CN111949707A - 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 - Google Patents

Abstract

本发明涉及一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法。本发明在获取各个小区各个用户的用电设备数据后，对数据进行预处理，得到每个用户的总功率序列，使用DTW算法对每个用户的功率序列进行匹配对比，对相似度较高数据段进行标记，获得其类域独立数据与类域重叠数据。然后对类域重叠数据进行分段处理，通过滑动窗口算法得出功率序列的重叠区间，从而达到简化数据库的目的。再通过建立HMM模型对用电数据进行分解辨识。本发明在通过数据简化后能够大量减少数据处理量，提高负荷分解辨识效率，同时，通过HMM模型能够降低因为特征相近所带来的误判。

Description

一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法

技术领域

本发明属于负荷检测领域，具体涉及一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法。

背景技术

智能电网是21世纪全球能源的新战略，而电网的第二次智能化重点在于配电和用电。其中负荷监测属于智能电网的高级测量体系技术领域。目前负荷监测技术主要分为两种，分别为侵入式负荷监测和非侵入式负荷监测，侵入式负荷监测需要在每个电器端口介入传感器，而非侵入式负荷监测只需在电表接入口安装监测设备就可利用模式识别技术分析电信号而识别全部电器的状态。由此可见，实现非侵入式负荷监测是未来负荷监测技术发展的主要方向。但是，非侵入式负荷监测的流程中，特征库的建立是其中较为重要的一环，一个简洁的负荷数据库，能够为负荷辨识阶段减少大量的计算工作。因此，在研究非侵入式负荷分解的过程中进行数据库的筛选很有必要。

发明内容

本发明的目的是提供一种基于影场的隐马尔可夫模型的非侵入式负荷监测方法。减少负荷辨识过程中计算的复杂性，同时扩充非侵入式负荷监测的技术范围，增强非侵入式算法的准确性、推广度等。

本发明中提出影场的概念，其特征在于，对小区域用电数据进行“影化”处理，获得影化数据从而来简化数据库。本发明中总数据库R由部分区域中所有的小区数据库R₁、R₂、R₃....所组成。

所述的“影化”处理主要包括两个方面：自影和他影。

自影即使用DTW算法在小区数据库内进行自我匹配，对相似度较高的数据进行提取的过程。获得相似度较高的数据后，建立一个子数据库，通过滑动窗口来提取各个家庭总功率序列的最大重叠区间。

他影即使用DTW算法在各小区数据库之间的匹配，对相似度较高的数据进行提取的过程。获得相似度较高的数据后，建立一个子数据库，通过滑动窗口来提取各个家庭总功率序列的最大重叠区间。

所述的DTW算法是一种典型的优化算法，它的主要思想是将一个复杂的全局最优问题转化为许多局部最优化问题，能够通过将时间轴拉长或者缩短，对不同的时间长度序列进行匹配。DTW算法结合了时间规整和间距测量计算的非线性规整技术，运用动态规划思想，按局部最优化自动寻求一条路径(即时间弯曲函数)，沿该路径两个特征矢量间的距离最小，则相似度最大。

本发明解决技术问题所采取的技术方案为：

步骤1：采集数据，构建数据初始样本；

采集的数据主要有每户家庭总电流以及总电压，每隔三秒采集一个数据点；计算得出每个电器的有功功率。

步骤2：对采集的数据进行自影和他影处理

自影处理方式为：运用DTW算法对小区数据库R₁内的有功功率序列进行两两比对，得到两个序列相似度，并对其进行标记，将小区数据库R₁内相似度较高的有功功率序列组成子数据库Y₁。

他影处理方式为：运用DTW算法对总数据库R内的有功功率序列进行两两比对；计算得到两个序列相似度，并对其进行标记，将小区数据库之间相似度较高的有功功率序列找出组成子数据库F。

将自影和他影步骤中有功功率序列相似度低的数据组合得到数据库W。

步骤3、随机选取子数据库F或Y₁中标记符号相同的两段有功功率序列，其时间长度为12小时，将其均分为3600个窗口，记为f₁,f₂,f₃,…,f_s,…,f₃₆₀₀。每个窗口包括四个数据点(原始数据为三秒采集一次)，将获得的3600个窗口同时在另一功率波形上滑动，记录相同片段，并将其标记为f₁₁,f₁₂,f₁₃,…,f_sj(1<j<3600)。记录初次遍历所获得的重叠位置为S₁,S_2,…,S_g(其中包括时间信息与功率大小信息)。

第一次波形遍历后，得到的信息包括相同数据重叠位置以及重复的窗口；对重复的窗口进行扩展，每次增加4个数据点，第二次从第一次记录的重叠位置开始遍历，如果满足条件，即序列重叠，则继续对其进行扩展直至不重叠为止，将前一次记录的重叠区间记为最大重叠区间；可得小区数据库内重叠数据，经过筛选后，便可得到精简后的数据库G。

步骤4、将数据库G与上述步骤2中所得到的数据库W相结合构建新的总数据库H。

步骤5、对新的总数据库H进行负荷辨识，其具体方法如下：

使用HMM(隐马尔科夫模型)对总功率和用电设备进行建模，将一个家庭中所有的电器建模成一个HMM。电器的状态为HMM的状态，总功率为HMM的观测。

使用HMM对电器建模后，负荷分解问题便转换为：给定HMM的参数λ和总功率序列，确定产生给定的总功率序列对应的最佳电器状态序列。

通过传统的Baum_Welch算法对训练集进行计算得到初始HMM，其中λ＝(A,B,π)。HMM中转移概率矩阵A＝[a_xy,1≤x,y≤n],为电器从前一状态i到下一状态j的概率，矩阵A为一常数矩阵；观测概率矩阵B＝[f_v(P_τ|x),1≤x≤n],为f_v(P|x)电器在状态x下消耗功率为P_τ的概率。然后由Viterbi算法求解产生给定的总功率序列对应的最佳状态组合序列。从而达到分解负荷的目的。

本发明的有益效果：本发明在获取各个小区各个用户的用电设备数据后，对数据进行预处理，得到每个用户的总功率序列，使用DTW算法对每个用户的功率序列进行匹配对比，对相似度较高数据段进行标记，获得其类域独立数据与类域重叠数据。然后对类域重叠数据进行分段处理，通过滑动窗口算法得出功率序列的重叠区间，从而达到简化数据库的目的。再通过建立HMM模型对用电数据进行分解辨识。本发明在通过数据简化后能够大量减少数据处理量，提高负荷分解辨识效率，同时，通过HMM模型能够降低因为特征相近所带来的误判。

附图说明

图1为整体流程图；

图2为简化数据示意图；

图3为滑动简化数据示意图。

具体实施方式

为了使本技术领域的人员能够更好的理解本发明的方案，下面结合流程图和具体实施方式对本发明作进一步的详细说明。

本发明的核心是提供一种基于影场的数据筛选算法以及基于HMM的辨识方法，既可以解决用户的用电问题，同时也可以解决辨识过程中计算量大，造成误判，以及提高辨识准确度等问题。

如图1所示，本发明包括以下步骤：

步骤1：采集数据，构建数据初始样本；

采集的数据主要有每户家庭总电流以及总电压，每隔三秒采集一个数据点；计算得出每个电器的有功功率，

为电流和电压的相位差；k为谐波次数；I_k为k次谐波时的谐波电流；V_k为k次谐波时的谐波电压；P_k为k次谐波时的有功功率。

步骤2：

步骤2-1：简化数据库

假定一个小区有r户家庭C₁～C_r，第t个家庭所提取的总功率序列表示为c_t，则一个小区数据库功率序列总集合可表示为c＝[c₁,c₂,…c_r]。

假定小区数据库R₁中有三家总功率序列相近的用户，分别为c₁、c₂、c₃。如图2所示，以L_D1、L_D2、L_D3表示三类样本的类域，每类类域可分为类域独立样本X_I和类域重叠样本X_O。每类类域独立样本集合可表示为

