CN112465268A - 一种在线家庭负荷用电组合识别与耗电预测的方法 - Google Patents

一种在线家庭负荷用电组合识别与耗电预测的方法 Download PDF

Info

Publication number
CN112465268A
CN112465268A CN202011487889.2A CN202011487889A CN112465268A CN 112465268 A CN112465268 A CN 112465268A CN 202011487889 A CN202011487889 A CN 202011487889A CN 112465268 A CN112465268 A CN 112465268A
Authority
CN
China
Prior art keywords
load
power consumption
time
prediction
household
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
Application number
CN202011487889.2A
Other languages
English (en)
Other versions
CN112465268B (zh
Inventor
彭浩
江艳梅
刘琳
黄子航
杨采薇
徐小航
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 CN202011487889.2A priority Critical patent/CN112465268B/zh
Publication of CN112465268A publication Critical patent/CN112465268A/zh
Application granted granted Critical
Publication of CN112465268B publication Critical patent/CN112465268B/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computer Hardware Design (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种在线家庭负荷用电组合识别与耗电预测的方法，利用时‑频转换技术把负荷特征数据的时域信号转换成频谱图像，结合深度学习、强化学习、结构牵引与算法优化等技术实现家庭负荷用电组合在线的精准识别；针对家庭用电负荷的耗电量预测，依据用户用电监测数据的周期性和时序特征，对用电负荷的耗电量进行实时监测并预测未来用户的耗电量情况和用电行为趋势。实现家庭负荷用电组合在线的精准识别，对用电负荷的耗电量进行实时监测并预测未来用户的耗电量情况和用电行为趋势；能广泛的应用于家庭用电负荷组合在线场景的精准组合预测。

