式对应的字典矩阵。
6.根据权利要求5所述的方法,其特征在于,所述通过在线字典学习算法,训练得到各所述模式字典的编码系数,并根据所述各所述模式字典的编码系数得到各所述用电设备的用电模式对应的字典矩阵,包括:
初始化迭代次数、正则化参数、字典矩阵和辅助矩阵;
执行迭代算法,得到各所述用电设备的用电模式对应的字典矩阵;
其中,所述迭代算法包括:
根据各所述用电设备的用电模式样本集,采用最小角回归算法,计算得到各所述模式字典的编码系数;
根据各所述模式字典的编码系数更新辅助矩阵;
采用块坐标下降法,根据更新后的辅助矩阵更新各所述用电设备的用电模式对应的字典矩阵;
将所述迭代次数加1,返回执行所述迭代算法,直至达到预设的迭代次数为止。
7.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述待测试家庭的用电总序列和各所述用电设备的用电模式对应的字典矩阵,获取各所述用电设备的编码系数,包括:
根据所述待测试家庭的各所述用电设备的用电模式对应的字典矩阵,组合生成所述待测试家庭的用电总序列对应的模式字典;
根据所述待测试家庭的用电总序列和所述用电总序列对应的模式字典,采用稀疏编码算法,计算所述待测试家庭的各所述用电设备对应的编码系数。
8.一种用电设备负荷分离装置,其特征在于,所述装置包括:
采集模块,用于采集待测试家庭的各用电设备的日用电序列,并根据各所述用电设备的日用电序列和预设的典型用电模式集合,得到各所述用电设备的日用电序列对应的用电模式;所述日用电序列用于表征用电设备在一日中的有功功率采样值的集合;所述典型用电模式集合表示根据样本家庭的日用电序列,采用近邻传播聚类方法得到的具有典型特征的用电模式的集合;
提取模块,用于根据各所述用电设备的用电模式,从预设的用电模式样本集合中提取各所述用电设备的用电模式对应的用电模式样本,组成各所述用电设备的用电模式样本集;预设的用电模式样本集合用于指示从所述样本家庭中采集到的各用电设备的日用电序列对应的用电模式的集合;
训练模块,用于采用在线字典学习算法训练各所述用电设备的用电模式样本集,得到各所述用电设备的用电模式对应的字典矩阵;
获取模块,用于根据所述待测试家庭的用电总序列和各所述用电设备的用电模式对应的字典矩阵,获取各所述用电设备的编码系数;
分离模块,用于根据各所述用电设备的字典矩阵和各所述用电设备的编码系数,得到所述待测试家庭的各用电设备的负荷分离序列。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092552.5A CN111311434B (zh) | 2020-02-14 | 2020-02-14 | 用电设备负荷分离方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092552.5A CN111311434B (zh) | 2020-02-14 | 2020-02-14 | 用电设备负荷分离方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311434A true CN111311434A (zh) | 2020-06-19 |
CN111311434B CN111311434B (zh) | 2021-04-16 |
Family
ID=71147086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010092552.5A Active CN111311434B (zh) | 2020-02-14 | 2020-02-14 | 用电设备负荷分离方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311434B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379159A (zh) * | 2020-11-09 | 2021-02-19 | 北华航天工业学院 | 一种基于电器运行模式的非侵入式家用负荷分解方法 |
CN113159988A (zh) * | 2021-04-14 | 2021-07-23 | 杭州电力设备制造有限公司 | 用户电器负荷状态分析方法、装置、设备及可读存储介质 |
CN113469502A (zh) * | 2021-06-08 | 2021-10-01 | 广西大学 | 一种基于字典学习的区别分组非侵入式负荷分解方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675378A (zh) * | 2013-09-23 | 2014-03-26 | 东北电力大学 | 一种非侵入式家庭用电负荷分解方法及装置 |
US9471886B2 (en) * | 2013-10-29 | 2016-10-18 | Raytheon Bbn Technologies Corp. | Class discriminative feature transformation |
CN107578288A (zh) * | 2017-09-08 | 2018-01-12 | 东南大学 | 一种考虑用户用电模式差异的非侵入式负荷分解方法 |
CN108879702A (zh) * | 2018-06-21 | 2018-11-23 | 浙江大学 | 一种基于家居负荷分解的用电控制系统 |
CN110443404A (zh) * | 2019-06-28 | 2019-11-12 | 天津大学 | 一种基于热量组分解析的建筑空调负荷预测方法 |
CN110445126A (zh) * | 2019-06-25 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种非侵入式负荷分解方法及系统 |
-
2020
- 2020-02-14 CN CN202010092552.5A patent/CN111311434B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103675378A (zh) * | 2013-09-23 | 2014-03-26 | 东北电力大学 | 一种非侵入式家庭用电负荷分解方法及装置 |
US9471886B2 (en) * | 2013-10-29 | 2016-10-18 | Raytheon Bbn Technologies Corp. | Class discriminative feature transformation |
CN107578288A (zh) * | 2017-09-08 | 2018-01-12 | 东南大学 | 一种考虑用户用电模式差异的非侵入式负荷分解方法 |
