CN111563827A - 基于电器物理特性及居民用电行为的负荷分解方法 - Google Patents
基于电器物理特性及居民用电行为的负荷分解方法 Download PDFInfo
- Publication number
- CN111563827A CN111563827A CN202010278775.0A CN202010278775A CN111563827A CN 111563827 A CN111563827 A CN 111563827A CN 202010278775 A CN202010278775 A CN 202010278775A CN 111563827 A CN111563827 A CN 111563827A
- Authority
- CN
- China
- Prior art keywords
- continuous
- load
- household appliance
- appliance
- power
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000005611 electricity Effects 0.000 title claims abstract description 15
- 230000006399 behavior Effects 0.000 title claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 230000009467 reduction Effects 0.000 claims abstract description 6
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims description 36
- 210000002569 neuron Anatomy 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000014509 gene expression Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 14
- 230000007704 transition Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于电器物理特性及居民用电行为的负荷分解方法。本发明为减少原始数据对负荷特征提取影响,首先利用分箱法将家用电器历史运行数据进行降噪处理,同时按电器运行情况将家用电器分为间断型家用电器和持续型家用电器。提取电流的基波、三次,五次和七次谐波为间断型家用电器的负荷特征,运行功率为持续型家用电器的负荷特征,分别建立深度神经网络和MLP神经网络对其进行训练,并实现不同类型家用电器的负荷分解。
Description
技术领域
本发明涉及非侵入式负荷监测的负荷分解领域,具体涉及一种基于电器物理特性和居民用电行为相结合的非侵入式负荷分解方法。
背景技术
现有的非侵入式负荷分解方法主要根据智能表计所测得的负荷的电气特征建立对应的电器负荷模型,然后利用模式识别技术实现电力负荷的分解。在智能表计在采集数据时难免出现数据缺失的问题,如果直接利用这些原始数据提取负荷特征必定会对负荷分解造成影响,因此对原始采集数据中的异常数据进行处理是必不可少。此外,由于电器不同的物理特性和居民用电的不同习惯,如果单一的负荷分解模型进行计算会影响分解结果的精度。因此可以根据不同的电气物理特性和用户用电习惯将家用电器进行分类,对于不同类别电器提取不同负荷特征,并建立不同数学模型利用不同的深度学习神经网络进行处理。
发明内容
本发明针对智能表计量测的原始数据缺失的情况,以及现有非侵入负荷分解方法对电器物理特性和居民用电行为考虑不足的问题,提出了一种基于电器物理特性和居民用电行为相结合的非侵入式负荷分解方法。
为减少原始数据对负荷特征提取影响,采用箱型图分析获得异常数据,并对异常数据进行处理。同时将家用电器按其运行情况分为持续型家用电器(一般为全天保持工作或低功耗待机状态的家用电器),常见的该类电器有:冰箱,电热水器;和间断型家用电器(一般为开启或关闭不确定且每次运行时间较短的家用电器,一般每次运行不超过8h),常见的该类电器有:微波炉,电灯,笔记本电脑;同时对于一些难以区分为持续型家用电器和间断型家用电器如:空调,加湿器;该类电器的运行情况在不同条件下所属类别存在差异,具体分属哪一类由外界环境和居民用电行为共同决定。例如,对经济条件好的家庭来说,空调在春秋季属于间断型家用电器的概率较大,在夏冬季属于持续型家用电器的概率是较大,但对于比较节约的家庭可能一年四季空调都属于间断型家用电器;加湿器在干燥时节或者中国北方地区属于持续型家用电器的概率较大,在湿润时节或者中国南方地区属于间断型家用电器的概率又大于持续型家用电器。本发明中认为,当该电器一天内投切次数小于2次或处于工作状态和低功耗状态时长超过20h以上则认为其属于持续型家用电器否则为间断型家用电器,因此对于同一电器在不同情况下可能属于不同类型的电器。