Description

一种在线家庭负荷用电组合识别与耗电预测的方法
技术领域
本发明属于家庭用电技术领域，特别是涉及一种在线家庭负荷用电组合识别与耗电预测的方法。
背景技术
现有的针对家庭负荷用电组合识别与耗电预测的方法主要存在的技术问题是：实际家用负荷种类繁多，工作状态复杂多样，现有的负荷采集技术进行在线数据采集误差大，并且数据在降维过程中易造成原始信号特征量的丢失；使用数学优化的方法，需要预先确定聚类数目，对先验证知识的依赖性大，计算量大；传统的人工神经网络算法识别准确率较高，但其可扩展性弱，切收敛性差，易陷入局部最优；在负荷特征提取的过程中仅仅采集单一的特征信息，不能实时捕获到家用负荷组合的开、关等瞬时过程的变化；用电量预测方法大多是在单一时间尺度上进行分析，该方法只适用于模拟短期依赖，而对于长期的趋势性与周期性缺乏对应的解决方法。
发明内容
为了解决上述问题，本发明提出了一种在线家庭负荷用电组合识别与耗电预测的方法，实现家庭负荷用电组合在线的精准识别，对用电负荷的耗电量进行实时监测并预测未来用户的耗电量情况和用电行为趋势；能广泛的应用于家庭用电负荷组合在线场景的精准组合预测。
为达到上述目的，本发明采用的技术方案是：一种在线家庭负荷用电组合识别与耗电预测的方法，包括步骤：
S10,通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率和总电流的监测数据的时域信号；
S20,利用傅里叶变换和拉普拉多变换，对负荷特征波形的时域信号进行动态时频转换，获得采用负荷特征时域信号的频谱图像，根据所有数据的频谱图像获取总负荷数据；
S30.对所述总负荷数据，通过提取基于时间周期的各用电负荷的特征向量，结合基于负荷设备的时空卷积神经模型和用电负荷知识库，并利用强化学习蒙特卡洛树搜索组合预测算法对在线负荷设备进行组合识别；
S40,针对用电负荷的在线耗电预测，通过构建多阶段数据和行为特征融合表征的时序预测模型，实现家庭耗电量的短、中周期准确预测；
S50,针对家庭用电负荷的持续性和周期性特点，结合强化学习蒙特卡洛树搜索组合预测算法和多阶段用户负荷数据和行为特征融合表征的时序预测模型构建家庭负荷用电终身学习与预测模型，实现家庭负荷用电终身学习与预测模式。
进一步的是，通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率或是总电流的监测数据的时域信号，所采用的方法是：将某个独立负荷从关闭状态变为开启状态、从开启到关闭或是同一负荷工作档位的切换操作都定义为电器事件，当电路中有电器事件发生时，根据设定采样频率对电流与电压采样进行事件检测，并记录所设定的采样时长下的电压、电流时域波形。采样时长优选为2s。
进一步的是，基于时序特征的用电负荷总功率和总电流的监测数据的时域信号，表示为：
F(X，t)＝F1(X1，t)+F2(X2，t)+F3(X3，t)+…Fn(Xn，t)，n∈(1，2，3…)；
其中，F1，F2，F3，…，Fn表示负荷设备，X1，X2，X3，…，Xn表示负荷设备的工作状态，所述工作状态包括稳态和暂态。
进一步的是，为了去除噪声并保证得到的激活信号是一个大小为Ts的完整周期，本发明提出了一种信号预处理方法，这是一种基于工程知识的经验方法，即激活电流应至少有两次过零。对所采集的时域信号进行预处理，包括步骤：
采样电压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。
采集到的混合电流信号由N类用电设备电流信号的线性叠加组合；
负荷组合总电流的表示为：
Figure BDA0002839858070000031
其中：fi，j表示负荷i、特征值j的数据值；θj(t)为有K个负荷同时在t时刻工作的特征值j的数值之和,fi，j为在(t+Δt)时刻工作的负荷l、特征值j的数值，如果该值满足上式，则fi，j就满足特征值的可加性准则；
负荷组合总功率的表示为：
Figure BDA0002839858070000032
