CN112435142B - 一种用电负荷识别方法及其负荷用电设施知识库构建方法 - Google Patents

一种用电负荷识别方法及其负荷用电设施知识库构建方法 Download PDF

Info

Publication number
CN112435142B
CN112435142B CN202011492668.4A CN202011492668A CN112435142B CN 112435142 B CN112435142 B CN 112435142B CN 202011492668 A CN202011492668 A CN 202011492668A CN 112435142 B CN112435142 B CN 112435142B
Authority
CN
China
Prior art keywords
load
time
spectrogram
current
neural network
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
Application number
CN202011492668.4A
Other languages
English (en)
Other versions
CN112435142A (zh
Inventor
彭浩
江艳梅
刘琳
徐小航
张教福
曹银浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202011492668.4A priority Critical patent/CN112435142B/zh
Publication of CN112435142A publication Critical patent/CN112435142A/zh
Application granted granted Critical
Publication of CN112435142B publication Critical patent/CN112435142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Complex Calculations (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种用电负荷识别方法及其负荷用电设施知识库构建方法，包括步骤实时采集各用电负荷的时域波形测量数据，作为采集数据；使用近邻脉冲信号增强的方法，进行预处理；进行时频转换，获得负荷数据的频谱图；对转换后的频谱图进行单帧划分；把各单帧频谱图按时间序列输入深度卷积神经网络进行深度卷积和池化操作，并形成单帧频谱图的空间表征；构建时序递归神经网络；把所述单帧频谱图的空间表征，输入时序递归神经网络，形成负荷的时空表征，并输出负荷的层次化分类；利用负荷的层次化分类，实现负荷用电识别。本发明实现电器负荷用电的细粒度识别，实现了用电负荷的无叠加场景的细粒度精准识别；构建的层次化用电设备知识库。

