CN112636328A - 一种中压配电网设备负荷状态辨识方法 - Google Patents

Abstract

本发明公开一种中压配电网设备负荷状态辨识方法，包括：S1.选取用于表征待辨识设备负荷状态的状态特征；S2.获取待辨识设备在辨识测量点处的用电数据并进行特征提取，得到多维特征序列；S3.将状态特征分别与提取的各特征序列进行差分计算，得到差分后特征序列，分别计算差分后特征序列中两两之间的相关系数，筛选出所需的特征序列；S4.将筛选出的特征序列重映射为二维多通道矩阵；S5.使用深度卷积神经网络对二维多通道矩阵进行模型训练，得到预测模型；S6.使用预测模型对待辨识设备的实时负荷状态进行辨识。本发明仅需少量的训练样本即可实现设备负荷状态辨识，具有实现方法简单、辨识精度以及效率高等优点。

Description

一种中压配电网设备负荷状态辨识方法

技术领域

本发明涉及中压配电网设备监测技术领域，尤其涉及一种中压配电网设备负荷状态辨识方法。

背景技术

非侵入式负荷监测(non-intrusive load monitoring，NILM)是指在用户用电入口处安装测量设备，采集电压、电流、频率、功率等电力数据，并将其分解为独立设备的用电状态，用电电量等信息的方法。根据负荷监测得到的用户用电行为信息，可为电网公司的调度，需求响应等高级用电策略制定提供依据，也可为用户自我制定合理的用电规划提供参考。

非侵入式负荷监测(NILM)是智能用电行为辨识中的关键组成部分。现有技术中，非侵入式负荷监测可以从使用的特征类型与算法类型两个角度对其进行分类，从特征角度，可以分为稳态度量(电压，电流，谐波等有效值数据)、暂态度量(电压电流等暂态波形数据)两大类。在其中，最典型的稳态度量是按有功功率与无功功率构成的复功率平面上，进行聚类对设备进行分类的方法，在此基础上还可以增广稳态电流、暂态电流等典型负荷特征，进行降维后形成负荷空间，并在负荷空间中进行设备的划分，或者使用谐波特征进行负荷的分类。但是该类基于谐波的方法仅是对于部分设备可区分特征的经验性总结，缺乏可拓展性。

另一类基于暂态波形的负荷辨识方法，一般基于每周波高达几十次至几百次不等的高频率采样与存储，在这种高频采样的情况下，很容易分辨出不同设备的特定波形与振幅特点，但是高频采样会对通信、存储与计算带来巨大的压力。通过将高频测量转化后形成新特征可以解决该问题，如基于傅立叶变换的特征表达、基于小波的特征表达、基于高斯滤波与工业检测累加求和的边缘检测方法以及基于V-I曲线的特征表等，但是对这些特征的转化计算往往无法在测量同时完成，实质上这仍然无法规避高频采样带来的巨大存储与通信压力。

相对的，大多数较高等级的电能质量分析设备具备符合IEC 61000-4-30标准的测量，其中包括高频谐波的幅值、相角等高层次的信息，并且其相对的分析频率比高频测量要低得多。因此基于IEC 61000-4-30标准测量的负荷辨识方法有望成为一个合理的，介于高频采样与低频采样中的兼具高表达能力与低存储压力的合理表达方式。但是基于IEC61000-4-30的测量往往会带来巨大的特征空间，以日置的某型号电能质量分析仪为例，对三相电的测量而言，其可以每秒生成高达3537种特征。极高的特征维度为下游的算法带来了表征的困难，并且显然的会产生维度灾难，使得下游的算法面对的数据过于稀疏，降低算法的效率。