其中，PL(t)∈R表示t时刻的负荷有功总功率；Pi，m(t)∈R表示负荷i在t时刻处于状态m时的有功功率；Si，m(t)是布尔型变量，表示负荷i的工作状态，Si，m(t)＝1表示负荷i在时刻t处于状态m；m＝1表示停机状态；N表示负荷总数；M(i)，表示负荷i的工作状态总数，M(I)∈{2，3，4，…}；e(t)表示噪声或误差。
进一步的是，在步骤S30中，所述用电负荷知识库，存储家庭用电负荷单电器设备稳态工作时各时间段的电流和功率的时域波形和频谱图，作为在线负荷组合识别的参考数据。
进一步的是，在步骤S30中，构建强化学习蒙特卡洛树搜索组合预测模型，实现家用电器负荷组合识别，包括步骤：利用强化学习蒙特卡洛树搜索作为决策算法，通过迭代，每次迭代操作都包括选择、扩展、模拟和结果回传四个部分；
所述选择，是从根结点开始，根据树的遍历操作函数，搜索到叶子结点；
所述扩展，对叶子结点扩展一个或多个合法的子节点；
所述模拟，对子结点采用随机的方式模拟若干次实验，模拟到最终状态时即可得到当前模拟器所得的分；
所述结果回传，根据子结点若干次模拟的得分，更新当前子结点的模拟次数与得分值，同时将模拟次数与得分值回传到其所有祖先结点并更新祖先结点。
进一步的是，所述树的遍历操作函数为：
Figure BDA0002839858070000041
其中，
Figure BDA0002839858070000042
表示Si转态的平均值，N树的总结点个数为，ni为任意结点。
进一步的是，在步骤S30中，把用总负荷数据输入强化学习蒙特卡洛树搜索组合预测模型；
设置迭代次数i，进行迭代：判断该输入状态集合的当前状态，利用选择的遍历操作函数进行动作的选择，确定下一步动作A_i；进入下一个状态的判断，如果该状态是单一负荷则进行仿真操作，如果不是则再判断该输入状态集合的当前状态，直到为单一负荷状态未知，并进行反向传播，更新路径上每个结点，形成树搜索，利用树搜索来决定初始状态该选取哪个动作，并得到下一个状态。该模型和负荷知识库相结合，实现在线家庭负荷用电组合识别。
进一步的是，在所述步骤S40中,通过构建多阶段数据和行为特征融合表征的时序预测模型,包括步骤：考虑用户用电行为的多阶段性，通过采集以日、周和月为单位的负荷特征数据，利用时间递归神经网络，使用采集的大量多阶段数据对基于时间递归神经网络的预测模型进行训练，并使用实时监测数据，实现在线家庭用户每日、周和月的耗电情况的预测；该模型通过不同的权重系数xd、xw和xm的设置，构建用户多阶段数据和行为融合表征的时序预测模型，实现家庭短、中周期用电量的精准预测。
进一步的是，在所述步骤S50中,构建家庭负荷用电终身学习与预测模型，结合强化学习蒙特卡洛树搜索的组合预测模型，多阶段数据和行为特征融合表征的时序预测模型，实现基于家庭用户用电负荷在线组合识别和耗电量在线预测机制，同时实现耗电量的预测；针对家庭用户负荷具有时序性的特征，利用强化学习蒙特卡洛树搜索的组合预测模型实现在线家庭负荷组合识别，利用多阶段数据和行为特征融合表征的时序预测模型实现在线设备耗电量的预测。
采用本技术方案的有益效果：
本发明所提出的的方法针对用电负荷特征数据监测中时域信号进行降维操作的过程中，特征量易丢失的现象，利用时-频转换技术把负荷特征数据的时域信号转换成频谱图像，该技术可以实现负荷信号的动态时-频转换；针对在线家庭用电负荷组合的识别，结合深度学习、强化学习、结构牵引与算法优化等技术实现家庭负荷用电组合在线的精准识别；针对家庭用电负荷的耗电量预测，提出结合外部因素如：天气、节假日、气温等对用户用电行为有影响的外部因素，依据用户用电监测数据的周期性和时序特征，对用电负荷的耗电量进行实时监测并预测未来用户的耗电量情况和用电行为趋势。针对现存的家庭用电负荷的耗电量预测方法只针对单一时间尺度用电需求进行分析和预测，较少地考虑到不同时序用电量之间的依赖关系，本发明通过对家庭用户用电量的长期性趋势特征、短期性连续特征以及周期性特征进行捕获，构建基于家庭用电规律的知识图谱，该图谱能详细的记录用户的耗电情况和用电行为，并通过构建用电负荷时序特征的加权融合模型，提高该融合模型的预测准确率和模型的泛化能力。该发明能广泛的应用于家庭用电负荷组合在线场景的精准组合预测。本方法适用范围更广泛并且在线组合识别精度更高，所提出的发明方法在家庭能源管理中有显著的识别和预测效果。