对间断型和持续型家用电器根据电器本身特性提取不同负荷特征,间断型家用电器由于投切次数较多容易引起谐波且大部分时间处于关闭状态运行功率为0,故提取负荷电流的基波和奇次低次谐波为负荷特征(一般选7次以下)。而对于持续性家用电器,由于全天处于运行或低功耗状态,运行功率数据易获取且在分类后很难与其他家用电器出现功率重叠的情况,故选择运行功率为持续型家用电器的负荷特征。并且根据提取的负荷特征不同,对这两种不同类型的家用电器使用不同深度学习模型进行负荷分解。
本方法采用技术方案如下:
步骤一:首先根据采样频率查找获得的各家用电器历史运行功率数据是否有缺失值,然后采用箱型图分析获得功率的异常数据,并对异常数据采用分箱法进行处理。具体做法如下:
1)各家用电器运行功率数据一般服从高斯分布,故将运行功率数据由大到小排序,定义上四分位处的功率为U(从大到小排序U处于25%位),下四分位处的功率为L(从大到小排列L处于75%位),定义IQR=U-L,设置上界为U+1.5IQR,下界为L-1.5IQR,并将上下界之外的值规定为异常值。对于预处理的运行功率来说,家庭在活动时间(6:-24:00)和休息时间(0:00-6:00)用电情况一般存在较大差异(一般休息时间居民用电以电器待机状态消耗为主),但在休息时间若有家庭电器投入使用,很可能会将其误判为异常值。故考虑按以上两个时间段将原先功率数据样本分开使用箱型图分析获得异常值,并将这些异常值与其对应的时间序列做好标记处理。
2)对所有异常值,以异常值为中心左右各提取时间长度为20s的运行功率数据放入一个箱子中。考虑各家用电器的实际运行情况,即短时间内电器出现大功率波动的概率极小,因此用箱均值来光滑异常值,也就是用箱中每一组运行功率数据平均值去替代异常数据。
步骤二:家用电器负荷特征提取;
1)根据历史数据当该电器一天内投切小于2次或处于工作状态和低功耗状态时长超过20h以上则认为持续型家用电器否则为间断型家用电器,按该原则将各家用电器分类成间断型家用电器和持续型家用电器;
2)对间断型家用电器,选取其投切前后的负荷电流,并对其进行傅里叶分解取基波和三次,五次、七次电流谐波为间断型家用电器负荷特征;
3)对持续型家用电器,选取其运行功率为持续型家用电器的负荷特征。
步骤三:电器负荷模型的建立;
1)对各持续型家用电器降噪处理完的运行功率数据,采用改进k-means++算法进行聚类,获得各持续型家用电器隐藏状态序列,和各持续型家用电器类中心,类均值及类内方差。具体步骤如下:
(1)对各持续型家用电器,给定一段长度为T,一般取T=86400s(一天)的运行功率序列,给定类中心初值K=3。
(4)对获得的3个类中心进行k-means聚类,经多次迭代得到更新后的类中心,计算更新后持续型家用电器所有类中心两两之间的欧式距离,并用矩阵D表示。对于该矩阵中任意元素D(a,b),如果D(a,b)<dmin(dmin根据不同持续型家用电器设置不同值,一般为100W+Pmin,Pmin为各持续型家用电器最小运行功率,a≠b),则两个类别需要合并成一类,合并后类中心(Ni和Nj分别为两个类别中所含运行功率数据的个数),同时将这两类别中所有运行功率数据合并为一类。
(5)该算法结束后对各持续型家用电器的类中心并按功率大小排序,并求出各持续型家用电器聚类后各类中所含运行功率的均值和方差,即各隐藏状态下观测值的均值和方差,同时获得各持续型家用电器在某时刻t的隐藏状态I,即在该时刻电器的运行功率属于运行功率数据聚类完成后第I类。
2)由于深度网络训练需要的数据量大,仅一段时间采集的历史数据量可能无法更好满足深度神经网络训练,故建立隐马可夫模型生成各持续型家用电器运行功率数据,弥补数据量不足的问题,同时更好提高待训练网络精度。
在电器隐马可夫模型参数确定的条件下,参数为状态转移矩阵A,观测矩阵和初始概率矩阵Π,由前向概率和后向概率及由状态转移方程递推式计算获得各持续型家用电器在各时刻处于不同隐藏状态的概率大小:
αt(I)=p(y1,y2,...,yt,qt=I|A,B,π) (1)
βt(I)=p(yt+1,yt+2,...,yT|qt=I,A,B,π) (4)
βt(I)=1,当t=T时 (5)
其中,各持续型电器对应时间序列的隐藏状态序列记作q,其对应的观测序列即运行功率数据序列记为y;qt表示t时刻运行功率数据对应的隐藏状态,yt为在t时刻的观测值即在t时刻运行功率数据;(1)和(4)分别为前向概率和后向概率的定义式,(2)和(5)是(1)和(4)定义式的初始值,(3)和(6)是状态转移方程递推式,ajI为转移概率矩阵A中元素表示电器从j状态转移到I状态概率大小,bI,yt+1为观测概率矩阵B中元素表示为状态I下观测值功率为yt+1的概率;在t时刻各持续型家用电器处于隐藏状态I的概率大小定义为rt(I),其中N为各持续型家用电器隐藏状态个数数学表达式为:
由上述表达式,计算rt(I),并认为在各时刻t,最大rt(I)所对应的状态为各持续型家用电器在各时刻t的隐藏状态从而获得估计状态序列对各持续型家用电器状态序列q*中每个时刻的隐藏状态,利用步骤三中1)得到的结果,按各隐藏状态观测值的均值和方差所服从的高斯分布进行高斯分布采样,获得对应电器状态序列q*的各持续型家用电器功率序列P,并将其分别加入原始历史数据。
3)对各间断型家用电器,通过历史运行功率数据获得其对应的投切时刻,并提取投切前后离散采样的负荷电流,对其进行傅里叶分解可得:
其中,本文使用的数据采样频率为12kHz,i(n)为各间断型家用电器在投切提取的100个负荷电流(即采样了100个周期),各周期采样Nf次(Nf=240;f为谐波次数(f=0,1,...,Nf-1);X(f)为谐波系数;由上述表达式提取间断型家用电器的负荷特征为电流的基波、三次,五次和七次谐波,同时对各间断型家用电器的负荷特征标记相应的电器标签;
