CN112085111B - 一种负荷辨识方法和装置 - Google Patents
一种负荷辨识方法和装置 Download PDFInfo
- Publication number
- CN112085111B CN112085111B CN202010961374.5A CN202010961374A CN112085111B CN 112085111 B CN112085111 B CN 112085111B CN 202010961374 A CN202010961374 A CN 202010961374A CN 112085111 B CN112085111 B CN 112085111B
- Authority
- CN
- China
- Prior art keywords
- load
- identification
- data
- sub
- model
- 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 78
- 230000005611 electricity Effects 0.000 claims abstract description 57
- 238000007637 random forest analysis Methods 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000007781 pre-processing Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000003066 decision tree Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 230000008569 process Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000002759 z-score normalization Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种负荷辨识方法和装置，包括：采集负荷用电数据；对所述负荷用电数据进行预处理，得到预处理数据；从所述预处理数据中提取负荷特征；将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出所述负荷用电数据的辨识结果；其中，所述预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型。本发明通过长短时记忆神经网络辨识子模型和加权随机森林子模型分别对不同的负荷特征进行辨识，再融合两个子模型的辨识结果得到最终的辨识结果，可提高对负荷用电数据的辨识正确率。
Description
技术领域
本发明涉及非侵入式负荷监测技术领域，尤其涉及一种负荷辨识方法和装置。
背景技术
随着新技术的兴起，电力产业走向更高度的智能化、知识化、集约化和技术化是必然趋势。而为了保证电力产业的正常运行，需要对电力负荷进行监测。
传统的负荷监测系统多为侵入式，需要对每个负荷安装监测装置进行一对一方式监测，随着用电负荷的增多，将造成人力、资金和时间成本的大量投入，不便于长期维护。为了解决上述问题，非侵入式负荷监测(Non-intrusive load monitoring，NILM)以低成本、易于维护和用户接受度高的特点逐渐取代了传统的侵入式负荷监测技术。NILM系统以软件算法代替设备的“硬测量”，通过采集电力入口处的信息，对电力负荷电气信息单点总量的量测和实时分析便可获取总负荷内部每个或每类用电设备的用电状态信息和用电规律。
非侵入式负荷监测最早由George Hart提出，其将非侵入式负荷监测归纳为事件检测、集合分析、集合配对、异值解析和负荷辨识五个阶段。其中最为关键的核心部分就是负荷辨识阶段。对于负荷辨识问题目前主要有两大类求解方法，分别为：数学优化和模式识别。而模式识别方法又可分为基于监督学习和非监督学习2类，其中基于非监督学习的负荷识别无需用电设备的标签数据，从而减少了人工干预，增强了实用性；监督学习方法则能应对较复杂的识别场景。
然而上述两种方法存在辨识效果较差的问题。
发明内容
本发明提供了一种负荷辨识方法和装置，用于解决现有的负荷辨识方法存在辨识效果较差的技术问题。
本发明提供了一种负荷辨识方法，包括：
采集负荷用电数据；
对所述负荷用电数据进行预处理，得到预处理数据；
从所述预处理数据中提取负荷特征；
将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出所述负荷用电数据的辨识结果；其中，所述预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型。
可选地，所述对所述负荷用电数据进行预处理，得到预处理数据的步骤，包括：
对所述负荷用电数据进行去重、插值和去噪的预处理，得到预处理数据。
可选地，所述负荷特征包括有功功率、无功功率、电流谐波和功率波形；所述从所述预处理数据中提取负荷特征的步骤，包括：
从所述预处理数据中提取所述有功功率和所述无功功率；
对所述预处理数据进行离散傅里叶变换，得到所述电流谐波；
采用所述有功功率、所述无功功率生成所述功率波形。
可选地，所述将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出辨识结果的步骤，包括：
将所述有功功率、所述无功功率和所述电流谐波作为样本输入所述LSTM神经网络子模型，输出所述样本的第一辨识结果；
将所述功率波形输入所述加权随机森林子模型，输出所述功率波形的第二辨识结果；
采用预设加权软投票法融合所述第一辨识结果和所述第二辨识结果，输出所述负荷用电数据的辨识结果。
本发明还提供了一种负荷辨识装置，包括：
负荷用电数据采集模块，用于采集负荷用电数据；
预处理模块，用于对所述负荷用电数据进行预处理，得到预处理数据；
负荷特征提取模块，用于从所述预处理数据中提取负荷特征；
辨识结果输出模块，用于将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出所述负荷用电数据的辨识结果；其中，所述预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型。
可选地，所述预处理模块，包括：
预处理子模块，用于对所述负荷用电数据进行去重、插值和去噪的预处理，得到预处理数据。
可选地，所述负荷特征包括有功功率、无功功率、电流谐波和功率波形；所述负荷特征提取模块，包括：
有功功率和所述无功功率提取子模块，用于从所述预处理数据中提取所述有功功率和所述无功功率；
电流谐波提取子模块，用于对所述预处理数据进行离散傅里叶变换，得到所述电流谐波；
功率波形生成子模块，用于采用所述有功功率、所述无功功率生成所述功率波形。
可选地，所述辨识结果输出模块，包括：
第一辨识结果输出子模块，用于将所述有功功率、所述无功功率和所述电流谐波作为样本输入所述LSTM神经网络子模型，输出所述样本的第一辨识结果；
第二辨识结果输出子模块，用于将所述功率波形输入所述加权随机森林子模型，输出所述功率波形的第二辨识结果；
辨识结果输出子模块，用于采用预设加权软投票法融合所述第一辨识结果和所述第二辨识结果，输出所述负荷用电数据的辨识结果。
本发明还提供了一种负荷辨识设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行如上任一项所述的负荷辨识方法。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行如上任一项所述的负荷辨识方法。
从以上技术方案可以看出，本发明具有以下优点：本发明通过采集负荷用电数据；对负荷用电数据进行预处理，得到预处理数据；从预处理数据中提取负荷特征；再将负荷特征输入预设非侵入式负荷综合辨识模型，从而输出负荷用电数据的辨识结果。本发明通过长短时记忆神经网络辨识子模型和加权随机森林子模型分别对不同的负荷特征进行辨识，再融合两个子模型的辨识结果得到最终的辨识结果，可提高对负荷用电数据的辨识正确率。
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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种负荷辨识方法的步骤流程图；
图2为本发明另一实施例提供的一种负荷辨识方法的步骤流程图；
图3为LSTM神经网络辨识子模型的网络拓扑结构图；
图4为本发明实施例提供的加权随机森林子模型的结构图；
图5为本发明实施例提供的一种负荷辨识方法的流程图；
图6为本发明实施例提供的一种负荷辨识装置的结构框图。
具体实施方式
本发明实施例提供了一种负荷辨识方法和装置，用于解决现有的负荷辨识方法存在辨识效果较差的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种负荷辨识方法的步骤流程图。
本发明提供的一种负荷辨识方法，包括：
步骤101，采集负荷用电数据；
在本发明实施例中，负荷用电数据可以为低频负荷用电信息；对低频负荷用电信息的采集，具体可以通过低频检测终端装置在用户的电力入口处收集电压和电流等电量信息实现。低频采样获取低频信号对终端设备的要求不高，是一种低成本的方法。低频采样能提供稳态特征数据，稳态特征主要通过电器平稳运行之后的电流、功率特性对负荷类型进行判断，当出现混叠情况时容易产生错误，因此需要多个特征相结合，以达到更优的辨识效果。其作为负荷稳定运行时表现出的特征，呈现出一定的周期性，随负荷运行而存在，较容易提取。
步骤102，对负荷用电数据进行预处理，得到预处理数据；
在数据采集过程中，采集到的电量信息可能会受到多方面的干扰，干扰可能来自于周围环境、电网侧、用户侧或终端设备本身。这些干扰可能导致数据出现重复、缺失或噪声，因此，在数据采集完成后，针对负荷用电数据进行分析获取包含负荷特征的数据段后，需要对其进行预处理。
步骤103，从预处理数据中提取负荷特征；
负荷特征是识别负荷种类的依据，在负荷特征提取和分析的过程中，可以从含有负荷特征的数据中提取出负荷特征，并在提取出负荷特征后，对负荷特征的分布情况进行分析，比较不同负荷特征对负荷的区分性以及特征之间的互补性，筛选出能最大程度上体现不同负荷特点的特征参数。最后进行特征标准化，将筛选出的负荷特征转换为特定的形式，生成标准化的负荷特征。
在本发明实施例中，负荷特征的选择需要满足以下要求：尽可能保证特征反映设备的电气特性；特征能够和其他设备进行区分；考虑特征之间的相关性，减少特征之间的冗余。
按照特征选取的要求，为能有效辨识不同设备，可以将负荷的有功功率、无功功率、电流谐波和功率波形作为辨识特征，上述特征可以反映设备在时域和频域上的特性。
步骤104，将负荷特征输入预设非侵入式负荷综合辨识模型，输出负荷用电数据的辨识结果；其中，预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型。
在本发明实施例中，LSTM神经网络辨识子模型含有记忆模块，具有一定的记忆功能，每个记忆模块中存在一个或多个记忆单元，还包括输入门、输出门和遗忘门结构，这三种门结构能对神经元中保存的信息进行控制，可以保存长期状态。由于其独特的结构，在训练过程中能有效避免梯度消失现象的发生。
随机森林(RF)算法在训练集中通过Bootstrap重抽样法获取N个训练子集，采用C4.5算法构建决策树模型，并利用测试集对所有决策树采取多数投票机制确定最终的分类结果。RF不容易出现过拟合，且具有较高的预测准确率。RF在构建每棵决策树时，通过引入一些随机信息，有效降低了各个基分类器的相关度，显著提高了分类性能。
针对不同负荷特征的数据形式及特点搭建辨识子模型，能保证不同子模型之间的独立性，减小不同特征之间的耦合，同时多个辨识子模型能形成互补关系，克服单一模型本身的缺陷。
在获取到负荷特征后，将负荷特征输入预设非侵入式负荷综合辨识模型，通过LSTM神经网络辨识子模型和加权随机森林子模型分别对不同负荷特征进行辨识，得到相应的辨识结果。再将两个子模型的辨识结果进行融合，可以得到负荷用电数据的辨识结果。
本发明通过采集负荷用电数据；对负荷用电数据进行预处理，得到预处理数据；从预处理数据中提取负荷特征；再将负荷特征输入预设非侵入式负荷综合辨识模型，从而输出负荷用电数据的辨识结果。本发明通过长短时记忆神经网络辨识子模型和加权随机森林子模型分别对不同的负荷特征进行辨识，再融合两个子模型的辨识结果得到最终的辨识结果，可提高对负荷用电数据的辨识正确率。
请参阅图2，图2为本发明另一实施例提供的一种负荷辨识方法的步骤流程图，具体可以包括：
步骤201，采集负荷用电数据；
步骤202，对负荷用电数据进行预处理，得到预处理数据；
在数据采集过程中，采集到的电量信息可能会受到多方面的干扰，干扰可能来自于周围环境、电网侧、用户侧或终端设备本身。这些干扰可能导致数据出现重复、缺失或噪声，因此，在数据采集完成后，针对负荷用电数据进行分析获取包含负荷特征的数据段后，可以对其进行去重、插值和去噪等预处理，得到预处理数据。
其中，对于采集过程中重复的数据，可以采用Python Seqno列去重方法，达到节省存储空间，提升数据处理速度的目的。
对于缺失的数据，则可以采用光滑的拉格朗日多项式插值方法，实现数据的拟合，具体过程如下：
对某段采集数据的曲线，已知有给定的k+1个取值点：(x0,y0)，…，(xk,yk)。其中xj对应着时刻的坐标，而yj对应着负荷特征在这个时间的取值。假设任意两个不同的xj都互不相同，那么应用拉格朗日插值公式所得到的拉格朗日插值多项式为：
其中，lj(x)为拉格朗日基本多项式(插值基函数)，其表达式为：
对于采集数据过程中引入的噪声采用中值滤波及k-邻近算法改进的均值滤波法去噪。其中，中值滤波是基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术，其算法简单，时间复杂度低。具体地，首先确定特征曲线上一个以某点为中心点的一段时间长度的窗口，并设置窗口的大小(即窗宽)，然后将窗口中各点的值排序，取其中间值作为中心点的新值，当窗口移动时，利用中值滤波对图像进行平滑处理。
基于k-邻近算法的均值滤波法通过引入KNN算法改进均值去噪方法，其将即将输入算法的点加入判定条件，以避免对于非噪声数据的赋值，从而达到降低传统均值滤波负面效应的效果。具体步骤如下：
1、构建选择邻域的数学模型，在传统算法的基础上，该模型选择邻域时，不再包括邻域的中心点，同时根据K近邻理论，选择距离待处理点最近的k个近邻点(k值根据实验得到)。
2、给滤波器加入一个约束条件，该约束条件用于判定点是否需要输入算法。
3、导入图像，应用改进的算法对图像进行均值滤波。
4、输出滤波后的图像。
改进算法中邻域的中心点，是指邻域的几何中心，一般构建正方形或圆形的邻域，其几何中心可直观得到，即图形最中间的点。滤波器中的约束条件，用于判断是否有必要对点进行均值滤波，公式如下：1+p<q<1-p，其中，q是判定条件，p是判定参数，可根据经验或多次试验获得，若q符合上式，则不改变该点的值，否则，该点被判定为噪声，根据算法对其重新赋值。
步骤203，从预处理数据中提取有功功率和无功功率；
步骤204，对预处理数据进行离散傅里叶变换，得到电流谐波；
步骤205，采用有功功率、无功功率生成功率波形；
在本发明实施例中，可以将负荷的有功功率、无功功率、电流谐波和功率波形作为辨识特征。
对于有功功率和无功功率的提取，可以通过以下公式实现：
其中，P为有功功率，Q为无功功率，N为时域电压和电流信号长度，Vk和Ik分别为第k次谐波电压和电流幅值，θk和分别为第k次电压和电流谐波的初相位。
对于电流谐波的提取，需要把电流从时域转换为频域，因此，在本发明实施例中，采用离散傅里叶变换来提取谐波。对于长度为N的离散电流信号i(n),n＝0,1,…,N-1，其离散傅里叶变换如下所示：
其中，k＝0,1,…,N-1，WN可通过下式计算：
其中，e为自然对数，j为虚数单位。
在从预处理数据中提取了有功功率、无功功率和电流谐波后，还可以对有功功率、无功功率和电流谐波进行标准化处理。标准化处理的目的是消除功率特征和电流谐波的量纲并将两者转换至同一数量级。
在一个示例中，可以采用z-score(标准差)标准化法进行标准化处理。Z-score标准化法能够克服数据中离群点的影响。在将负荷特征转换为均值为0，方差为1的标准化数据的同时，消除量纲，适用于分布范围广的数据。
在一个示例中，对于序列x1,x2,…,xn，通过z-score标准化法进行标准化变换的过程如下公式所示：
其中，和σ分别为序列均值和标准差，计算方式如下：
对于功率波形提取，可以通过有功功率和无功功率分析得到。功率波形即负荷运行期间有功功率值和无功功率值形成的功率曲线，其反映了负荷的有功能耗和无功能耗的变化情况。采用频率越高，单个工作周期内采集到的样本点越多，得到的功率曲线的变化就越缓慢，细节信息越充足。需要说明的是，若因采样频率较低导致波形各点间隔较大时还需要通过插值来提高波形精度。
步骤206，将有功功率、无功功率和电流谐波作为样本输入LSTM神经网络子模型，输出样本的第一辨识结果；
在本发明实施例中，LSTM神经网络辨识子模型含有记忆模块，具有一定的记忆功能，每个记忆模块中存在一个或多个记忆单元，还包括输入门、输出门和遗忘门结构，这三种门结构能对神经元中保存的信息进行控制，可以保存长期状态。由于其独特的结构，在训练过程中能有效避免梯度消失现象的发生。
请参阅图3，图3为LSTM神经网络辨识子模型的网络拓扑结构图，其中，ft为遗忘门模型，lt为输入门模型，Ct为候选门模型，Ot为输出门模型，St为细胞状态，xt为输入，yt为输出，ht即为yt，σ、tanh为激活函数操作。
LSTM神经网络辨识子模型的构建，主要可以包括以下四个阶段：
阶段1，生成训练集合测试集
具体实现过程可以是将有功功率、无功功率和电流谐波按照一定比例分为训练集，并给每个样本生成负荷标签，作为模型的期望输出。
阶段2，输入层、输出层和隐含层神经元数量确定
在具体实现中，输入层的神经元数量和输入特征向量的长度相同，输出层神经元数量和期望输出的负荷标签向量长度相同，为负荷的种类数。将PQH(有功功率、无功功率和电流谐波)特征构建为时间序列的形式，记时间序列长度为I，构建后模型的输入形式为X＝(X1,X2,…,XI)，且Xt＝(Pt,Qt,Ht)为时刻t时PQH特征组成的向量，即LSTM的输入层神经元数量和Xt长度相同。负荷标签由one-hot编码方式生成，每种负荷类型对应一个标签，标签长度等于负荷种类，若有m种类型的负荷，则输出层神经元数量应为m。
阶段3，网络层数确定
在具体实现中，对于LSTM神经网络辨识子模型，网络层数和时间序列长度相同，每个时间点的特征数据对应一层网络，对于时间序列长度为I的特征数据，LSTM神经网络辨识子模型的网络层数为I。
阶段4，激活函数和损失函数的选取
由于Softmax函数可以将模型结果映射至区间[0,1]，该结果可以视为各设备类别的概率值。对数似然函数作为损失函数和Softmax函数配合不仅能提高模型的训练速度，也有助于解决梯度消失。因此可以在LSTM神经网络辨识子模型使用Softmax函数作为输出层的激活函数，对数似然函数中的交叉熵函数作为损失函数。
在构建好LSTM神经网络辨识子模型后，将PQH特征输入该子模型，可以输出对PQH特征的第一辨识结果。
步骤207，将功率波形输入加权随机森林子模型，输出功率波形的第二辨识结果；
请参阅图4，图4为本发明实施例提供的加权随机森林子模型的结构图，加权随机森林子模型的每颗决策树都有不同的分类精度，因此每颗决策树的投票权值不同。加权随机森林子模型将训练样本分为传统训练样本和预测试样本，前者用于训练传统决策树，后者用于在训练完成后对每颗决策树进行预测试，并计算其分类准确率。具体计算过程如下公式所示：