附图说明
图1为本发明的一种在线家庭负荷用电组合识别与耗电预测的方法流程示意图；
图2为本发明实施例中选择、扩展的原理流程图；
图3为本发明实施例中强化学习蒙特卡洛树搜索的组合预测模型结构图；
图4为本发明实施例中家庭负荷用电终身学习与预测的模式的流程图；
图5为本发明实施例中时间递归神经网络结构图。
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，本发明提出了一种在线家庭负荷用电组合识别与耗电预测的方法，包括步骤：
S10,通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率和总电流的监测数据的时域信号；
S20,利用傅里叶变换和拉普拉多变换，对负荷特征波形的时域信号进行动态时频转换，获得采用负荷特征时域信号的频谱图像，根据所有数据的频谱图像获取总负荷数据；
S30.对所述总负荷数据，通过提取基于时间周期的各用电负荷的特征向量，结合基于负荷设备的时空卷积神经模型和用电负荷知识库，并利用强化学习蒙特卡洛树搜索组合预测算法对在线负荷设备进行组合识别；
S40,针对用电负荷的在线耗电预测，通过构建多阶段数据和行为特征融合表征的时序预测模型，实现家庭耗电量的短、中周期准确预测；
S50,针对家庭用电负荷的持续性和周期性特点，结合强化学习蒙特卡洛树搜索组合预测算法和多阶段用户负荷数据和行为特征融合表征的时序预测模型构建家庭负荷用电终身学习与预测模型，实现家庭负荷用电终身学习与预测模式。
作为上述实施例的优化方案1，通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率或是总电流的监测数据的时域信号，所采用的方法是：将某个独立负荷从关闭状态变为开启状态、从开启到关闭或是同一负荷工作档位的切换操作都定义为电器事件，当电路中有电器事件发生时，根据设定采样频率对电流与电压采样进行事件检测，并记录所设定的采样时长下的电压、电流时域波形。采样时长优选为2s。
其中，基于时序特征的用电负荷总功率和总电流的监测数据的时域信号，表示为：
F(X，t)＝F1(X1，t)+F2(X2，t)+F3(X3，t)+…Fn(Xn，t)，n∈(1，2，3…)；
其中，F1，F2，F3，…，Fn表示负荷设备，X1，X2，X3，…，Xn表示负荷设备的工作状态，所述工作状态包括稳态和暂态。
作为上述实施例的优化方案，为了去除噪声并保证得到的激活信号是一个大小为Ts的完整周期，本发明提出了一种信号预处理方法，这是一种基于工程知识的经验方法，即激活电流应至少有两次过零。对所采集的时域信号进行预处理，包括步骤：
采样电压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。
采集到的混合电流信号由N类用电设备电流信号的线性叠加组合；
负荷组合总电流的表示为：
Figure BDA0002839858070000071
其中：fi，j表示负荷i、特征值j的数据值；θj(t)为有K个负荷同时在t时刻工作的特征值j的数值之和,fl，j为在(t+Δt)时刻工作的负荷l、特征值j的数值，入户该值满足上式，则fi，j就满足特征值的可加性准则；
负荷组合总功率的表示为：
Figure BDA0002839858070000072
其中，PL(t)∈R表示t时刻的负荷有功总功率；Pi，m(t)∈R表示负荷i在t时刻处于状态m时的有功功率；Si，m(t)是布尔型变量，表示负荷i的工作状态，Si，m(t)＝1表示负荷i在时刻t处于状态m；m＝1表示停机状态；N表示负荷总数；M(i)，表示负荷i的工作状态总数，M(I)∈{2，3，4，…}；e(t)表示噪声或误差。
作为上述实施例的优化方案2，在步骤S30中，所述用电负荷知识库，存储家庭用电负荷单电器设备稳态工作时各时间段的电流和功率的时域波形和频谱图，作为在线负荷组合识别的参考数据。
在步骤S30中，构建强化学习蒙特卡洛树搜索组合预测模型，实现家用电器负荷组合识别，包括步骤：利用强化学习蒙特卡洛树搜索作为决策算法，通过迭代，每次迭代操作都包括选择、扩展、模拟和结果回传四个部分，如图2和图3所示；