Description

一种用电负荷识别方法及其负荷用电设施知识库构建方法
技术领域
本发明属于负荷用电管理技术领域，特别是涉及一种用电负荷识别方法及其负荷用电设施知识库构建方法。
背景技术
负荷监测与识别可以采用侵入式和非侵入式两种方式进行。侵入式负荷监测技术依靠安装在每个设备上的多个专用传感器来获取其电力消耗信息。尽管直接测量的识别精度较高，但在实际应用中，建立传感器分布式测量网络具有很大的挑战性难度较大，而且过多的人员参与测量也会造成测量误差较大。
非侵入式负荷监测(Non-Intrusive Load Monitoring，NILM)的工作原理，是在用户的电源总线处安装采集装置(一般为电表)，通过分析采集到的数据(如：电压，电流或功率)来鉴别用电器类型及其运行情况。通常，NILM系统与传统的侵入式负荷监测相比有着明显的优势：它只需要在负荷入口处测量和存储用户电力数据总数，然后由计算机软件完成对负荷数据的分解、识别和监测。现存的大量研究成果和技术主要的缺陷和不足表现在：用电负荷环境的不稳定造成监测数据采集的误差较大，不准确的负荷原始时域数据采集会造成后期特征向量的误差，影响识别精度；负荷识别方法仅能对单一类型的用电负荷进行简单的负荷监测和识别，技术的应用性差；传统NILM技术缺乏普遍性和全局最优性；设定最优特征提取器和最优分类器可能不能得到最准确的识别结果，并且设计的最优特征提取器和最优分类器也不能适合动态变化的用电负荷组合情况；分类和辨识的过程大量依赖于先验知识；在特征选择过程中，大量的时域特征信息会因为在过量降低测量数据维度的过程中丢失，从而导致了现存的非侵入式负荷识别模型精度不高，适应性差。
发明内容
为了解决上述问题，本发明提出了一种用电负荷识别方法及其负荷用电设施知识库构建方法，实现电器负荷用电的细粒度识别，实现了用电负荷的无叠加场景的细粒度精准识别；构建的层次化用电设备知识库。
为达到上述目的，本发明采用的技术方案是：一种用电负荷识别方法，包括步骤：
S10，实时采集各用电负荷的时域波形测量数据，作为采集数据；
S20，针对数据采集过程中的系统误差，使用近邻脉冲信号增强的方法，对采集数据进行预处理；
S30，对预处理后的采集数据进行时频转换，获得负荷数据的频谱图，为了避免特征量丢失的问题，使用短时傅里叶变换，把负荷波形的时域信号转换成频域信号，实现一维负荷波形数据与二维谱图形式的转换，实现感应波形到卷积输入数据的转换；能完整的保存负荷特征数据。
S40，针对负荷监测和负荷识别精度不高的问题，对转换后的频谱图进行单帧划分；
S50，把各单帧频谱图按时间序列输入深度卷积神经网络进行深度卷积和池化操作，并形成单帧频谱图的空间表征；
S60，构建时序递归神经网络；把所述单帧频谱图的空间表征，输入时序递归神经网络，形成负荷的时空表征，并输出负荷的层次化分类；
S70，利用负荷的层次化分类，实现负荷用电识别。
进一步的是，所述电负荷的时域波形测量数据为负荷的电流时域波形测量数据。考虑到实际负荷稳态或暂态电压数据的相对稳定的特性，并且考虑到负荷有功功率和无功功率的传感间接性和计算复杂性，本发明选择电流波形作为描述家用电器运行变化最直接的电气参数作为特征参数。利用电流的基波相位角是由测量时电压的起始相位所决定的，所以把电压两个过零点之间的电流数据作为一个单周期的电流数据，通过电压的波形“过零”监测的方法，收集电流变化和预测事件的发生。
进一步的是，所述电流时域波形测量数据采用在电压过零点并上升的位置开始测量电流的波形，该点的电压满足以下条件：
u(j-1)＜u(j)＜u(j+1)
|u(j)|＜|u(j-1)|
|u(j-1)|＜|u(j+1)|；
其中：u(j)为第j采样点的电压信号；
在获得一个周期内电流波形后，利用离散小波变换算法，对一个周期内电流波形进行相似性检测，捕获各个周期内电流的时序变化情况，获得电流的时域波形测量数据。
进一步的是，利用离散小波变换算法，对一个周期内电流波形进行相似性检测，捕获各个周期内电流的时序变化情况，获得电流的时域波形测量数据，包括步骤：
单个周期内两个长度不同的电流序列Ip＝{ip1，ip2，…，ipm}和Iq＝{iq1，iq2，…，iqn}，其中，ipm为电流波形的第p周期的第m个点，iqn为电流波形第q周期的第n个点；
通过离散小波变换算法的递归方法计算得到：
Figure GDA0003592027570000031