由于中压配电网下的负荷同时接入种类繁多，并且多具备变频功能，不具备恒功率特性，且有功功率与无功功率的变化范围十分广泛，会呈现复杂的负荷状态，要直接对设备进行建模分析非常困难，现有技术中的聚焦于家庭中的负荷辨识方法难以直接应用在中压配电网中。因此亟需提供一种适用于中压配电网设备的负荷状态辨识方法，以解决维度过高的问题，提高设备负荷状态的辨识效率以及精度。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、辨识精度以及效率高的中压配电网设备负荷状态辨识方法，仅需少量的训练样本即可实现设备负荷状态辨识，解决传统辨识方法维度过高的问题。

为解决上述技术问题，本发明提出的技术方案为：

一种中压配电网设备负荷状态辨识方法，包括：

S1.负荷状态特征选取：选取用于表征待辨识设备负荷状态的状态特征；

S2.特征提取：获取待辨识设备在辨识测量点处的用电数据并进行特征提取，得到多维特征序列；

S3.特征筛选：将所述状态特征分别与提取的各所述特征序列进行差分计算，得到差分后特征序列，分别计算所述差分后特征序列中两两之间的相关系数，按照所述相关系数筛选出所需的特征序列；

S4.特征重映射：将步骤S3筛选出的特征序列重映射为二维多通道矩阵；

S5.模型训练：使用深度卷积神经网络对重映射得到的二维多通道矩阵进行模型训练，得到待辨识设备负荷状态的预测模型；

S6.状态辨识：使用所述预测模型对待辨识设备的实时负荷状态进行辨识。

进一步的：所述状态特征具体为电流超过预设阈值的电流特征。

进一步的：所述相关系数具体为皮尔逊相关系数，所述步骤S3中按照所述皮尔逊相关系数筛选出所需的特征序列。

进一步的：所述步骤S3中具体将各所述特征序列按照对应的所述皮尔逊相关系数按照从大到小的顺序进行排序，取前n个特征序列作为筛选出的特征序列，其中n≥1。

进一步的：所述皮尔逊相关系数具体取绝对值。

进一步的，所述步骤S4中具体使用差分特征按照下式将特征序列重映射为二维多通道矩阵；

其中，F为N维特征序列，即F＝{F₁,F₂,…,F_N}，M为重映射得到的n×l_w的二维矩阵，n为筛选出的特征数目，l_w为选择的时间窗长度，t_p为二维矩阵表示的特征对应的时间点。

进一步的：所述步骤S5中深度卷积神经网络中具体使用深度残差网络辨识设备的负荷状态。

进一步的：所述步骤S5中进行模型训练前还包括对所述预测模型进行预训练步骤。

进一步的：分别在待辨识设备所在的配电网中总入口处的变压器测、待辨识设备的输入端布置所述辨识测量点，所述步骤S2中通过各所述辨识测量点获取用电数据以训练所述预测模型。

与现有技术相比，本发明的优点在于：

1、本发明采用基于相关系数的差分特征提取方式进行特征提取，选取表征待辨识设备负荷状态的状态特征后，先将状态特征分别与提取的各特征序列进行差分计算，通过差分的方式来增强特征的表达能力，避免持续的背景功率噪声对负荷状态辨识的影响，然后再计算差分后特征序列中两两之间的相关系数，依据相关系数从众多的特征序列中筛选出所需的特征序列，可以有效消除无关特征造成的运算压力，解决传统辨识方法中特征维度过高的问题，使得仅需少量样本即可辨识出运行功耗变化复杂、各类未知负荷环境中的设备负荷状态。

2、本发明经过对特征进行差分，能够更有效的帮助后续卷积神经网络对负荷状态的特征组合进行学习，从而结合卷积神经网络训练出的预测模型，可以快速、准确的实现中压配电网设备负荷状态的辨识。

3、本发明在采用基于相关系数的差分特征提取方式的基础上，进一步结合使用深度残差网络来寻找隐含的模式，辨识出负荷对应的状态，能够在图像中提取出原始数据的高效表征组合，从而能够在实现特征降维的同时，进一步提高设备负荷状态辨识精度。