所述选择，是从根结点开始，根据树的遍历操作函数，搜索到叶子结点；
所述扩展，对叶子结点扩展一个或多个合法的子节点；
所述模拟，对子结点采用随机的方式模拟若干次实验，模拟到最终状态时即可得到当前模拟器所得的分；
所述结果回传，根据子结点若干次模拟的得分，更新当前子结点的模拟次数与得分值，同时将模拟次数与得分值回传到其所有祖先结点并更新祖先结点。
其中，所述树的遍历操作函数为：
Figure BDA0002839858070000081
其中，
Figure BDA0002839858070000082
表示Si转态的平均值，N树的总结点个数为，ni为任意结点。
如图3所示；其中S_i表示状态，W_i表示总的值，N_i表示被访问的次数，A_i表示动作。开始迭代时从状态S_0开始，要在A_1，A_2和A_3三个动作之间进行选择，选择的标准是UCB1(Si)，选择值最大的，达到状态S_1，按照步骤1，,2的流程图，判断目前的结点S_1是不是叶子结点，即没有被展开过。再判断结点S_1被访问的系数是否为0，如果是0就开始进行仿真。最终得到一个值value。反向传播是用得到的value来更新路径上的每个结点的W和N的值。
在步骤S30中，把用总负荷数据输入强化学习蒙特卡洛树搜索组合预测模型；设置迭代次数i，进行迭代：判断该输入状态集合的当前状态，利用选择的遍历操作函数进行动作的选择，确定下一步动作A_i；进入下一个状态的判断，如果该状态是单一负荷则进行仿真操作，如果不是则再判断该输入状态集合的当前状态，直到为单一负荷状态未知，并进行反向传播，更新路径上每个结点，形成树搜索，利用树搜索来决定初始状态该选取哪个动作，并得到下一个状态。该模型和负荷知识库相结合，实现在线家庭负荷用电组合识别。
作为上述实施例的优化方案3，在所述步骤S40中,通过构建多阶段数据和行为特征融合表征的时序预测模型,包括步骤：考虑用户用电行为的多阶段性，通过采集以日、周和月为单位的负荷特征数据，利用时间递归神经网络，使用采集的大量多阶段数据对基于时间递归神经网络的预测模型进行训练，并使用实时监测数据，实现在线家庭用户每日、周和月的耗电情况的预测；该模型通过不同的权重系数xd、xw和xm的设置，构建用户多阶段数据和行为融合表征的时序预测模型，实现家庭短、中周期用电量的精准预测。
时间递归神经网络结构图如图5所示：
其中，xt表示t时刻的输入，ht表示t时刻的隐层状态。
时间递归神经网络前向传播过程的参数设置如下所示：
输入门：it＝σ(Wi·[yt-1，xt]+bi)；
输出门：ot＝σ(Wo·[yt-1，xt]+bo)；
遗忘门：ft＝σ(Wf·[yt-1，xt]+bf)；
其中：σ为激活函数，它使得遗忘门的输出在[0,1]之间。遗忘门输出为1代表将上一状态信息全部保留，输出为0代表将上一状态信息全部丢弃。
根据xt和yt-1可以计算t时刻神经元的候选状态值：
Figure BDA0002839858070000091
由ft和it决定上一时刻状态值St-1和候选状态值
Figure BDA0002839858070000092
在新状态值St中所占的比例：
Figure BDA0002839858070000093
最后t时刻的输出值为：yt＝ot tanh(St)。
作为上述实施例的优化方案4，如图4所示，MCTS-CP表示，强化学习蒙特卡洛树搜索的组合预测模型，MDB-FFP表示用户多阶段数据和行为特征融合表征的时序预测模型，Task(t)和Task(t+1)表示，用户负荷数据具有时序特征。在所述步骤S50中,构建家庭负荷用电终身学习与预测模型，结合强化学习蒙特卡洛树搜索的组合预测模型，多阶段数据和行为特征融合表征的时序预测模型，实现基于家庭用户用电负荷在线组合识别和耗电量在线预测机制，同时实现耗电量的预测；针对家庭用户负荷具有时序性的特征，利用强化学习蒙特卡洛树搜索的组合预测模型实现在线家庭负荷组合识别，利用多阶段数据和行为特征融合表征的时序预测模型实现在线设备耗电量的预测。
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 (10)