步骤四:持续型家用电器深度神经网络和间断型家用电器MLP神经网络搭建和训练;
1)对持续型家用电器模型,搭建深度神经网络,搭建的网络含1层输入层和1层输出层,5层隐藏层,激活函数为带泄露线性整流单元。代价函数选取交叉熵函数;其中输入层包含H+3个神经元(H为持续型电器总数),输入层各神经元分别输入各持续型家用电器隐藏状态序列,当前持续型电器总功率Pt,下一时刻持续型电器总功率Pt+1,以及当前时刻t。隐藏层5包含M个神经元(M为所有持续型电器的所有隐藏状态数之和),输出层将对隐藏层5输入的M组数由softmax函数分为H类,得到输出层输出为H个电器下一时刻隐藏状态,由于网络训练数据量较大为防止过拟合,对网络每层神经元设置的dropout比率为0.4,使用持续型家用电器历史数据和生成数据,训练持续型家用电器深度神经网络;
2)对间断型家用电器模型,搭建MLP神经网络用于建立负荷特征库和训练负荷分类器,MLP神经网络由1个输入层,1个隐藏层和1个输出层组成;输入层包含C+1个神经元(C为各间断型电器负荷特征的维数),隐藏层神经元个数同输入层神经元个数一样,输出层包含K个神经元(K为负荷标签总个数,即间断型电器的总个数)。
训练MLP神经网络时,对间断型家用电器训练集中N个样本,每个样本负荷特征xi为C维行向量,共有K个负荷标签(类别),输入层输入待训练样本负荷特征xi,输出层yi为输入负荷特征属于该类别负荷的概率大小,以当前负荷特征xi属于第j类负荷,以yij=1,否则yij=0构建模型训练集;隐藏层与输入层为全连接,当输入层输入负荷特征xi则隐藏层输入即为f(w1xi+b1),w1为权重,b1为偏置,f为激活函数sigmoid,利用上述的模型训练集,输入历史负荷特征(电流基波、三次,五次和七次谐波)训练MLP神经网络,同时代价函数如下:
步骤五:非侵入式负荷分解;
1)对持续型家用电器,使用训练完毕的深度网络,输入当前持续型家用电器总功率和下一时刻持续型电器总功率,各持续型家用电器历史状态序列和时间t,获得下一时刻各电器的状态序列,按步骤三中的高斯采样对网络输出的状态序列进行采样获得对应时间的功率序列,且满足采样获得的总功率为该时间段持续型电器消耗的总功率之和,完成对持续型家用电器总负荷分解;
2)对间断型家用电器,首先从初始时刻设定一段长度为500s时间段,求得该时间段运行功率均值pmean与方差pvar,当时,怀疑有间断型家用电器投切,若无则继续取下一时间段功率序列;当怀疑有电器投切时,计算突变前10s内运行功率的均值p1和突变后10s内运行功率均值p2,若|P1-P2|<θ则继续取下一时间段功率序列进行判定,当|P1-P2|≥θ(θ取15w~50w)时则认为有间断型家用电器发生投切,确定投切的起始点和终止点记录,将该时间段负荷电流提取进行傅里叶分解分解,得到谐波幅值较大的谐波次数为该间断型家用电器的负荷特征。将其输入训练完成的MLP神经网络,求得网络输出yi为K维行向量,选取数值最大的一项对应的负荷类型即为待识别负荷的负荷类型,完成对间断型家用电器的总负荷分解。
本发明具有的优点及有益结果为:
1)本发明考虑了历史数据无法避免的噪声问题,采用箱型图分析和分箱法对历史数据进行降噪处理,考虑了在使用箱型图分析异常数据时候,由于家庭电器在不同时间段,活动时间(6:-24:00)和休息时间(0:00-6:00)用电情况一般存在较大差异,为防止异常值误判,将两个时间段的运行功率分开进行数据降噪;
2)考虑了不同电器的运行特性,以及居民在不同气温下不同用电行为,并对此做出有效处理,将家用电器分类分为持续型家用电器(如:冰箱,热水器)和间断型家用电器(微波炉),对于空调,加湿器这种受居民用电习惯和外界温度,湿度甚至地理位置影响的电器对历史功率数据分析,在不同条件下认为其属于不同类别的电器;
3)考虑了对不同类型家用电器提取不同负荷的特征,持续型家用电器由于全天处于运行或低功耗状态,运行功率数据易获取且在分类后很难与其他家用电器出现功率重叠的情况,故选择运行功率为持续型家用电器的负荷特征;对于间断型家用电器,该类电器处于运行状态的时间相较持续型家用电器一般较短,同时其投切次数一般较多,容易引起谐波,故对此类电器适合选取谐波为负荷特征,同时选取运行功率辅助判断电器投切,充分考虑电器的特性,对不同类别家用电器选择最合适的负荷特征;
4)考虑了对于不同的负荷特征建立不同网络,持续型家用电器网络输入为功率,隐藏状态和时间序列,输出为隐藏状态序列,输入和输出关系较为复杂故考虑搭建深度神经网络,以便更好学习到数据内包含的内容;持续型家用电器,输入为谐波次数,输出便直接是对输入的判别,输入和输出关系较为简单,无需使用更深度的网络,使用MLP神经网络便可以很好学习到数据包含的内容,因此针对不同类别电器使用不同模型和网络,更有效进行负荷分解。
附图说明
图1是本发明实施步骤流程图。
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
如图1所示,本发明提出的改进基于深度学习非侵入式负荷分解按照以下步骤实施:
步骤一:首先根据采样频率查找获得的各家用电器历史运行功率数据是否有缺失值,然后采用箱型图分析获得功率的异常数据,并对异常数据采用分箱法进行处理。具体做法如下:
1)各家用电器运行功率数据一般服从高斯分布,故将运行功率数据由大到小排序,定义上四分位处的功率为U(从大到小排序U处于25%位),下四分位处的功率为L(从大到小排列L处于75%位),定义IQR=U-L,设置上界为U+1.5IQR,下界为L-1.5IQR,并将上下界之外的值规定为异常值。对于预处理的运行功率来说,家庭在活动时间(6:-24:00)和休息时间(0:00-6:00)用电情况一般存在较大差异(一般休息时间居民用电以电器待机状态消耗为主),但在休息时间若有家庭电器投入使用,很可能会将其误判为异常值。故考虑按以上两个时间段将原先功率数据样本分开使用箱型图分析获得异常值,并将这些异常值与其对应的时间序列做好标记处理。
2)对所有异常值,以异常值为中心左右各提取时间长度为20s的运行功率数据放入一个箱子中。考虑各家用电器的实际运行情况,即短时间内电器出现大功率波动的概率极小,因此用箱均值来光滑异常值,也就是用箱中每一组运行功率数据平均值去替代异常数据。
步骤二:家用电器负荷特征提取;
1)根据历史数据当该电器一天内投切小于2次或处于工作状态和低功耗状态时长超过20h以上则认为持续型家用电器否则为间断型家用电器,按该原则将各家用电器分类成间断型家用电器和持续型家用电器;
2)对间断型家用电器,选取其投切前后的负荷电流,并对其进行傅里叶分解取基波和三次,五次、七次电流谐波为间断型家用电器负荷特征;
3)对持续型家用电器,选取其运行功率为持续型家用电器的负荷特征。
步骤三:电器负荷模型的建立;
1)对各持续型家用电器降噪处理完的运行功率数据,采用改进k-means++算法进行聚类,获得各持续型家用电器隐藏状态序列,和各持续型家用电器类中心,类均值及类内方差。具体步骤如下:
(1)对各持续型家用电器,给定一段长度为T,一般取T=86400s(一天)的运行功率序列,给定类中心初值K=3。
(4)对获得的3个类中心进行k-means聚类,经多次迭代得到更新后的类中心,计算更新后持续型家用电器所有类中心两两之间的欧式距离,并用矩阵D表示。对于该矩阵中任意元素D(a,b),如果D(a,b)<dmin(dmin根据不同持续型家用电器设置不同值,一般为100W+Pmin,Pmin为各持续型家用电器最小运行功率,a≠b),则两个类别需要合并成一类,合并后类中心(Ni和Nj分别为两个类别中所含运行功率数据的个数),同时将这两类别中所有运行功率数据合并为一类。
(5)该算法结束后对各持续型家用电器的类中心并按功率大小排序,并求出各持续型家用电器聚类后各类中所含运行功率的均值和方差(即各隐藏状态下观测值的均值和方差),同时获得各持续型家用电器在某时刻t的隐藏状态i(即在该时刻电器的运行功率属于运行功率数据聚类完成后第i类)。
2)由于深度网络训练需要的数据量大,仅一段时间采集的历史数据量可能无法更好满足深度神经网络训练,故建立隐马可夫模型生成各持续型家用电器运行功率数据,弥补数据量不足的问题,同时更好提高待训练网络精度。
在电器隐马可夫模型参数确定的条件下(参数为状态转移矩阵A,观测矩阵和初始概率矩阵Π),由前向概率和后向概率及由状态转移方程递推式计算获得各持续型家用电器在各时刻处于不同隐藏状态的概率大小:
αt(i)=p(y1,y2,...,yt,qt=i|A,B,π) (1)
βt(i)=p(yt+1,yt+2,...,yT|qt=i,A,B,π) (4)
βt(i)=1,当t=T时 (5)
其中,各持续型电器对应时间序列的隐藏状态序列记作q,其对应的观测序列即运行功率数据序列记为y;qt表示t时刻运行功率数据对应的隐藏状态,yt为在t时刻的观测值即在t时刻运行功率数据;(1)和(4)分别为前向概率和后向概率的定义式,(2)和(5)是(1)和(4)定义式的初始值,(3)和(6)是状态转移方程递推式,aji为转移概率矩阵A中元素表示电器从j状态转移到i状态概率大小,为观测概率矩阵B中元素表示为状态i下观测值功率为yt+1的概率;在t时刻各持续型家用电器处于隐藏状态i的概率大小定义为rt(i),其中N为各持续型家用电器隐藏状态个数(不同持续型家用电器N取值不同)数学表达式为:
由上述表达式,计算rt(i),并认为在各时刻t,最大rt(i)所对应的状态为各持续型家用电器在各时刻t的隐藏状态从而获得估计状态序列对各持续型家用电器状态序列q*中每个时刻的隐藏状态,利用步骤三中1)得到的结果,按各隐藏状态观测值的均值和方差所服从的高斯分布进行高斯分布采样,获得对应电器状态序列q*的各持续型家用电器功率序列P,并将其分别加入原始历史数据。
3)对各间断型家用电器,通过历史运行功率数据获得其对应的投切时刻,并提取投切前后离散采样的负荷电流,对其进行傅里叶分解可得:
其中,本文使用的数据采样频率为12kHz,i(n)为各间断型家用电器在投切提取的100个负荷电流(即采样了100个周期),各周期采样Nf次(Nf=240;f为谐波次数(f=0,1,...,Nf-1);X(f)为谐波系数;由上述表达式提取间断型家用电器的负荷特征为电流的基波、三次,五次和七次谐波,同时对各间断型家用电器的负荷特征标记相应的电器标签;
步骤四:持续型家用电器深度神经网络和间断型家用电器MLP神经网络搭建和训练;