其中，d(ipm，iqn)定义的两个序列之间各点的距离d(ipm，iqn)＝(ipm，iqn)2，γ(·)是指定采样点以外的剩余采样点。以第一个采样点为例，可以建立方程
γ(ip1)＝{ip2,…ipm},γ{iq1)＝(iq2,…iqn}。
以上方法和思路的目的是为了在提取负荷特征值时减小由于电流波形的相位峰值等的偏差带来的影响负荷特征，同时该部分数据采集也是作为负荷电流的时频转换技术的数据基础和为时空卷积神经网络的输入做准备。
进一步的是，使用近邻脉冲信号对采集数据进行信号增强处理，同时结合主成分分析实现信号去噪处理，完成信号预处理。
针对数据采集过程中的不可避免的仪表误差导致被测信号产生系统误差并且对于周期采样，该误差可能是动态变化，使用近邻脉冲信号增强的方法，对采集数据进行去噪处理。该方法的思路为：通过对相邻脉冲信号的信号分量进行增强后进行脉冲信号检测，可以降低仪器误差噪声影响引起的信号脉冲的系统误差。使用主成分分析法对由几个连续负荷信号脉冲组成的信号矩阵进行分析，可以实现信号去噪。
进一步的是，对预处理后的采集数据进行时频转换，使用短时傅里叶变换，把负荷波形的时域信号转换成频域信号，实现一维负荷波形数据与二维谱图形式的转换，实现感应波形到卷积输入数据的转换，获得负荷数据的频谱图；包括步骤：
确定时变信号其局部区域正弦波的频率与相位，即把一个函数和窗函数进行相乘，然后再进行一维的傅里叶变换；
并通过窗函数的滑动得到一系列的傅里叶变化结果，将这些结果排开便得到一个二维的表象；
短时傅里叶变换的公式为：
Figure GDA0003592027570000041
其中Z(t)为源信号，g(t)为窗函数；通过傅里叶变换把一段较长时间上的负荷特征波形，划分成多个较短的段，每个段内进行傅里叶变化，最后形成该波形的傅里叶频谱图。
进一步的是，根据实际负荷频谱图的时序特性结果，对负荷特征的频谱图像进行细粒度划分，按时间序列化分成多组单帧频谱图。
进一步的是，把各单帧频谱图按时间序列输入深度卷积神经网络进行深度卷积和池化操作，并形成单帧频谱图的空间表征，包括步骤：
构建深度卷积神经网络DNN模型，该模型只实现单帧频谱图的卷积和池化操作，不进行分类操作；该模型结构包括9个卷积层和6个池化层；
通过卷积操作，使用卷积滤波器来提取负荷设施的特征，卷积之后的特征量再经过激活函数之后得到新的卷积特征量：
Figure GDA0003592027570000042
其中，K(l)＝{(u,v)∈N2|0<u<Kw,0<v<Kh}，Kw和Kh代表卷积核的尺寸，l代表层数，
Figure GDA0003592027570000043
代表卷积层的第j层的特征映射的偏移量，j(l-1)(u,v)∈K(l)是上一个特征映射的集合；
卷积操作之后使用池化层进行下采样，使用最大池化操作：
Figure GDA0003592027570000044
其中down(·)代表下采样函数；在最大池化操作模式下，使用给定尺寸和步长的卷积核对上一层卷积之后特征量进行邻域内取最大的值，并重构成新的特征量；
随后经过多次卷积和池化操作之后，进行全连接操作模块，全连接输出为：
Figure GDA0003592027570000051
其中k代表上一层神经元的数量，l代表当前层的层数，
Figure GDA0003592027570000052
代表连接当前层j和上一层i之间的权重，
Figure GDA0003592027570000053
是偏移量，f(·)是激活函数。经过上述深层卷积神经网络模型操作，单帧负荷频谱图生成了空间表征序列集合序列集合x＝{x1,x2,…xn}，n表示特征量的个数；把单帧负荷频谱图按时间序列分别输入深层卷积神经网络进行卷积操作，生成负荷频谱图的空间表征集合X＝{x1n，x2n，x3n…xmn}，m表示单帧频谱图的个数。
进一步的是，把经过深层卷积神经网络之后生成的空间表征X，分别作为时序循环神经网络的输入并构建空间特征量，形成负荷的时空表征，并输出负荷的层次化分类；
针对输入的单帧频谱图，应用长短记忆循环神经网络进行分类操作；把经过深层卷积神经网络生成的空间表征序列集合X，按时间序列输入长短记忆循环神经网络中，输出负荷的时空表征O＝{o1，o2…，ot-1，ot，ot+1，…},t表示当前时刻。
另一方面，本发明还提出了一种负荷用电设施知识库构建方法，基于所建立的用电负荷识别方法构建负荷用电设施知识库，包括步骤：
通过采集不同负荷特征的时域监测数据，利用时-频转换技术，转换成负荷的频谱图像，组成基于时间序列的负荷频谱图像特征分布图；不同的时间段对应不同的负荷形态频谱图分布，构建层次化负荷用电设施知识库。
采用本技术方案的有益效果：
本发明提出了一种基于深度学习的非侵入式用电负荷细粒度精准识别机制和负荷用电设施知识库的构建方法。该方法针对现有的非侵入式用电负荷识别技术的适用性不足和识别精准度不高的问题，利用时-频转换、深层卷积、空间池化、时序神经网络、层次化分类等技术实现家用电器负荷用电的细粒度识别，能够提高识别精度，提高识别适用范围。并构构建层次化用电设备知识库，作为实现用电负荷预测体系的数据基础。所构建的知识库不依赖于负荷先验知识，能够动态存储常用电器的负荷功率信息；实现实时监测和存储各种负荷波形图信息；实现存储同一类电器负荷的不同时间段的负荷谱域特征信息；实现部分时段内不同类型负荷的组合特征存储。
附图说明
图1为本发明的一种用电负荷识别方法及其负荷用电设施知识库构建方法流程示意图；
图2为本发明实施例中负荷的电流时域波形测量数据的获取示意图；
图3为本发明实施例中主成分分析实现信号去噪处理的示意图；
图4为本发明实施例中深度卷积神经网络的结构示意图；
图5为本发明实施例中长短记忆循环神经网络的分类操作示意图；
图6为本发明实施例中长短记忆循环神经网络的原理示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。
在本实施例中，参见图1所示，本发明提出了一种用电负荷识别方法，包括步骤：
S10,实时采集各用电负荷的时域波形测量数据，作为采集数据；
S20,针对数据采集过程中的系统误差，使用近邻脉冲信号增强的方法，对采集数据进行预处理；
S30,对预处理后的采集数据进行时频转换，获得负荷数据的频谱图，为了避免特征量丢失的问题，使用短时傅里叶变换，把负荷波形的时域信号转换成频域信号，实现一维负荷波形数据与二维谱图形式的转换，实现感应波形到卷积输入数据的转换；能完整的保存负荷特征数据。
S40,针对负荷监测和负荷识别精度不高的问题，对转换后的频谱图进行单帧划分；
S50,把各单帧频谱图按时间序列输入深度卷积神经网络进行深度卷积和池化操作，并形成单帧频谱图的空间表征；
S60，构建时序递归神经网络；把所述单帧频谱图的空间表征，输入时序递归神经网络，形成负荷的时空表征，并输出负荷的层次化分类；
S70，利用负荷的层次化分类，实现负荷用电识别。
作为上述实施例的优化方案，所述电负荷的时域波形测量数据为负荷的电流时域波形测量数据。考虑到实际负荷稳态或暂态电压数据的相对稳定的特性，并且考虑到负荷有功功率和无功功率的传感间接性和计算复杂性，本发明选择电流波形作为描述家用电器运行变化最直接的电气参数作为特征参数。利用电流的基波相位角是由测量时电压的起始相位所决定的，所以把电压两个过零点之间的电流数据作为一个单周期的电流数据，通过电压的波形“过零”监测的方法，收集电流变化和预测事件的发生。
其中，所述电流时域波形测量数据采用在电压过零点并上升的位置开始测量电流的波形，该点的电压满足以下条件：
u(j-1)＜u(j)＜u(j+1)
|u(j)|＜|u(j-1)|
|u(j-1)|＜|u(j+1)|；
其中：u(j)为第j采样点的电压信号；
在获得一个周期内电流波形后，利用离散小波变换算法，对一个周期内电流波形进行相似性检测，捕获各个周期内电流的时序变化情况，获得电流的时域波形测量数据。
其中，利用离散小波变换算法，对一个周期内电流波形进行相似性检测，捕获各个周期内电流的时序变化情况，获得电流的时域波形测量数据，包括步骤：
单个周期内两个长度不同的电流序列Ip＝{ip1，ip2，…，ipm}和Iq＝{iq1，iq2，…，iqn}，其中，ipm.为电流波形的第p周期的第m个点，iqn为电流波形第q周期的第n个点；
通过离散小波变换算法的递归方法计算得到：
Figure GDA0003592027570000071
其中，d(ipm，iqn)定义的两个序列之间各点的距离d(ipm，iqn)＝(ipm，iqn)2，γ(·)是指定采样点以外的剩余采样点。以第一个采样点为例，可以建立方程
γ(ip1)＝{ip2,…ipm},γ{iq1)＝(iq2,…iqn}。
以上方法和思路的目的是为了在提取负荷特征值时减小由于电流波形的相位峰值等的偏差带来的影响负荷特征，同时该部分数据采集也是作为负荷电流的时频转换技术的数据基础和为时空卷积神经网络的输入做准备。
作为上述实施例的优化方案，使用近邻脉冲信号对采集数据进行信号增强处理，同时结合主成分分析实现信号去噪处理，完成信号预处理。
针对数据采集过程中的不可避免的仪表误差导致被测信号产生系统误差并且对于周期采样，该误差可能是动态变化，使用近邻脉冲信号增强的方法，对采集数据进行去噪处理。该方法的思路为：通过对相邻脉冲信号的信号分量进行增强后进行脉冲信号检测，可以降低仪器误差噪声影响引起的信号脉冲的系统误差。使用主成分分析法对由几个连续负荷信号脉冲组成的信号矩阵进行分析，可以实现信号去噪。
具体过程如图2和图3所示：
图中t-1,t,t+1是三个连续的采样周期，S(t-1),S(t)和S(t+1)是三个连续序列信号的部分波形，通过使用主成分分析法对负荷的三个连续信号的部分波形的分析，为中间波形提取主成分来检测信号。数学表达式如下所示：
Figure GDA0003592027570000081
其中，
Figure GDA0003592027570000082
代表负荷时域波形的第i个采集样本的第k次采样周期，信号矩阵S，
Figure GDA0003592027570000083
和
Figure GDA0003592027570000084
是三个连续的采样周期，通过分析
Figure GDA0003592027570000085
和
Figure GDA0003592027570000086
来增强
Figure GDA0003592027570000087
的信号。L代表样本的总个数。该方法利用数值鲁棒奇异值分解(SVD)对S进行主成分分析。第一分量(或主分量)对应于较大的奇异值，包含基本采样信息，用于后续的误差点的检测。
作为上述实施例的优化方案，对预处理后的采集数据进行时频转换，使用短时傅里叶变换，把负荷波形的时域信号转换成频域信号，实现一维负荷波形数据与二维谱图形式的转换，实现感应波形到卷积输入数据的转换，获得负荷数据的频谱图；包括步骤：
确定时变信号其局部区域正弦波的频率与相位，即把一个函数和窗函数进行相乘，然后再进行一维的傅里叶变换；
并通过窗函数的滑动得到一系列的傅里叶变化结果，将这些结果排开便得到一个二维的表象；
短时傅里叶变换的公式为：
Figure GDA0003592027570000091
其中Z(t)为源信号，g(t)为窗函数；通过傅里叶变换把一段较长时间上的负荷特征波形，划分成多个较短的段，每个段内进行傅里叶变化，最后形成该波形的傅里叶频谱图。
其中，根据实际负荷频谱图的时序特性结果，对负荷特征的频谱图像进行细粒度划分，按时间序列化分成多组单帧频谱图。
作为上述实施例的优化方案，把各单帧频谱图按时间序列输入深度卷积神经网络进行深度卷积和池化操作，并形成单帧频谱图的空间表征，包括步骤：
构建深度卷积神经网络DNN模型，该模型只实现单帧频谱图的卷积和池化操作，不进行分类操作；该模型结构包括9个卷积层和6个池化层，如图4所示；
通过卷积操作，使用卷积滤波器来提取负荷设施的特征，卷积之后的特征量再经过激活函数之后得到新的卷积特征量：
Figure GDA0003592027570000092
其中，K(l)＝{(u,v)∈N2|0<u<Kw,0<v<Kh}，Kw和Kh代表卷积核的尺寸，l代表层数，
Figure GDA0003592027570000093
代表卷积层的第j层的特征映射的偏移量，j(l-1)(u,v)∈K(l)是上一个特征映射的集合；
卷积操作之后使用池化层进行下采样，使用最大池化操作：
Figure GDA0003592027570000094
其中down(·)代表下采样函数；在最大池化操作模式下，使用给定尺寸和步长的卷积核对上一层卷积之后特征量进行邻域内取最大的值，并重构成新的特征量；
随后经过多次卷积和池化操作之后，进行全连接操作模块，全连接输出为：
Figure GDA0003592027570000101
其中k代表上一层神经元的数量，l代表当前层的层数，
Figure GDA0003592027570000102
代表连接当前层j和上一层i之间的权重，
Figure GDA0003592027570000103
是偏移量，f(·)是激活函数。经过上述深层卷积神经网络模型操作，单帧负荷频谱图生成了空间表征序列集合序列集合x＝{x1,x2,…xn}，n表示特征量的个数；把单帧负荷频谱图按时间序列分别输入深层卷积神经网络进行卷积操作，生成负荷频谱图的空间表征集合X＝{x1n，x2n，x3n…xmn}，m表示单帧频谱图的个数。
作为上述实施例的优化方案，把经过深层卷积神经网络之后生成的空间表征X，分别作为时序循环神经网络的输入并构建空间特征量，形成负荷的时空表征，并输出负荷的层次化分类；
针对输入的单帧频谱图，应用长短记忆循环神经网络进行分类操作，其网络结构如图5所示：其中，每个矢量的下标c表示神经元，上标t代表t时刻，x(t)表示t时刻的输入层和前一个时刻t-1的隐藏层h(t-1)，此处的时刻由负荷频谱图的时序确定。
内部状态sc是网络的关键部件，它是已经线性激活的每个神经元的中心。sc具有固定单位权值的自连通循环边，该状态可以看作是添加或删除信息的载体。这种信息流可以被称为“门”的结构仔细地调节。门是长短记忆循环神经网络的一个特性，它能够选择性地决定应该通过哪些信息。门是由当前输入层x(t)的激活单元和前一时刻的隐含层h(t-1)确定。
遗忘门fc是长短记忆循环神经网络的第一步，用来是决定要丢弃哪些信息，fc输入前输入层x(t)和前一时刻的隐含层h(t-1)，输出0和1之间的某个值表示当前的sc的值，其中1表示完全保持这个值，0表示完全丢弃这个值。计算公式如下所示：
f(t)＝σ(WfXx(t)+WfXx(t-1)+bf)；
输入门和输入节点：下一步是决定在内部状态中存储什么新信息。包括两个部分，ic表示输入门，是一个sigmoid函数层，决定更新那个值；gc表示输入节点，是一个tanh函数层，创建候选状态向量
Figure GDA0003592027570000111
可以加入到状态中。计算公式如下所示：
i(t)＝σ(WiXx(t)+WiXh(t-1)+bi)
g(t)＝tanh(WgXx(t)+WgXh(t-1)+bg)
更新t-1时刻的状态
Figure GDA0003592027570000112
到当前状态
Figure GDA0003592027570000113
公式如下所示：
s(t)＝g(t)*i(t)+s(t-1)*f(t)
输出门oc，用来确定输出哪些信息。内部状态sc，通过一个tanh函数层，使sc值在-1和1之间，然后乘以sigmoid函数门的输出，得到剩余的状态值，公式如下所示：
o(t)＝σ(WoXx(t)+Wohh(t-1)+bo)；
h(t)＝tanh(s(t))*o(t)；
其中的w和b值分别是层权重值和偏置量。
如图6所示，针对输入的单帧频谱图，应用长短记忆循环神经网络进行分类操作；把经过深层卷积神经网络生成的空间表征序列集合X，按时间序列输入长短记忆循环神经网络中，输出负荷的时空表征O＝{o1，o2…，ot-1，ot，ot+1，…},t表示当前时刻。
具有时序特性的空间表征X作为长短记忆循环神经网络的输入层，经过循环神经网络，每个输入X对应于输出序列O中的每个时刻的输出Ot，并且每一时刻的输出都是选择和决策参考了上一时刻的状态，长短记忆循环神经网络的结构中包括输入门，遗忘门和输出门，其中遗忘门负责决定保留多少上一时刻输出的单元状态到当前时刻的单元状态；输入门负责决定保留多少当前时刻的输入到当前时刻的单元状态；输出门负责决定当前时刻的单元状态有多少输出，该门结构是实现负荷层次化分类的关键技术。该模型中添加保存机制，当有新的输入时模型首先忘记所有它认为自己不再需要的长期信息。然后，再学习新输入信息的哪部分具有使用价值，并且将它们保存到长期记忆中。将长期记忆聚焦为工作记忆。最后，模型需要学习哪一部分的长期记忆能立刻发挥作用。模型并不是始终都在使用全部的长期记忆的，它只需要学习应该集中注意力于哪部分记忆。通过该网络模型能够实现用电负荷时间序列向量输入的负荷类别的层次化分类。
为配合本发明方法的实现，基于相同的发明构思，本发明还提供了一种负荷用电设施知识库构建方法，基于所建立的用电负荷识别方法构建负荷用电设施知识库，包括步骤：
通过采集不同负荷特征的时域监测数据，利用时-频转换技术，转换成负荷的频谱图像，组成基于时间序列的负荷频谱图像特征分布图；不同的时间段对应不同的负荷形态频谱图分布，构建层次化负荷用电设施知识库。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (9)

1.一种用电负荷识别方法，其特征在于，包括步骤
S10,实时采集各用电负荷的时域波形测量数据，作为采集数据；
S20,使用近邻脉冲信号增强的方法，对采集数据进行预处理；
S30,对预处理后的采集数据进行时频转换，获得负荷数据的频谱图；
S40,对转换后的频谱图进行单帧划分；
S50,把各单帧频谱图按时间序列输入深度卷积神经网络进行深度卷积和池化操作，并形成单帧频谱图的空间表征，包括步骤：
构建深度卷积神经网络DNN模型，该模型只实现单帧频谱图的卷积和池化操作，不进行分类操作；该模型结构包括9个卷积层和6个池化层；
通过卷积操作，使用卷积滤波器来提取负荷设施的特征，卷积之后的特征量再经过激活函数之后得到新的卷积特征量：
Figure FDA0003592027560000011
其中，K(l)＝{(u,v)∈N2|0<u<Kw,0<v<Kh}，Kw和Kh代表卷积核的尺寸，l代表层数，
Figure FDA0003592027560000012
代表卷积层的第j层的特征映射的偏移量，Mj(l-1)(u,v)∈K(l)是上一个特征映射的集合；
卷积操作之后使用池化层进行下采样，使用最大池化操作：
Figure FDA0003592027560000013
其中down(·)代表下采样函数；在最大池化操作模式下，使用给定尺寸和步长的卷积核对上一层卷积之后特征量进行邻域内取最大的值，并重构成新的特征量；
随后经过多次卷积和池化操作之后，进行全连接操作模块，全连接输出为：
Figure FDA0003592027560000014
其中，k代表上一层神经元的数量，l代表当前层的层数，
Figure FDA0003592027560000015
代表连接当前层j和上一层i之间的权重，
Figure FDA0003592027560000016
是偏移量，f(·)是激活函数；经过上述深度卷积神经网络模型操作，单帧负荷频谱图生成了空间表征序列集合x＝{x1,x2,…xn}，n表示特征量的个数；把单帧负荷频谱图按时间序列分别输入深层卷积神经网络进行卷积操作，生成负荷频谱图的空间表征集合X＝{x1n，x2n，x3n…xmn}，m表示单帧频谱图的个数；
S60,构建时序递归神经网络；把所述单帧频谱图的空间表征，输入时序递归神经网络，形成负荷的时空表征，并输出负荷的层次化分类；
S70,利用负荷的层次化分类，实现负荷用电识别。
2.根据权利要求1所述的一种用电负荷识别方法，其特征在于，所述电负荷的时域波形测量数据为负荷的电流时域波形测量数据。
3.根据权利要求2所述的一种用电负荷识别方法，其特征在于，所述电流时域波形测量数据采用在电压过零点并上升的位置开始测量电流的波形，该点的电压满足以下条件：
u(j-1)＜u(j)＜u(j+1)
|u(j)|＜|u(j-1)|
|u(j-1)|＜|u(j+1)|；
其中：u(j)为第j采样点的电压信号；
在获得一个周期内电流波形后，利用离散小波变换算法，对一个周期内电流波形进行相似性检测，捕获各个周期内电流的时序变化情况，获得电流的时域波形测量数据。
4.根据权利要求3所述的一种用电负荷识别方法，其特征在于，利用离散小波变换算法，对一个周期内电流波形进行相似性检测，捕获各个周期内电流的时序变化情况，获得电流的时域波形测量数据，包括步骤：
单个周期内两个长度不同的电流序列Ip＝{ip1，ip2，…，ipm}和Iq＝{iq1，iq2，…，iqn}，其中，ipm为电流波形的第p周期的第m个点，iqn为电流波形第q周期的第n个点；
通过离散小波变换算法的递归方法计算得到：
Figure FDA0003592027560000031
其中，d(ipm，iqn)定义的两个序列之间各点的距离d(ipm，iqn)＝(ipm，iqn)2，γ(·)是指定采样点以外的剩余采样点。
5.根据权利要求1所述的一种用电负荷识别方法，其特征在于，使用近邻脉冲信号对采集数据进行信号增强处理，同时结合主成分分析实现信号去噪处理，完成信号预处理。
6.根据权利要求1所述的一种用电负荷识别方法，其特征在于，对预处理后的采集数据进行时频转换，获得负荷数据的频谱图；包括步骤：
确定时变信号其局部区域正弦波的频率与相位，即把一个函数和窗函数进行相乘，然后再进行一维的傅里叶变换；
并通过窗函数的滑动得到一系列的傅里叶变化结果，将这些结果排开便得到一个二维的表象；
短时傅里叶变换的公式为：
Figure FDA0003592027560000032
其中z(u)为源信号，g为窗函数；通过傅里叶变换把一段较长时间上的负荷特征波形，划分成多个较短的段，每个段内进行傅里叶变化，最后形成该波形的傅里叶频谱图。
7.根据权利要求1所述的一种用电负荷识别方法，其特征在于，根据实际负荷频谱图的时间特性结果，对负荷特征的频谱图像进行细粒度划分，按时间序列化分成多组单帧频谱图。
8.根据权利要求1所述的一种用电负荷识别方法，其特征在于，把经过深层卷积神经网络之后生成的空间表征X，分别作为时序循环神经网络的输入并构建空间特征量，形成负荷的时空表征，并输出负荷的层次化分类；
针对输入的单帧频谱图，应用长短记忆循环神经网络进行分类操作；把经过深层卷积神经网络生成的空间表征序列集合X，按时间序列输入长短记忆循环神经网络中，输出负荷的时空表征O＝{o1，o2…，ot-1，ot，ot+1，…},t表示当前时刻。
9.一种负荷用电设施知识库构建方法，其特征在于，基于权利要求1-8任一项所述的用电负荷识别方法来构建负荷用电设施知识库，包括步骤：
通过采集不同负荷特征的时域监测数据，利用时-频转换技术，转换成负荷的频谱图像，组成基于时间序列的负荷频谱图像特征分布图；不同的时间段对应不同的负荷形态频谱图分布，构建层次化负荷用电设施知识库。
CN202011492668.4A 2020-12-16 2020-12-16 一种用电负荷识别方法及其负荷用电设施知识库构建方法 Active CN112435142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011492668.4A CN112435142B (zh) 2020-12-16 2020-12-16 一种用电负荷识别方法及其负荷用电设施知识库构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011492668.4A CN112435142B (zh) 2020-12-16 2020-12-16 一种用电负荷识别方法及其负荷用电设施知识库构建方法

Publications (2)

Publication Number Publication Date
CN112435142A CN112435142A (zh) 2021-03-02
CN112435142B true CN112435142B (zh) 2022-05-20

Family

ID=74691525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011492668.4A Active CN112435142B (zh) 2020-12-16 2020-12-16 一种用电负荷识别方法及其负荷用电设施知识库构建方法

Country Status (1)

Country Link
CN (1) CN112435142B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989133B (zh) * 2021-03-29 2022-10-04 广州水沐青华科技有限公司 一种电器设备的图数据建模电力指纹识别方法、存储介质及系统
CN113807225A (zh) * 2021-09-07 2021-12-17 中国海洋大学 一种基于特征融合的负荷识别方法
CN114511007B (zh) * 2022-01-17 2022-12-09 上海梦象智能科技有限公司 一种基于多尺度特征感知的非侵入式电气指纹识别方法
TWI800365B (zh) * 2022-04-29 2023-04-21 華碩電腦股份有限公司 電源供應器的健康檢測系統及其檢測方法
CN116995700B (zh) * 2023-09-27 2024-01-23 国网北京市电力公司 一种基于快速傅里叶变换的分级源荷匹配方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5794008A (en) * 1996-02-28 1998-08-11 Raytheon Company Electrical network modeling tool and analyzer
CN107122790B (zh) * 2017-03-15 2021-06-11 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
CN110443302B (zh) * 2019-08-02 2023-06-09 天津相和电气科技有限公司 基于特征融合与深度学习的负荷辨识方法及其应用
CN111242276B (zh) * 2019-12-27 2023-08-25 国网山西省电力公司大同供电公司 一种用于负荷电流信号识别的一维卷积神经网络构建方法

Also Published As

Publication number Publication date
CN112435142A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
CN112435142B (zh) 一种用电负荷识别方法及其负荷用电设施知识库构建方法
CN110020623B (zh) 基于条件变分自编码器的人体活动识别系统及方法
Jain et al. Harmonics estimation in emerging power system: Key issues and challenges
Zhou et al. Sequence-to-sequence load disaggregation using multiscale residual neural network
CN113807225A (zh) 一种基于特征融合的负荷识别方法
Kao et al. Anomaly detection for univariate time series with statistics and deep learning
CN114169645A (zh) 一种智能电网短期负荷预测方法
Bhalaji Cloud load estimation with deep logarithmic network for workload and time series optimization
CN113920375A (zh) 基于Faster R-CNN与SVM结合的融合特征典型负荷识别方法及系统
Xu et al. Match-extracting chirplet transform with application to bearing fault diagnosis
Liu et al. A multidimensional feature-driven ensemble model for accurate classification of complex power quality disturbance
Han et al. Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing
Lee et al. Online power quality disturbance classification with recurrent neural network
Schirmer et al. Device and time invariant features for transferable non-intrusive load monitoring
CN110866840A (zh) 基于知识图谱的电力负荷特征量训练的数据库建模方法
Monteiro et al. Power quality disturbances diagnosis: A 2D densely connected convolutional network framework
CN116628620A (zh) 一种非侵入式负荷识别计算方法
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
CN116737943A (zh) 面向新闻领域的时序知识图谱链路预测方法
Miyano Time series analysis of complex dynamical behavior contaminated with observational noise
Ganesan et al. A deep learning approach to fault detection in a satellite power system using Gramian angular field
Reaz et al. VHDL modeling for classification of power quality disturbance employing wavelet transform, artificial neural network and fuzzy logic
CN113362853B (zh) 一种基于lstm网络emd端点效应抑制方法
Khetarpal et al. Power quality disturbance signal segmentation and classification based on modified BI‐LSTM with double attention mechanism
CN113657149A (zh) 一种基于深度学习的电能质量分析与识别方法

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