1.一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，包括步骤：
S10，通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率和总电流的监测数据的时域信号；
S20，利用傅里叶变换和拉普拉多变换，对负荷特征波形的时域信号进行动态时频转换，获得采用负荷特征时域信号的频谱图像，根据所有数据的频谱图像获取总负荷数据；
S30.对所述总负荷数据，通过提取基于时间周期的各用电负荷的特征向量，结合基于负荷设备的时空卷积神经模型和用电负荷知识库，并利用强化学习蒙特卡洛树搜索组合预测算法对在线负荷设备进行组合识别；
S40，针对用电负荷的在线耗电预测，通过构建多阶段数据和行为特征融合表征的时序预测模型，实现家庭耗电量的短、中周期准确预测；
S50，针对家庭用电负荷的持续性和周期性特点，结合强化学习蒙特卡洛树搜索组合预测算法和多阶段用户负荷数据和行为特征融合表征的时序预测模型构建家庭负荷用电终身学习与预测模型，实现家庭负荷用电终身学习与预测模式。
2.根据权利要求1所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率或是总电流的监测数据的时域信号，所采用的方法是：将某个独立负荷从关闭状态变为开启状态、从开启到关闭或是同一负荷工作档位的切换操作都定义为电器事件，当电路中有电器事件发生时，根据设定采样频率对电流与电压采样进行事件检测，并记录所设定的采样时长下的电压、电流时域波形。
3.根据权利要求2所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，基于时序特征的用电负荷总功率和总电流的监测数据的时域信号，表示为：
F(X，t)＝F1(X1，t)+F2(X2，t)+F3(X3，t)+…Fn(Xn，t)，n∈(1，2，3…)；
其中，F1，F2，F3，…，Fn表示负荷设备，X1，X2，X3，…，Xn表示负荷设备的工作状态，所述工作状态包括稳态和暂态。
4.根据权利要求1-3任一所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，对所采集的时域信号进行预处理，包括步骤：
采样电压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。
采集到的混合电流信号由N类用电设备电流信号的线性叠加组合；
负荷组合总电流的表示为：
Figure FDA0002839858060000021
其中：fi，j表示负荷i、特征值j的数据值；θj(t)为有K个负荷同时在t时刻工作的特征值j的数值之和，fl，j为在(t+Δt)时刻工作的负荷I、特征值j的数值；
负荷组合总功率的表示为：
Figure FDA0002839858060000022
其中，PL(t)∈R表示t时刻的负荷有功总功率；Pi，m(t)∈R表示负荷i在t时刻处于状态m时的有功功率；Si，m(t)是布尔型变量，表示负荷i的工作状态，Si，m(t)＝1表示负荷i在时刻t处于状态m；m＝1表示停机状态；N表示负荷总数；M(i)，表示负荷i的工作状态总数，M(I)∈{2，3，4，…}；e(t)表示噪声或误差。
5.根据权利要求1所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，在步骤S30中，所述用电负荷知识库，存储家庭用电负荷单电器设备稳态工作时各时间段的电流和功率的时域波形和频谱图，作为在线负荷组合识别的参考数据。
6.根据权利要求1所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，在步骤S30中，构建强化学习蒙特卡洛树搜索细合预测模型，实现家用电器负荷组合识别，包括步骤：利用强化学习蒙特卡洛树搜索作为决策算法，通过迭代，每次迭代操作都包括选择、扩展、模拟和结果回传四个部分；
所述选择，是从根结点开始，根据树的遍历操作函数，搜索到叶子结点；
所述扩展，对叶子结点扩展一个或多个合法的子节点；
所述模拟，对子结点采用随机的方式模拟若干次实验，模拟到最终状态时即可得到当前模拟器所得的分；
所述结果回传，根据子结点若干次模拟的得分，更新当前子结点的模拟次数与得分值，同时将模拟次数与得分值回传到其所有祖先结点并更新祖先结点。
7.根据权利要求6所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，所述树的遍历操作函数为：
Figure FDA0002839858060000031
其中，
Figure FDA0002839858060000032
表示Si转态的平均值，N树的总结点个数为，ni为任意结点。
8.根据权利要求7所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，在步骤S30中，把用总负荷数据输入强化学习蒙特卡洛树搜索组合预测模型；
设置迭代次数i，进行迭代：判断该输入状态集合的当前状态，利用选择的遍历操作函数进行动作的选择，确定下一步动作A_i；进入下一个状态的判断，如果该状态是单一负荷则进行仿真操作，如果不是则再判断该输入状态集合的当前状态，直到为单一负荷状态未知，并进行反向传播，更新路径上每个结点，形成树搜索，利用树搜索来决定初始状态该选取哪个动作，并得到下一个状态。
9.根据权利要求1所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，在所述步骤S40中，通过构建多阶段数据和行为特征融合表征的时序预测模型，包括步骤：考虑用户用电行为的多阶段性，通过采集以日、周和月为单位的负荷特征数据，利用时间递归神经网络，使用采集的大量多阶段数据对基于时间递归神经网络的预测模型进行训练，并使用实时监测数据，实现在线家庭用户每日、周和月的耗电情况的预测；该模型通过不同的权重系数xd、xw和xm的设置，构建用户多阶段数据和行为融合表征的时序预测模型，实现家庭短、中周期用电量的精准预测。
10.根据权利要求1所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，在所述步骤S50中，构建家庭负荷用电终身学习与预测模型，结合强化学习蒙特卡洛树搜索的组合预测模型，多阶段数据和行为特征融合表征的时序预测模型，实现基于家庭用户用电负荷在线组合识别和耗电量在线预测机制，同时实现耗电量的预测；针对家庭用户负荷具有时序性的特征，利用强化学习蒙特卡洛树搜索的组合预测模型实现在线家庭负荷组合识别，利用多阶段数据和行为特征融合表征的时序预测模型实现在线设备耗电量的预测。
CN202011487889.2A 2020-12-16 2020-12-16 一种在线家庭负荷用电组合识别与耗电预测的方法 Active CN112465268B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011487889.2A CN112465268B (zh) 2020-12-16 2020-12-16 一种在线家庭负荷用电组合识别与耗电预测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011487889.2A CN112465268B (zh) 2020-12-16 2020-12-16 一种在线家庭负荷用电组合识别与耗电预测的方法

Publications (2)

Publication Number Publication Date
CN112465268A true CN112465268A (zh) 2021-03-09
CN112465268B CN112465268B (zh) 2022-04-26

Family

ID=74804370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011487889.2A Active CN112465268B (zh) 2020-12-16 2020-12-16 一种在线家庭负荷用电组合识别与耗电预测的方法

Country Status (1)

Country Link
CN (1) CN112465268B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118709871A (zh) * 2024-08-30 2024-09-27 国网福建省电力有限公司营销服务中心 基于知识图谱检索增强生成的用户级电量预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2156203A1 (en) * 2007-06-08 2010-02-24 ABB Research LTD Method and device to predict a state of a power system in the time domain
CN109387712A (zh) * 2018-10-09 2019-02-26 厦门理工学院 基于状态矩阵决策树的非侵入式负荷检测与分解方法
CN110956220A (zh) * 2019-12-11 2020-04-03 深圳市活力天汇科技股份有限公司 一种非侵入式家用电器负荷识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2156203A1 (en) * 2007-06-08 2010-02-24 ABB Research LTD Method and device to predict a state of a power system in the time domain
CN109387712A (zh) * 2018-10-09 2019-02-26 厦门理工学院 基于状态矩阵决策树的非侵入式负荷检测与分解方法
CN110956220A (zh) * 2019-12-11 2020-04-03 深圳市活力天汇科技股份有限公司 一种非侵入式家用电器负荷识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张健等: "基于蒙特卡洛法的用户负荷模拟及配电台区负荷预测方法", 《农村电气化》 *
邰能灵等: "基于小波分析的电力系统短期负荷预测方法", 《中国电机工程学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118709871A (zh) * 2024-08-30 2024-09-27 国网福建省电力有限公司营销服务中心 基于知识图谱检索增强生成的用户级电量预测方法及系统

Also Published As

Publication number Publication date
CN112465268B (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
Angelis et al. NILM applications: Literature review of learning approaches, recent developments and challenges
Çimen et al. A microgrid energy management system based on non-intrusive load monitoring via multitask learning
Kong et al. A practical solution for non-intrusive type II load monitoring based on deep learning and post-processing
Lin et al. Non-intrusive residential electricity load decomposition via low-resource model transferring
Mueller et al. Accurate energy use estimation for nonintrusive load monitoring in systems of known devices
CN112350876A (zh) 一种基于图神经网络的网络流量预测方法
Liu et al. SAMNet: Toward latency-free non-intrusive load monitoring via multi-task deep learning
US20230324860A1 (en) Estimating Energy Consumption for a Building Using Dilated Convolutional Neural Networks
Xiyun et al. Wind power probability interval prediction based on bootstrap quantile regression method
Dejamkhooy et al. Non–intrusive appliance load disaggregation in smart homes using hybrid constrained particle swarm optimization and factorial hidden markov model
CN115130764A (zh) 基于状态评估的配电网态势预测方法及系统
CN110837934B (zh) 一种基于深度学习的智能电网短期住宅负荷预测方法
CN112465268B (zh) 一种在线家庭负荷用电组合识别与耗电预测的方法
Ahmad et al. Efficient energy planning with decomposition-based evolutionary neural networks
Ebrahim et al. Energy disaggregation based deep learning techniques: A pre-processing stage to enhance the household load forecasting
Liu et al. A single-to-multi network for latency-free non-intrusive load monitoring
Xu et al. Short-term wind speed prediction based on GRU
Liu et al. Learning task-aware energy disaggregation: a federated approach
CN111784019A (zh) 电力负荷处理方法和装置
CN114330642A (zh) 一种用于多采样时间的建筑电力负荷预测方法
Wang et al. A transformer-based multi-entity load forecasting method for integrated energy systems
Rocher et al. A possibilistic i/o hidden semi-markov model for assessing cyber-physical systems effectiveness
CN113094931B (zh) 一种非侵入式负荷分解方法、装置及设备
Krull et al. Testing applicability of virtual stochastic sensors for non-intrusive appliance load monitoring
Nashrullah et al. Performance evaluation of superstate hmm with median filter for appliance energy disaggregation

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