1)对持续型家用电器模型,搭建深度神经网络,搭建的网络含1层输入层和1层输出层,5层隐藏层,激活函数为带泄露线性整流单元。代价函数选取交叉熵函数;其中输入层包含H+3个神经元(H为持续型电器总数),输入层各神经元分别输入各持续型家用电器隐藏状态序列,当前持续型电器总功率Pt,下一时刻持续型电器总功率Pt+1,以及当前时刻t。隐藏层5包含M个神经元(M为所有持续型电器的所有隐藏状态数之和),输出层将对隐藏层5输入的M组数由softmax函数分为H类,得到输出层输出为H个电器下一时刻隐藏状态,由于网络训练数据量较大为防止过拟合,对网络每层神经元设置的dropout比率为0.4,使用持续型家用电器历史数据和生成数据,训练持续型家用电器深度神经网络;
2)对间断型家用电器模型,搭建MLP神经网络用于建立负荷特征库和训练负荷分类器,MLP神经网络由1个输入层,1个隐藏层和1个输出层组成;输入层包含C+1个神经元(C为各间断型电器负荷特征的维数),隐藏层神经元个数同输入层神经元个数一样,输出层包含K个神经元(K为负荷标签总个数,即间断型电器的总个数)。
训练MLP神经网络时,对间断型家用电器训练集中N个样本,每个样本负荷特征xi为C维行向量,共有K个负荷标签(类别),输入层输入待训练样本负荷特征xi,输出层yi为输入负荷特征属于该类别负荷的概率大小,以当前负荷特征xi属于第j类负荷,以yij=1,否则yij=0构建模型训练集;隐藏层与输入层为全连接,当输入层输入负荷特征xi则隐藏层输入即为f(w1xi+b1),w1为权重,b1为偏置,f为激活函数sigmoid,利用上述的模型训练集,输入历史负荷特征(电流基波、三次,五次和七次谐波)训练MLP神经网络,同时代价函数如下:
步骤五:非侵入式负荷分解;
1)对持续型家用电器,使用训练完毕的深度网络,输入当前持续型家用电器总功率和下一时刻持续型电器总功率,各持续型家用电器历史状态序列和时间t,获得下一时刻各电器的状态序列,按步骤三中的高斯采样对网络输出的状态序列进行采样获得对应时间的功率序列,且满足采样获得的总功率为该时间段持续型电器消耗的总功率之和,完成对持续型家用电器总负荷分解;
2)对间断型家用电器,首先从初始时刻设定一段长度为500s时间段,求得该时间段运行功率均值pmean与方差pvar,当时,怀疑有间断型家用电器投切,若无则继续取下一时间段功率序列;当怀疑有电器投切时,计算突变前10s内运行功率的均值p1和突变后10s内运行功率均值p2,若|P1-P2|<θ则继续取下一时间段功率序列进行判定,当|P1-P2|≥θ(θ取15w~50w)时则认为有间断型家用电器发生投切,确定投切的起始点和终止点记录,将该时间段负荷电流提取进行傅里叶分解分解,得到谐波幅值较大的谐波次数为该间断型家用电器的负荷特征。将其输入训练完成的MLP神经网络,求得网络输出yi为K维行向量,选取数值最大的一项对应的负荷类型即为待识别负荷的负荷类型,完成对间断型家用电器的总负荷分解。
Claims (2)
1.基于电器物理特性及居民用电行为的负荷分解方法,其特征在于,包括以下步骤:
步骤一:首先根据采样频率查找获得的各家用电器历史运行功率数据是否有缺失值,然后采用箱型图分析获得功率的异常数据,并对异常数据采用分箱法进行处理;
步骤二:家用电器负荷特征提取;
1)根据历史数据当该电器一天内投切小于2次或处于工作状态和低功耗状态时长超过20h以上则认为持续型家用电器否则为间断型家用电器,按该原则将各家用电器分类成间断型家用电器和持续型家用电器;
2)对间断型家用电器,选取其投切前后的负荷电流,并对其进行傅里叶分解取基波和三次,五次、七次电流谐波为间断型家用电器负荷特征;
3)对持续型家用电器,选取其运行功率为持续型家用电器的负荷特征;
步骤三:电器负荷模型的建立;
1)对各持续型家用电器降噪处理完的运行功率数据,采用改进k-means++算法进行聚类,获得各持续型家用电器隐藏状态序列和各持续型家用电器类中心,类均值及类内方差;具体步骤如下:
(1)对各持续型家用电器,给定一段长度为T,给定类中心初值K=3;
(4)对获得的3个类中心进行k-means聚类,经多次迭代得到更新后的类中心,计算更新后持续型家用电器所有类中心两两之间的欧式距离,并用矩阵D表示;对于该矩阵中任意元素D(a,b),如果D(a,b)<dmin,dmin=100W+Pmin,Pmin为各持续型家用电器最小运行功率,a≠b,则两个类别需要合并成一类,合并后类中心Ni和Nj分别为两个类别中所含运行功率数据的个数,同时将这两类别中所有运行功率数据合并为一类;
(5)该算法结束后对各持续型家用电器的类中心并按功率大小排序,并求出各持续型家用电器聚类后各类中所含运行功率的均值和方差,即各隐藏状态下观测值的均值和方差,同时获得各持续型家用电器在某时刻t的隐藏状态I,即在该时刻电器的运行功率属于运行功率数据聚类完成后第I类;
2)由于深度网络训练需要的数据量大,仅一段时间采集的历史数据量可能无法更好满足深度神经网络训练,故建立隐马可夫模型生成各持续型家用电器运行功率数据,弥补数据量不足的问题,同时更好提高待训练网络精度;
在电器隐马可夫模型参数确定的条件下,参数为状态转移矩阵A,观测矩阵和初始概率矩阵Π,由前向概率和后向概率及由状态转移方程递推式计算获得各持续型家用电器在各时刻处于不同隐藏状态的概率大小:
αt(I)=p(y1,y2,...,yt,qt=I|A,B,π) (1)
βt(I)=p(yt+1,yt+2,...,yT|qt=I,A,B,π) (4)
βt(I)=1,当t=T时(5)
其中,各持续型电器对应时间序列的隐藏状态序列记作q,其对应的观测序列即运行功率数据序列记为y;qt表示t时刻运行功率数据对应的隐藏状态,yt为在t时刻的观测值即在t时刻运行功率数据;(1)和(4)分别为前向概率和后向概率的定义式,(2)和(5)是(1)和(4)定义式的初始值,(3)和(6)是状态转移方程递推式,ajI为转移概率矩阵A中元素表示电器从j状态转移到I状态概率大小,为观测概率矩阵B中元素表示为状态I下观测值功率为yt+1的概率;在t时刻各持续型家用电器处于隐藏状态I的概率大小定义为rt(I),其中N为各持续型家用电器隐藏状态个数数学表达式为:
由上述表达式,计算rt(I),并认为在各时刻t,最大rt(I)所对应的状态为各持续型家用电器在各时刻t的隐藏状态从而获得估计状态序列对各持续型家用电器状态序列q*中每个时刻的隐藏状态,利用步骤三中1)得到的结果,按各隐藏状态观测值的均值和方差所服从的高斯分布进行高斯分布采样,获得对应电器状态序列q*的各持续型家用电器功率序列P,并将其分别加入原始历史数据;
3)对各间断型家用电器,通过历史运行功率数据获得其对应的投切时刻,并提取投切前后离散采样的负荷电流,对其进行傅里叶分解得:
其中,i(n)为各间断型家用电器在投切提取的负荷电流,各周期采样Nf次,f为谐波次数f=0,1,...,Nf-1;X(f)为谐波系数;由上述表达式提取间断型家用电器的负荷特征为电流的基波、三次,五次和七次谐波,同时对各间断型家用电器的负荷特征标记相应的电器标签;
步骤四:持续型家用电器深度神经网络和间断型家用电器MLP神经网络搭建和训练;
1)对持续型家用电器模型,搭建深度神经网络,搭建的网络含1层输入层和1层输出层,5层隐藏层,激活函数为带泄露线性整流单元;代价函数选取交叉熵函数;其中输入层包含H+3个神经元,H为持续型电器总数,输入层各神经元分别输入各持续型家用电器隐藏状态序列,当前持续型电器总功率Pt,下一时刻持续型电器总功率Pt+1,以及当前时刻t;隐藏层包含M个神经元,M为所有持续型电器的所有隐藏状态数之和,输出层将对隐藏层输入的M组数由softmax函数分为H类,得到输出层输出为H个电器下一时刻隐藏状态,由于网络训练数据量较大为防止过拟合,对网络每层神经元设置的dropout比率为0.4,使用持续型家用电器历史数据和生成数据,训练持续型家用电器深度神经网络;
2)对间断型家用电器模型,搭建MLP神经网络用于建立负荷特征库和训练负荷分类器,MLP神经网络由1个输入层,1个隐藏层和1个输出层组成;输入层包含C+1个神经元,C为各间断型电器负荷特征的维数,隐藏层神经元个数同输入层神经元个数一样,输出层包含K个神经元,K为负荷标签总个数,即间断型电器的总个数;
训练MLP神经网络时,对间断型家用电器训练集中N个样本,每个样本负荷特征xi为C维行向量,共有K个负荷标签,输入层输入待训练样本负荷特征xi,输出层yi为输入负荷特征属于该类别负荷的概率大小,以当前负荷特征xi属于第j类负荷,以yi,j=1,否则yi,j=0构建模型训练集,yi',j是否是yi,j的一次导;隐藏层与输入层为全连接,当输入层输入负荷特征xi则隐藏层输入即为f(w1xi+b1),w1为权重,b1为偏置,激活函数为sigmoid,利用上述的模型训练集,输入历史负荷特征训练MLP神经网络,同时代价函数如下:
步骤五:非侵入式负荷分解;
1)对持续型家用电器,使用训练完毕的深度网络,输入当前持续型家用电器总功率和下一时刻持续型电器总功率,各持续型家用电器历史状态序列和时间t,获得下一时刻各电器的状态序列,按步骤三中的高斯采样对网络输出的状态序列进行采样获得对应时间的功率序列,且满足采样获得的总功率为该时间段持续型电器消耗的总功率之和,完成对持续型家用电器总负荷分解;
2)对间断型家用电器,首先从初始时刻设定一个时间段,求得该时间段运行功率均值pmean与方差pvar,当时,怀疑有间断型家用电器投切,若无则继续取下一时间段功率序列;当怀疑有电器投切时,计算突变前10s内运行功率的均值p1和突变后10s内运行功率均值p2,若|P1-P2|<θ则继续取下一时间段功率序列进行判定,当|P1-P2|≥θ时则认为有间断型家用电器发生投切,确定投切的起始点和终止点记录,将该时间段负荷电流提取进行傅里叶分解分解,得到谐波幅值较大的谐波次数为该间断型家用电器的负荷特征;将其输入训练完成的MLP神经网络,求得网络输出yi为K维行向量,选取数值最大的一项对应的负荷类型即为待识别负荷的负荷类型,完成对间断型家用电器的总负荷分解。
2.根据权利要求1所述的方法,其特征在于:
步骤一中采用箱型图分析获得功率的异常数据,并对异常数据采用分箱法进行处理;具体做法如下:
1)各家用电器运行功率数据一般服从高斯分布,故将运行功率数据由大到小排序,定义上四分位处的功率为U,从大到小排序U处于25%位,下四分位处的功率为L,从大到小排列L处于75%位,定义IQR=U-L,设置上界为U+1.5IQR,下界为L-1.5IQR,并将上下界之外的值规定为异常值;对于预处理的运行功率来说,家庭在活动时间和休息时间用电情况存在较大差异,但在休息时间若有家庭电器投入使用,则会将其误判为异常值;故考虑按以上两个时间段将原先功率数据样本分开使用箱型图分析获得异常值,并将这些异常值与其对应的时间序列做好标记处理;
2)对所有异常值,以异常值为中心左右各提取时间长度为20s的运行功率数据放入一个箱子中;考虑各家用电器的实际运行情况,即短时间内电器出现大功率波动的概率极小,因此用箱均值来光滑异常值,即用箱中每一组运行功率数据平均值去替代异常数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010278775.0A CN111563827B (zh) | 2020-04-10 | 2020-04-10 | 基于电器物理特性及居民用电行为的负荷分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010278775.0A CN111563827B (zh) | 2020-04-10 | 2020-04-10 | 基于电器物理特性及居民用电行为的负荷分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563827A true CN111563827A (zh) | 2020-08-21 |
CN111563827B CN111563827B (zh) | 2023-08-04 |
Family
ID=72071622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010278775.0A Active CN111563827B (zh) | 2020-04-10 | 2020-04-10 | 基于电器物理特性及居民用电行为的负荷分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563827B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094931A (zh) * | 2021-04-29 | 2021-07-09 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
CN113408210A (zh) * | 2021-07-12 | 2021-09-17 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 |
CN113609635A (zh) * | 2021-05-21 | 2021-11-05 | 上海交通大学 | 一种插座负荷类型识别系统的架构与识别方法 |
CN114355275A (zh) * | 2022-03-21 | 2022-04-15 | 青岛鼎信通讯股份有限公司 | 电能表负荷监测方法、系统、装置及计算机可读存储介质 |
CN115048854A (zh) * | 2022-04-27 | 2022-09-13 | 湘潭大学 | 一种家庭电器负荷分解方法 |
CN115048854B (zh) * | 2022-04-27 | 2024-07-02 | 湘潭大学 | 一种家庭电器负荷分解方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
WO2019165944A1 (zh) * | 2018-02-28 | 2019-09-06 | 中国银联股份有限公司 | 基于转移概率网络的商户推荐方法及其系统 |
-
2020
- 2020-04-10 CN CN202010278775.0A patent/CN111563827B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636822A (zh) * | 2015-01-21 | 2015-05-20 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的居民负荷预测方法 |
CN107330517A (zh) * | 2017-06-14 | 2017-11-07 | 华北电力大学 | 一种基于S_Kohonen非侵入式居民负荷识别方法 |
CN108234370A (zh) * | 2017-12-22 | 2018-06-29 | 西安电子科技大学 | 基于卷积神经网络的通信信号调制方式识别方法 |
WO2019165944A1 (zh) * | 2018-02-28 | 2019-09-06 | 中国银联股份有限公司 | 基于转移概率网络的商户推荐方法及其系统 |
CN110188826A (zh) * | 2019-05-31 | 2019-08-30 | 湖南科技大学 | 基于智能电表数据的家用电器运行状态非侵入式检测方法 |
Non-Patent Citations (3)
Title |
---|
周明;宋旭帆;涂京;李庚银;栾开宁;: "基于非侵入式负荷监测的居民用电行为分析", 电网技术, no. 10 * |
涂京;周明;宋旭帆;周光东;李庚银;: "基于监督学习的非侵入式负荷监测算法比较", no. 12 * |
王毅;张宁;康重庆;奚巍民;霍沫霖;: "电力用户行为模型:基本概念与研究框架", no. 10 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113094931A (zh) * | 2021-04-29 | 2021-07-09 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
CN113094931B (zh) * | 2021-04-29 | 2022-04-22 | 杭州电力设备制造有限公司 | 一种非侵入式负荷分解方法、装置及设备 |
CN113609635A (zh) * | 2021-05-21 | 2021-11-05 | 上海交通大学 | 一种插座负荷类型识别系统的架构与识别方法 |
CN113408210A (zh) * | 2021-07-12 | 2021-09-17 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 |
CN114355275A (zh) * | 2022-03-21 | 2022-04-15 | 青岛鼎信通讯股份有限公司 | 电能表负荷监测方法、系统、装置及计算机可读存储介质 |
CN115048854A (zh) * | 2022-04-27 | 2022-09-13 | 湘潭大学 | 一种家庭电器负荷分解方法 |
CN115048854B (zh) * | 2022-04-27 | 2024-07-02 | 湘潭大学 | 一种家庭电器负荷分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111563827B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN108616120B (zh) | 一种基于rbf神经网络的非侵入式电力负荷分解方法 | |
CN111564842B (zh) | 一种非侵入式用电负荷监测中长期能耗统计估算的方法 | |
CN109633301B (zh) | 基于量子遗传优化的非侵入式电器负荷识别方法 | |
CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
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 | |
Jia et al. | Non-intrusive load identification using reconstructed voltage–current images | |
CN113902104A (zh) | 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN113408341A (zh) | 负荷识别方法、装置、计算机设备和存储介质 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN113762355B (zh) | 一种基于非侵入式负荷分解的用户异常用电行为检测方法 | |
Bartman et al. | Identification of electrical appliances using their virtual description and data selection for non-intrusive load monitoring | |
Deng et al. | Residential appliance detection using attention-based deep convolutional neural network | |
CN113361454A (zh) | 一种基于非监督优化的深度学习非侵入式负荷监测方法 | |
CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 | |
CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 | |
Zhou et al. | Non-intrusive extraction and forecasting of residential electric vehicle charging load | |
Shi et al. | An improved non-intrusive load identification method for VI trajectory based on amplitude to pixel value | |
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 | |
Zhou et al. | Research on non-invasive load monitoring based on convolutional neural network | |
CN115577770A (zh) | 一种基于负荷分解与深度学习的持续型电器负荷预测方法 | |
CN111948446A (zh) | 一种自适应的负荷识别方法以及智能电能表 | |
Qian et al. | An improved temporal convolutional network for non-intrusive load monitoring | |
CN114037178B (zh) | 基于无监督预训练神经网络的非侵入式负荷分解方法 |
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 |