则类域重叠样本集合为

X_DO＝{u|u∈L_D1，u∈L_D2，u∈L_D3}。

自影具体方式为：运用DTW算法对小区数据库R₁内的有功功率序列进行两两比对。取两个家庭的有功功率序列分别记为M＝m₁,m₂,…,m_i,…,m_p；N＝n₁,n₂,…,n_j,…,n_q。构造一个p×q矩阵网络，矩阵元素(i,j)表示m_i与n_j之间的距离d＝(m_i,n_j)，求p×q矩阵网络中(1,1)到(i,j)点的最短路径，将此路径定义为W，其大小为γ(i,j)＝d(i,j)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}。由计算可得出这两个序列相似度，同时，对此两段有功功率序列进行标记。小区数据库R₁内相似度较高的有功功率序列组成子数据库Y₁，即为上述中所描述的类域重叠样本集合。

他影具体方式为：运用DTW算法对总数据库R内的有功功率序列进行两两比对。取两个家庭的有功功率序列分别记为M＝m₁,m₂,…,m_i,…,m_p；N＝n₁,n₂,…,n_j,…,n_q。构造一个p×q矩阵网络，矩阵元素(i,j)表示m_i与n_j之间的距离d＝(m_i,n_j)，求p×q矩阵网络中(1,1)到(i,j)点的最短路径，将此路径定义为W，其大小为γ(i,j)＝d(i,j)+min{γ(i-1,j-1),γ(i-1,j),γ(i,j-1)}。由计算可得出这两个序列相似度，同时，对此两段有功功率序列进行标记。将小区数据库之间相似度较高的有功功率序列找出组成子数据库F。

步骤2-2：将自影和他影步骤中有功功率序列相似度低的数据组合得到数据库W，即为上述步骤中的类域独立样本集合。

步骤3、随机选取子数据库F或Y₁中标记符号相同的两段有功功率序列，其时间长度为12小时，将其均分为3600个窗口，记为f₁,f₂,f₃,…,f_s,…,f₃₆₀₀。每个窗口包括四个数据点(原始数据为三秒采集一次)，将获得的3600个窗口同时在另一功率波形上滑动，记录相同片段，并将其标记为f₁₁,f₁₂,f₁₃,…,f_sj(1<j<3600)。记录初次遍历所获得的重叠位置为S₁,S₂,…,S_g(其中包括时间信息与功率大小信息)。如图3所示，初始两段功率序列分别为模板1：[2,4,8,6,5,3,2,1,9,8],模板2：[8,6,5,3,3,1,9,7,8,5]。第一次取5个窗口，分别为[8,6],[5,3],[3,1],[9,7],[8,5],将其编码为10001，10002，10003，10004，10005。窗口滑动后，可得重叠窗口为[8，6]，[5，3]，将其编码为10001 0003(后四位为重叠区间的位置信息)10002 0005。

第一次波形遍历后，应得到的信息包括有，相同数据重叠位置(0003)以及重复的窗口(10001)。对重复的窗口进行扩展，每次增加4个数据点，第二次从第一次记录的重叠位置开始遍历，如图3所示，第二次取窗口为[8，6，5]，[5，3，3]，将其编码为20001，20002。同理得到重叠窗口[8，6，5]。即序列重叠，继续对其进行扩展直至不重叠为止，将前一次记录的重叠区间记为最大重叠区间，如[5，3]序列即为一最大重叠区间。可得小区数据库内重叠数据，经过筛选后，便可得到精简后的数据库G。

步骤4、将数据库G与上述步骤2-2中所得到的数据库W相结合构建新的总数据库H。

步骤5、对新的总数据库H进行负荷辨识，其具体方法如下：

首先建立训练集，由精简后的数据库选取部分典型数据作为训练集。

使用HMM对总功率和用电设备进行建模，将一个家庭中所有的电器建模成一个HMM。电器的状态为HMM的状态，总功率为HMM的观测。

假设一户家庭电器的个数为E，用电设备e的状态数为K^(e)，则HMM的状态数为

使用HMM对电器建模后，负荷分解问题便转换为：给定HMM的参数λ和总功率序列，确定产生给定的总功率序列对应的最佳电器状态序列。

通过传统的Baum_Welch算法对训练集进行计算得到初始HMM，其中λ＝(A,B,π)。HMM中转移概率矩阵A＝[a_xy,1≤x,y≤n],为电器从前一状态i到下一状态j的概率，矩阵A为一常数矩阵；观测概率矩阵B＝[f_e(P|x),1≤x≤n],为f_e(P|x)电器在状态x下消耗功率为P的概率。然后由Viterbi算法求解产生给定的总功率序列对应的最佳状态组合序列。从而达到分解负荷的目的。其具体算法如下：

初始化两个辅助变量δ_d和ψ_d。

ψ₁(x)＝0

式中：a_xx、b_x、π_x分别为概率转移矩阵A、观测矩阵B和先验概率向量π中的元素；T₀为第一观测序列长度。然后进行递归计算

终止条件：

通过解码后得到最佳状态组合，然后通过下列公式分解得到各个负荷的状态。

式中：k^(e)是第e个负荷的状态值；K^(h)为第h个负荷的总状态数。

Claims (1)

1.一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法，其特征在于该方法具体是：

步骤1：采集数据，构建数据初始样本；

采集的数据主要有每户家庭总电流以及总电压，每隔三秒采集一个数据点；计算得出每个电器的有功功率P；

步骤2：对采集的数据进行自影和他影处理

自影处理方式为：运用DTW算法对小区数据库R₁内的有功功率序列进行两两比对，得到两个序列相似度，并对其进行标记，将小区数据库R₁内相似度较高的有功功率序列组成子数据库Y₁；

他影处理方式为：运用DTW算法对总数据库R内的有功功率序列进行两两比对；计算得到两个序列相似度，并对其进行标记，将小区数据库之间相似度较高的有功功率序列找出组成子数据库F；

将自影和他影处理过程中有功功率序列相似度低的数据组合得到数据库W；

步骤3、随机选取子数据库F或Y₁中标记符号相同的两段有功功率序列，其时间长度为12小时，将其均分为3600个窗口，记为f₁,f₂,f₃,…,f_s,…,f₃₆₀₀；每个窗口包括四个数据点，将获得的3600个窗口同时在另一功率波形上滑动，记录相同片段，并将其标记为f₁₁,f₁₂,f₁₃,…,f_sj，1<j<3600，记录初次遍历所获得的重叠位置；

第一次波形遍历后，得到的信息包括相同数据重叠位置以及重复的窗口；对重复的窗口进行扩展，每次增加4个数据点，第二次从第一次记录的重叠位置开始遍历，如果满足条件，即序列重叠，则继续对其进行扩展直至不重叠为止，将前一次记录的重叠区间记为最大重叠区间；可得小区数据库内重叠数据，经过筛选后，便可得到精简后的数据库G；

步骤4、将数据库G与数据库W相结合构建新的总数据库H；

步骤5、对新的总数据库H进行负荷辨识，其具体如下：

建立训练集，选取部分典型数据作为训练集；

使用HMM对总功率和用电设备进行建模，将一个家庭中所有的电器建模成一个HMM；电器的状态为HMM的状态，总功率为HMM的观测；

使用HMM对电器建模后，负荷分解问题便转换为：给定HMM的参数λ和总功率序列，确定产生给定的总功率序列对应的最佳电器状态序列；

通过Baum_Welch算法对训练集进行计算得到初始HMM，其中λ＝(A,B,π)；HMM中转移概率矩阵A＝[a_xy,1≤x,y≤n],为电器从前一状态i到下一状态j的概率，矩阵A为一常数矩阵；观测概率矩阵B＝[f_v(P_τ|x),1≤x≤n],为f_v(P|x)电器在状态x下消耗功率为P_τ的概率；

由Viterbi算法求解产生给定的总功率序列对应的最佳状态组合序列，从而达到分解负荷的目的。

Images