CN108879702A (zh) * | 2018-06-21 | 2018-11-23 | 浙江大学 | 一种基于家居负荷分解的用电控制系统 |
CN110445126A (zh) * | 2019-06-25 | 2019-11-12 | 中国电力科学研究院有限公司 | 一种非侵入式负荷分解方法及系统 |
CN110443404A (zh) * | 2019-06-28 | 2019-11-12 | 天津大学 | 一种基于热量组分解析的建筑空调负荷预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112379159A (zh) * | 2020-11-09 | 2021-02-19 | 北华航天工业学院 | 一种基于电器运行模式的非侵入式家用负荷分解方法 |
CN113159988A (zh) * | 2021-04-14 | 2021-07-23 | 杭州电力设备制造有限公司 | 用户电器负荷状态分析方法、装置、设备及可读存储介质 |
CN113159988B (zh) * | 2021-04-14 | 2022-08-02 | 杭州电力设备制造有限公司 | 用户电器负荷状态分析方法、装置、设备及可读存储介质 |
CN113469502A (zh) * | 2021-06-08 | 2021-10-01 | 广西大学 | 一种基于字典学习的区别分组非侵入式负荷分解方法 |
CN113469502B (zh) * | 2021-06-08 | 2023-08-15 | 广西大学 | 一种基于字典学习的区别分组非侵入式负荷分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111311434B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311434B (zh) | 用电设备负荷分离方法、装置、计算机设备和存储介质 | |
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
AU2020101900A4 (en) | A method, device and equipment for detecting abnormal electric meter | |
Lai et al. | A robust correlation analysis framework for imbalanced and dichotomous data with uncertainty | |
CN114219147B (zh) | 一种基于联邦学习的配电站故障预测方法 | |
Chen et al. | NeuCast: Seasonal Neural Forecast of Power Grid Time Series. | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN112733997B (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN115130830B (zh) | 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法 | |
Dinesh et al. | Incorporating time-of-day usage patterns into non-intrusive load monitoring | |
CN115827577A (zh) | 智能电表高频数据压缩与重构的云端协同自适应分治方法 | |
CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
Wang et al. | State of health estimation for lithium-ion batteries using random forest and gated recurrent unit | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN111090679B (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
Chen et al. | Phase identification with single-phase meter and concentrator based on NMF dimension reduction and label propagation | |
CN116467631A (zh) | 电力指纹识别模型训练方法、电力指纹识别方法及装置 | |
Jazizadeh et al. | Unsupervised clustering of residential electricity consumption measurements for facilitated user-centric non-intrusive load monitoring | |
CN115994605A (zh) | 综合气象因子数据的多数据融合光伏功率预测算法 | |
CN115905360A (zh) | 一种基于随机构建矩阵的异常数据量测辨识方法和装置 | |
CN116226748A (zh) | 一种基于多标签共现网络判别的窃电类型检测方法及系统 | |
CN114662832A (zh) | 人口流动分析方法、装置及电子设备 | |
CN113807605A (zh) | 电力消耗预测模型训练方法、预测方法及装置 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 509, building D, 39 Ruihe Road, Huangpu District, Guangzhou City, Guangdong Province 510000 Applicant after: Guangzhou Shuimu Qinghua Technology Co.,Ltd. Address before: 510000 room 936, No. 333, jiufo Jianshe Road, Zhongxin Guangzhou Knowledge City, Guangzhou City, Guangdong Province Applicant before: Guangzhou Shuimu Qinghua Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |