CN112327046B - 基于模糊聚类和支持向量回归的非侵入式负荷监测方法 - Google Patents

Abstract

本发明公开了一种基于模糊聚类和支持向量回归的非侵入式负荷监测方法，包括如下步骤：测量设定时间段内所有负荷的运行功率，提取负荷特征集；对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列；基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷；采用支持向量回归对最大贡献负荷的功率值进行估计；将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验；重复步骤2到步骤5，直到所有负荷分解完成。本发明对目前电网环境环境下的智能电表监测数据进行负荷分解，模型操作简单，在提高负荷分解准确率的同时，降低了计算成本。

Description

基于模糊聚类和支持向量回归的非侵入式负荷监测方法

技术领域

本发明属于非侵入式负荷监测技术领域，具体涉及一种基于模糊聚类和支持向量回归的非侵入式负荷监测方法。

背景技术

电力负荷监测是实现智能用电、节电的第一步工作，也是实现智能用电的重要环节。了解电能的消耗情况，才能对电力消耗数据进行分析，进而制定有效的节能措施，激发高效的用电方式。电力负荷监测对电力系统诸多问题的解决提供了重要依据，如电网调峰、负荷削峰填谷、负荷预测、负荷建模等，负荷监测是电力系统优化和管理的基础。更进一步说，为了实现智能电网的配电网重构、故障定位、分布式电源并网规划等高级功能，就需要深入用户内部，监测用户内部的负荷用电细节。通过用电细节反馈，可以实现电力部门的需求响应，达到有效的能源节省，对居民用户、电网和全社会都有重要的意义。

非侵入式负荷监测是实现电力负荷监测的重要手段，目前的研究多采用高频负荷特征，而作为智能电网主要用户量测设备，智能电表只能测量秒级以上的低频数据。利用现有的智能电网量测体系的实现方案更利于推广，但由于低频负荷特征提供的信息少，目前的负荷种类复杂，对采用低频特征的非侵入式负荷监测方法研究提出了更大的挑战。为了解决低频采样环境下将总的负荷信息分解为单独负荷信息这一关键技术问题，需要如何使硬件开销更少、监测效率更高的难点问题。

发明内容

本发明的目的是提供一种基于模糊聚类和支持向量回归的非侵入式负荷监测方法，对目前电网环境环境下的智能电表监测数据进行负荷分解，模型操作简单，在提高负荷分解准确率的同时，降低了计算成本。

为实现上述目的，本发明提供了如下方案：

一种基于模糊聚类和支持向量回归的非侵入式负荷监测方法，该方法包括如下步骤：

步骤1，测量设定时间段内所有负荷的运行功率，提取负荷特征集；

步骤2，对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列；

步骤3，基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷；

步骤4，采用支持向量回归对最大贡献负荷的功率值进行估计；

步骤5，将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验；

步骤6，重复步骤2到步骤5，直到所有负荷分解完成。

可选的，所述步骤1，测量设定时间段内所有负荷的运行功率，提取负荷特征集，具体包括：

在设定时间段T内，获取各负荷运行的功率值组成训练数据库D^T；

从训练数据库中提取每种负荷的运行曲线通过减去阈值的方式进行去噪处理后构成负荷特征集S＝{Sⁱ}。

可选的，所述步骤2，对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列，具体包括：

对监测总功率序列P中的功率值进行模糊聚类；

中心值最大的聚类中的功率值被提取后，其它值均设置为0得到待分解的总功率序列A^j。

可选的，所述步骤3，基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷，具体包括：

基于负荷特征集，提取各负荷的特征序列Sⁱ；

计算待分解的总功率序列A^j与各负荷的特征序列Sⁱ之间的距离，如下：

D(A^j,Sⁱ)＝DTW(A^j,Sⁱ)；

选取距离最短的特征序列对应的负荷作为当前最大贡献负荷。

可选的，所述步骤4，采用支持向量回归对最大贡献负荷的功率值进行估计，具体包括：

步骤4.1，将负荷特征集按照运行周期进行分割，用作功率值估计的训练数据；

步骤4.2，使用遗传算法对支持向量回归算法的c和g参数进行优化，得到优化的支持向量回归模型；

步骤4.3，使用功率做为唯一特征，采用优化的支持向量回归模型进行最大贡献负荷的功率值估计，处理为与P等长的序列A^j'。

可选的，所述步骤5，将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验，具体包括：

步骤5.1，按照下式计算不包括当前最大贡献负荷运行的新的总功率序列：

P＝P-A^j'

步骤5.2，对当前新的总功率序列进行误差校验，考虑以下三种情况：

第一，检查当前新的总功率序列，若功率值出现负值，认为有估计误差，将该值设置为前后两个功率值的平均值，并反过去调整支持向量回归算法估计的功率值；

第二，如果聚类后获得的子序列短于特征中对应负荷的子序列，认为有估计误差，将错误的聚类功率值调整为该聚类邻居的中心值，并补偿先前的功率估计；

第三，标识为同一负荷的多个同时运行状态的值被认为是估计误差，重新将最大贡献负荷识别为距离与A^j次近的负荷。

可选的，所述步骤6中，重复步骤2到步骤5，直到所有负荷分解完成，具体为：

迭代进行步骤2到步骤5的过程，直至只剩恒运行负荷为止，所述恒运行负荷指的是在运行期间功率无明显变化的负荷。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于模糊聚类和支持向量回归的非侵入式负荷监测方法，采用模糊聚类识别对功率贡献最大的负荷，支持向量回归方法可对功率贡献最大的负荷运行期间的功率值进行估计，算法提出基础是贡献最大的负荷的功率序列与监测总功率序列相似度最大，对目前电网环境环境下的智能电表监测数据进行负荷分解；可适用于时间采样间隔为1分钟的监测量功率数据的负荷分解，采样环境适应性强，硬件成本低，且能达到较高的负荷分解准确率。

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他的附图。

图1为本发明基于模糊聚类和支持向量回归的非侵入式负荷监测方法的流程图；

图2为4种典型家用负荷的监测功率值；

图3为本发明多次将功率值聚类结果的对比图；

图4为本发明使用遗传算法对支持向量回归算法的c和g参数进行优化的流程；

图5为本发明基因编码结构；

图6(a)为本发明利用AMPds2数据集中冰箱负荷估计值和测量值对比图；

图6(b)为本发明利用AMPds2数据集中空调负荷估计值和测量值对比图；

图6(c)为本发明利用AMPds2数据集中网络设备负荷估计值和测量值对比图；

图6(d)为本发明利用AMPds2数据集中熨烫机负荷估计值和测量值对比图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于模糊聚类和支持向量回归的非侵入式负荷监测方法，对目前电网环境环境下的智能电表监测数据进行负荷分解，模型操作简单，在提高负荷分解准确率的同时，降低了计算成本。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的基于模糊聚类和支持向量回归的非侵入式负荷监测方法，包括以下步骤：

步骤1，测量设定时间段内所有负荷的运行功率，提取负荷特征集；

步骤2，对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列；

步骤3，基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷；

步骤4，采用支持向量回归对最大贡献负荷的功率值进行估计；

步骤5，将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验；

步骤6，重复步骤2到步骤5，直到所有负荷分解完成。

其中，所述步骤1，测量设定时间段内所有负荷的运行功率，提取负荷特征集，具体包括：

在设定时间段T内，获取各负荷运行的功率值组成训练数据库D^T；

从训练数据库中提取每种负荷的运行曲线通过减去阈值的方式进行去噪处理后构成负荷特征集S＝{Sⁱ}，由于所选设备的最小功率大于30瓦，因此预设阈值设置为30瓦。

本实施例以公共数据集AMPds2为研究对象，选取典型的户内用电负荷熨烫机、空调、网络设备、冰箱的部分功率监测值，见图2所示，数据采样间隔为1分钟。考虑到用户习惯对特征集的影响，设定时间T至少包含一周，为了减少侵入性，确定T＝7天。

所述步骤2，对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列，具体包括：

对监测总功率序列P中的功率值进行模糊聚类；

中心值最大的聚类中的功率值被提取后，其它值均设置为0得到待分解的总功率序列A^j。

几次聚类的结果见图3，其中横坐标表示聚类得到的簇编号，功率点用小星号表示，每个簇的中心值用略大的星号表示。每次聚类的结果中，中心值最大的聚类即为当前最大贡献的负荷运行的功率值类，将其中的功率值提取后，其它值均设置为0得到总功率序列A^j。

总功率序列A^j与特征集中的特征序列Sⁱ最相似的负荷被认为是对当前总功率序列贡献最大的负荷。由于A^j和Sⁱ序列的长短不同，为了衡量两者之间的相似性，通过计算A^j和Sⁱ动态时间规整距离来判断识别当前最大贡献的用电负荷。

所述步骤3，基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷，具体包括：

基于负荷特征集，提取各负荷的特征序列Sⁱ；

计算待分解的总功率序列A^j与各负荷的特征序列Sⁱ之间的距离，如下：

D(A^j,Sⁱ)＝DTW(A^j,Sⁱ)；

选取距离最短的特征序列对应的负荷作为当前最大贡献负荷。

其中，A^j表示为A^j＝[x(1),x(2),...,x(t)]^T，Sⁱ表示为Sⁱ＝[y(1),y(2),...,y(T)]^T，A^j和Sⁱ之间的动态时间规整距离的计算方法如下：

首先，计算A^j和Sⁱ各元素之间的成对距离存储在本地成本矩阵C_t×T中，有：

C_t×T＝{C(m,n)}m＝1,2,...,t；n＝1,2,...,T

C(m,n)＝d(x(m),y(n))m＝1,2,...,t；n＝1,2,...,T

其中，C(m,n)为C_t×T中m行n列的元素，即为x(m)和y(n)之间的欧式距离，即：

d(x(m),y(n))＝|x(m)-y(n)|

其次，设A^j和Sⁱ之间从(1,1)到(m,n)的规整路径为p＝(p₁,p₂,...,p_k,...p_l)，其中p_k＝(m_k,n_k)∈{1,2,...,m}×{1,2,...,n}，边界条件约束为：

p₁＝(1,1),p_l＝(m,n)

m₁≤m₂≤...≤m_l,n₁≤n₂≤...≤n_l

p_k+1-p_k∈{(1,1),(0,1),(1,0)}

l为路径长度，则规整路径p的累积距离为：

其中，k∈{1,2,...,l},l∈[max(m,n),m+n-1]。

最后，采用下式所示的动态规划算法搜索A^j和Sⁱ之间的最佳路径，得到最短累积距离D(t,T)，得到：

DTW(A^j,Sⁱ)＝D(t,T)

即为总功率序列段A^j和Sⁱ的距离。

所述步骤4，采用支持向量回归对最大贡献负荷的功率值进行估计，具体包括：

步骤4.1，将负荷特征集按照运行周期进行分割，用作功率值估计的训练数据；

步骤4.2，使用遗传算法对支持向量回归算法的c和g参数进行优化，得到优化的支持向量回归模型，优化流程如图4所示，具体步骤如下：

首先，对c和g参数进行基因编码，基因编码结构见图5，初始化种群构建支持向量回归模型，并采用遗传算法对功率序列进行估计；

其次，通过计算估计的功率序列P与测量的真实功率序列之间的欧式距离d获得序列的估计误差Ec，即：

将序列的估计误差Ec作为适应度值，Ec越小，则参数的值越优；

最后，按照图4的流程，经过选择、交叉、变异等过程，迭代计算得到最优的c和g，进行c、g参数优化后，即可使用现成的模型进行训练和估计；

步骤4.3，使用功率做为唯一特征，采用步骤4.3得到的优化支持向量回归模型进行训练，并进行最大贡献负荷的功率值估计，得到与P等长的序列A^j'。

所述步骤5，将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验，具体包括：

步骤5.1，按照下式计算不包括当前最大贡献负荷运行的新的总功率序列：

P＝P-A^j'

步骤5.2，对当前新的总功率序列进行误差校验，考虑以下三种情况：

第一，检查当前新的总功率序列，若功率值出现负值，认为有估计误差，将该值设置为前后两个功率值的平均值，并反过去调整支持向量回归算法估计的功率值；

第二，如果聚类后获得的子序列短于特征中对应负荷的子序列，认为有估计误差，将错误的聚类功率值调整为该聚类邻居的中心值，并补偿先前的功率估计；

第三，标识为同一负荷的多个同时运行状态的值被认为是估计误差，重新将最大贡献负荷识别为距离与A^j次近的负荷。

所述步骤6中，重复步骤2到步骤5，直到所有负荷分解完成，具体为：

迭代进行步骤2到步骤5的过程，直至只剩恒运行负荷为止，所述恒运行负荷指的是在运行期间功率无明显变化的负荷。由于恒运行的负荷在运行期间功率变化不大，聚类算法只能将功率值分为2类及以上，所以当只剩恒运行负荷在运行时，该方法不再试用，只需直接估计恒运行负荷的功率值即可。本发明从AMPds数据集中选取了1周的数据用于特征集提取，1周的数据作为测试数据，4种用电负荷冰箱、空调、网络设备、熨烫机的估计值和测量值对比见图6(a)至图6(d)。

本发明提供的基于模糊聚类和支持向量回归的非侵入式负荷监测方法，采用模糊聚类识别对功率贡献最大的负荷，支持向量回归方法可对功率贡献最大的负荷运行期间的功率值进行估计，提出基础是贡献最大的负荷的功率序列与监测总功率序列相似度最大，对目前电网环境环境下的智能电表监测数据进行负荷分解；可适用于时间采样间隔为1分钟的监测量功率数据的负荷分解，采样环境适应性强，硬件成本低，且能达到较高的负荷分解准确率。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种基于模糊聚类和支持向量回归的非侵入式负荷监测方法，其特征在于，包括以下步骤：

步骤1，测量设定时间段内所有负荷的运行功率，提取负荷特征集；

步骤2，对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列；

步骤3，基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷；

步骤4，采用支持向量回归对最大贡献负荷的功率值进行估计；

步骤5，将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验；

步骤6，重复步骤2到步骤5，直到所有负荷分解完成；

所述步骤1，测量设定时间段内所有负荷的运行功率，提取负荷特征集，具体包括：

在设定时间段T内，获取各负荷运行的功率值组成训练数据库D^T；

从训练数据库中提取每种负荷的运行曲线通过减去阈值的方式进行去噪处理后构成负荷特征集S＝{Sⁱ}；

所述步骤2，对监测总功率序列中的功率值进行模糊聚类，选定中心点值最大的聚类，构建待分解的总功率序列，具体包括：

对监测总功率序列P中的功率值进行模糊聚类；

中心值最大的聚类中的功率值被提取后，其它值均设置为0得到待分解的总功率序列A^j；

所述步骤3，基于负荷特征集，提取各负荷的特征序列，比较待分解的总功率序列与各负荷的特征序列之间的距离，识别出最大贡献负荷，具体包括：

基于负荷特征集，提取各负荷的特征序列Sⁱ；

计算待分解的总功率序列A^j与各负荷的特征序列Sⁱ之间的距离，如下：

D(A^j,Sⁱ)＝DTW(A^j,Sⁱ)；

选取距离最短的特征序列对应的负荷作为当前最大贡献负荷；

所述步骤4，采用支持向量回归对最大贡献负荷的功率值进行估计，具体包括：

步骤4.1，将负荷特征集按照运行周期进行分割，用作功率值估计的训练数据；

步骤4.2，使用遗传算法对支持向量回归算法的c和g参数进行优化，得到优化的支持向量回归模型；

步骤4.3，使用功率做为唯一特征，采用优化的支持向量回归模型进行最大贡献负荷的功率值估计，处理为与P等长的序列A^j'。

2.根据权利要求1所述的基于模糊聚类和支持向量回归的非侵入式负荷监测方法，其特征在于，所述步骤5，将最大贡献负荷的功率值从原监测总功率序列中减去，并进行误差校验，具体包括：

步骤5.1，按照下式计算不包括当前最大贡献负荷运行的新的总功率序列：

P＝P-A^j'

步骤5.2，对当前新的总功率序列进行误差校验，考虑以下三种情况：

第一，检查当前新的总功率序列，若功率值出现负值，认为有估计误差，将该值设置为前后两个功率值的平均值，并反过去调整支持向量回归算法估计的功率值；

第二，如果聚类后获得的子序列短于特征中对应负荷的子序列，认为有估计误差，将错误的聚类功率值调整为该聚类邻居的中心值，并补偿先前的功率估计；

第三，标识为同一负荷的多个同时运行状态的值被认为是估计误差，重新将最大贡献负荷识别为距离与A^j次近的负荷。

3.根据权利要求1所述的基于模糊聚类和支持向量回归的非侵入式负荷监测方法，其特征在于，所述步骤6中，重复步骤2到步骤5，直到所有负荷分解完成，具体为：

迭代进行步骤2到步骤5的过程，直至只剩恒运行负荷为止，所述恒运行负荷指的是在运行期间功率无明显变化的负荷。

Images