其中，Xcorrect，l为第1棵决策树的分类正确的样本数；X为预测试样本数。用加权投票策略代替传统的投票策略，以此作为每棵决策树对应的权重值，则加权随机森林模型的输出为：
在随机森林中，剪枝阈值ε、决策树棵树L、随机属性个数m等重要参数通常通过经验选取，为得到更合适的参数，本发明实施例引入粒子群算法，对加权随机森林子模型中的参数进行迭代优化，快速选取最优解，实现较好的分类效果。将修剪阈值ε、决策树棵数L，预测试样本数X设置为向量空间，作为粒子群优化算法中的粒子，通过PSO迭代优化参数选择，提高加权随机森林模型的最终分类精度。粒子群优化加权随机森林算法的步骤如下：
Step1：确定算法的初始参数，随机设置剪枝阈值ε、决策树棵数L、预测试样本数X，以及随机属性个数m的初值为log2(M+1)；
Step2：采用Bootstrap算法采样，随机生成L个训练集，并在每个训练集中选出X个预测样本；
Step3：利用每个训练集剩下的样本分别生成L棵决策树，在生成过程中，每次选择属性前，均从全部属性中选出m个属性作为当前结点的决策属性；
Step4：当结点内包含的样本数少于阈值ε时，将该结点作为叶结点，并返回其目标属性的总数作为该决策树的分类结果；
Step5：当所有决策树生成后，对每棵决策树进行预测试，并根据负荷特征计算其权值；
Step6：利用不同负荷差异得出模型的分类结果；
Step7：将分类结果作为适应度值，采用粒子群算法对Step1中提到的参数进行迭代优化，确定最终模型的参数。
将功率波形输入加权随机森林子模型，便可以输出第二辨识结果。
步骤208，采用预设加权软投票法融合第一辨识结果和第二辨识结果，输出负荷用电数据的辨识结果。
在具体实现中，对于LSTM神经网络辨识子模型，其输出向量为各类的概率值，即类概率，而加权随机森林子模型输出为各类的辨识结果，即类标记。由于且在加权投票法中给每个分类模型设置合适的权重，可以获得较好的决策结果。因此首先将随机森林子模型的辨识结果加以统计并转化为类概率的形式输出。然后使用软加权投投票法进行决策，通过决策权重矩阵对加权投票法进行改进，改进的加权投票法通过对子模型输出向量的每一个元素设置权重，可以克服加权投票法不能反映分类模型的辨识偏好问题。
软加权投投票法具体可参见如下公式：
其中，Y为集成后的输出向量，Wi为hi的权重向量，argmax()获取向量最大元素的下标。
所有的权重向量Wi可组成权重矩阵W如下：
其中，wi,j为h1的第j个输出权重，且有
根据分类模型的辨识偏好选取合适的权重矩阵，可以增强分类模型对善于辨识的类型的优势，减小不善于辨识的类型的劣势。
利用改进的加权软投票法对两种子模型的辨识结果进行融合决策，可得到最终的负荷辨识结果。
本发明通过采集负荷用电数据；对负荷用电数据进行预处理，得到预处理数据；从预处理数据中提取负荷特征；再将负荷特征输入预设非侵入式负荷综合辨识模型，从而输出负荷用电数据的辨识结果。本发明通过长短时记忆神经网络辨识子模型和加权随机森林子模型分别对不同的负荷特征进行辨识，再融合两个子模型的辨识结果得到最终的辨识结果，可提高对负荷用电数据的辨识正确率。
为便于理解，下面通过具体示例进行说明：
请参阅图5，图5为本发明实施例提供的一种负荷辨识方法的流程图，具体包括：
通过检测终端进行数据采集，得到原始负荷用电数据，并对其进行分析及预处理，接下来从中提取出稳态负荷特征并进行分析，其中对于有功功率P、无功功率Q、电流谐波H(简称为PQH特征)进行标准化处理后代入LSTM神经网络子模型进行学习辨识，而对于功率波形则代入加权随机森林子模型中的决策树进行分类辨识，最后将两个子模型的输出结果进行融合决策得到最终符合辨识结果。
请参阅图6，图6为本发明实施例提供的一种负荷辨识装置的结构框图，具体可以包括：
负荷用电数据采集模块601，用于采集负荷用电数据；
预处理模块602，用于对负荷用电数据进行预处理，得到预处理数据；
负荷特征提取模块603，用于从预处理数据中提取负荷特征；
辨识结果输出模块604，用于将负荷特征输入预设非侵入式负荷综合辨识模型，输出负荷用电数据的辨识结果；其中，预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型。
在本发明实施例中，预处理模块602可以包括：
预处理子模块，用于对负荷用电数据进行去重、插值和去噪的预处理，得到预处理数据。
在本发明实施例中，负荷特征包括有功功率、无功功率、电流谐波和功率波形；负荷特征提取模块603可以包括：
有功功率和无功功率提取子模块，用于从预处理数据中提取有功功率和无功功率；
电流谐波提取子模块，用于对预处理数据进行离散傅里叶变换，得到电流谐波；
功率波形生成子模块，用于采用有功功率、无功功率生成功率波形。
在本发明实施例中，辨识结果输出模块604可以包括：
第一辨识结果输出子模块，用于将有功功率、无功功率和电流谐波作为样本输入LSTM神经网络子模型，输出样本的第一辨识结果；
第二辨识结果输出子模块，用于将功率波形输入加权随机森林子模型，输出功率波形的第二辨识结果；
辨识结果输出子模块，用于采用预设加权软投票法融合第一辨识结果和第二辨识结果，输出负荷用电数据的辨识结果。
本发明还提供了一种负荷辨识设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行本发明实施例的负荷辨识方法。
本发明还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行本发明实施例的负荷辨识方法。
所属领域的技术人可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来达到实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种负荷辨识方法，其特征在于，包括：
采集负荷用电数据；
对所述负荷用电数据进行预处理，得到预处理数据；
从所述预处理数据中提取负荷特征；
将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出所述负荷用电数据的辨识结果；其中，所述预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型，具体的：
所述负荷特征包括有功功率、无功功率、电流谐波和功率波形；所述从所述预处理数据中提取负荷特征的步骤，包括：
从所述预处理数据中提取所述有功功率和所述无功功率；
对所述预处理数据进行离散傅里叶变换，得到所述电流谐波；
采用所述有功功率、所述无功功率生成所述功率波形；
将所述有功功率、所述无功功率和所述电流谐波作为样本输入所述LSTM神经网络子模型，输出所述样本的第一辨识结果；
将所述功率波形输入所述加权随机森林子模型，输出所述功率波形的第二辨识结果；
采用预设加权软投票法融合所述第一辨识结果和所述第二辨识结果，输出所述负荷用电数据的辨识结果；
所述加权软投票法具体如下：
式中，Y为集成后的输出向量，Wi为hi的权重向量，argmax()获取向量最大元素的下标。
2.根据权利要求1所述的方法，其特征在于，所述对所述负荷用电数据进行预处理，得到预处理数据的步骤，包括：
对所述负荷用电数据进行去重、插值和去噪的预处理，得到预处理数据。
3.一种负荷辨识装置，其特征在于，包括：
负荷用电数据采集模块，用于采集负荷用电数据；
预处理模块，用于对所述负荷用电数据进行预处理，得到预处理数据；
负荷特征提取模块，用于从所述预处理数据中提取负荷特征，具体的：
所述负荷特征包括有功功率、无功功率、电流谐波和功率波形；所述负荷特征提取模块，包括：
有功功率和所述无功功率提取子模块，用于从所述预处理数据中提取所述有功功率和所述无功功率；
电流谐波提取子模块，用于对所述预处理数据进行离散傅里叶变换，得到所述电流谐波；
功率波形生成子模块，用于采用所述有功功率、所述无功功率生成所述功率波形；
辨识结果输出模块，用于将所述负荷特征输入预设非侵入式负荷综合辨识模型，输出所述负荷用电数据的辨识结果；
所述辨识结果输出模块，包括：
第一辨识结果输出子模块，用于将所述有功功率、所述无功功率和所述电流谐波作为样本输入所述LSTM神经网络子模型，输出所述样本的第一辨识结果；
第二辨识结果输出子模块，用于将所述功率波形输入所述加权随机森林子模型，输出所述功率波形的第二辨识结果；
辨识结果输出子模块，用于采用预设加权软投票法融合所述第一辨识结果和所述第二辨识结果，输出所述负荷用电数据的辨识结果；
所述加权软投票法具体如下：
式中，Y为集成后的输出向量，Wi为hi的权重向量，argmax()获取向量最大元素的下标；
其中，所述预设非侵入式负荷综合辨识模型包括长短时记忆LSTM神经网络辨识子模型和加权随机森林子模型。
4.根据权利要求3所述的装置，其特征在于，所述预处理模块，包括：
预处理子模块，用于对所述负荷用电数据进行去重、插值和去噪的预处理，得到预处理数据。
5.一种负荷辨识设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-2任一项所述的负荷辨识方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-2任一项所述的负荷辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010961374.5A CN112085111B (zh) | 2020-09-14 | 2020-09-14 | 一种负荷辨识方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010961374.5A CN112085111B (zh) | 2020-09-14 | 2020-09-14 | 一种负荷辨识方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085111A CN112085111A (zh) | 2020-12-15 |
| CN112085111B true CN112085111B (zh) | 2024-01-23 |
Family
ID=73737790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010961374.5A Active CN112085111B (zh) | 2020-09-14 | 2020-09-14 | 一种负荷辨识方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085111B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610400A (zh) * | 2021-08-09 | 2021-11-05 | 山东建筑大学 | 一种用电调控系统及调控方法 |
| CN115146744B (zh) * | 2022-09-01 | 2022-12-06 | 安徽南瑞中天电力电子有限公司 | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 |
| CN117096877B (zh) * | 2023-10-19 | 2024-02-13 | 国网山西省电力公司营销服务中心 | 基于多视角的区域动态电碳数据用电分析方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
| CN107730003A (zh) * | 2017-10-23 | 2018-02-23 | 华中科技大学 | 一种支持多电器类型高精度的nilm实现方法 |
| CN109245099A (zh) * | 2018-10-29 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
| CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
| CN109657874A (zh) * | 2018-12-29 | 2019-04-19 | 安徽数升数据科技有限公司 | 一种基于长短时记忆模型的电力中长期负荷预测方法 |
| CN109934375A (zh) * | 2018-11-27 | 2019-06-25 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
| WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
| CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
| WO2019237440A1 (zh) * | 2018-06-12 | 2019-12-19 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
| CN111027591A (zh) * | 2019-11-13 | 2020-04-17 | 西安交通大学 | 一种面向大规模集群系统的节点故障预测方法 |
| CN111476298A (zh) * | 2020-04-07 | 2020-07-31 | 杭州国彪超声设备有限公司 | 一种居家办公环境下的用电负荷状态识别方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109598451B (zh) * | 2018-12-27 | 2023-01-13 | 东北大学 | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 |
| CN110490220A (zh) * | 2019-07-02 | 2019-11-22 | 中国电力科学研究院有限公司 | 一种母线负荷辨识方法和系统 |
-
2020
- 2020-09-14 CN CN202010961374.5A patent/CN112085111B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107122790A (zh) * | 2017-03-15 | 2017-09-01 | 华北电力大学 | 基于混合神经网络和集成学习的非侵入式负荷识别算法 |
| CN107730003A (zh) * | 2017-10-23 | 2018-02-23 | 华中科技大学 | 一种支持多电器类型高精度的nilm实现方法 |
| WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
| WO2019237440A1 (zh) * | 2018-06-12 | 2019-12-19 | 清华大学 | 一种分位数概率性短期电力负荷预测集成方法 |
| CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
| CN109245099A (zh) * | 2018-10-29 | 2019-01-18 | 南方电网科学研究院有限责任公司 | 一种电力负荷辨识方法、装置、设备及可读存储介质 |
| CN109934375A (zh) * | 2018-11-27 | 2019-06-25 | 电子科技大学中山学院 | 一种电力负荷预测方法 |
| CN109657874A (zh) * | 2018-12-29 | 2019-04-19 | 安徽数升数据科技有限公司 | 一种基于长短时记忆模型的电力中长期负荷预测方法 |
| CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
| CN111027591A (zh) * | 2019-11-13 | 2020-04-17 | 西安交通大学 | 一种面向大规模集群系统的节点故障预测方法 |
| CN111476298A (zh) * | 2020-04-07 | 2020-07-31 | 杭州国彪超声设备有限公司 | 一种居家办公环境下的用电负荷状态识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于Bi-LSTM 算法的非侵入式负荷监测模型;何恒靖等;《南方电网技术》;第13卷(第2期);第20-26页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085111A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112085111B (zh) | 一种负荷辨识方法和装置 | |
| CN112785016B (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
| CN112633421A (zh) | 一种用户异常用电行为检测方法及装置 | |
| CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
| CN111079861A (zh) | 一种基于图像快速处理技术的配电网电压异常诊断方法 | |
| CN111738331A (zh) | 用户分类方法及装置、计算机可读存储介质、电子设备 | |
| CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
| CN115169430A (zh) | 基于多尺度解码的云网端资源多维时间序列异常检测方法 | |
| CN112463848A (zh) | 检测用户异常行为的检测方法、系统、装置和存储介质 | |
| CN116011158A (zh) | 一种低压台区的拓扑识别方法、系统及装置 | |
| CN112486137A (zh) | 有源配电网故障特征库构建方法、系统及故障诊断方法 | |
| Chen et al. | Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform | |
| CN116467141A (zh) | 日志识别模型训练、日志聚类方法和相关系统、设备 | |
| Zhang et al. | Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| 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 | |
| CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
| Feng et al. | Spatiotemporal prediction based on feature classification for multivariate floating-point time series lossy compression | |
| CN114764599B (zh) | 一种配电网单相接地故障灵敏度分析方法和系统 | |
| CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
| CN115423370A (zh) | 一种继电保护设备健康状态评估方法及装置 | |
| CN115169405A (zh) | 基于支持向量机的酒店客房设备故障诊断方法及系统 | |
| CN115169418A (zh) | 基于改进小波阈值法的开关柜局部放电识别方法和系统 |
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 |