4、本发明进一步在模型训练前进行预训练，使用预训练模型的方式，可以提升小样本情况下的模型特征提取能力，减少模型训练过程中所需的时间，从而可以进一步提高负荷状态辨识效率以及辨识精度。

附图说明

图1是本实施例压配电网设备负荷状态辨识方法的实现流程示意图。

图2是本实施例中深度残差网络的结构示意图。

图3是在具体应用实施例中实验时测量配电间拓扑示意图。

图4是在具体应用实施例中电梯负荷的有功功率(P)与无功功率(Q)的联合分布。

图5是具体应用实施例中使用皮尔逊系数法筛选出的特征与电梯电流的联合分布结果示意图。

图6是具体应用实施例中常规电流特征与电梯电流的联合分布结果示意图。

图7是在具体应用实施例中得到的0.59％数据量训练的准确率结果示意图。

图8是在具体应用实施例中得到的0.59％数据量训练的F₁-score结果示意图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示，本实施例中压配电网设备负荷状态辨识方法的步骤包括：

S1.负荷状态特征选取：选取用于表征待辨识设备负荷状态的状态特征；

S2.特征提取：获取待辨识设备在辨识测量点处的用电数据并进行特征提取，得到多维特征序列；

S3.特征筛选：将状态特征分别与提取的各特征序列进行差分计算，得到差分后特征序列，分别计算差分后特征序列中两两之间的相关系数，按照相关系数筛选出所需的特征序列；

S4.特征重映射：将步骤S3筛选出的特征序列重映射为二维多通道矩阵；

S5.模型训练：使用深度卷积神经网络对重映射得到的二维多通道矩阵进行模型训练，得到待辨识设备负荷状态的预测模型；

S6.状态辨识：使用预测模型对待辨识设备的实时负荷状态进行辨识。

本实施例通过略过建模分析过程，采用基于相关系数的差分特征提取方式进行特征提取，选取表征待辨识设备负荷状态的状态特征后，先将状态特征分别与提取的各特征序列进行差分计算，通过差分的方式来增强特征的表达能力，避免持续的背景功率噪声对负荷状态辨识的影响，然后再计算差分后特征序列中两两之间的相关系数，依据相关系数从众多的特征序列中筛选出所需的特征序列，可以有效消除无关特征造成的运算压力，解决传统辨识方法中特征维度过高的问题，且经过对特征进行差分，能够更有效的帮助后续卷积神经网络对负荷状态的特征组合进行学习，从而结合卷积神经网络训练出的预测模型，可以快速、准确的实现中压配电网设备负荷状态的辨识，仅需少量样本即可辨识出运行功耗变化复杂、各类未知负荷环境中的设备负荷状态。

本实施例首先定义负荷状态辨识问题：

对于具有N种特征，时长为T的时序测量点F_i ^t,i∈{1,…,N},t∈{1,…T}，对应的目标负荷的状态S^t共有两种状态，可以表示为

对负荷状态的辨识可以表示为特征测量到负荷状态的映射：

S^t＝f(F_i ^t),i∈{1,…,N} (1)

对典型的非侵入式负荷状态辨识任务而言，测量点的位置在待辨识负荷的上游。测量点下游其他负荷产生的特征可以认为是与不同特征相关的干扰噪声，因此(1)式可以添加噪声项ε后修正为：

该式可以表示负荷辨识问题的实质。即在给定时间，给定测量特征中通过映射，得到指定负荷状态的问题可以定义为负荷状态辨识问题。

本实施例中，状态特征具体为电流超过预设阈值的电流特征，如将电流超过预设阈值判定为设备属于运行状态，则可采用电流超过预设阈值的电流特征作为用于表征待辨识设备负荷状态的状态特征。后续通过将状态特征与提取的所有特征序列进行差分，然后计算两两之间的相关系数，相关性高即表明该特征序列与表征设备处于运动状态的状态特征强相关，依据该相关系数对特征序列进行筛选，即可去除大量不必要的特征而筛选出与负荷状态相关的特征序列，避免无关特征的不必要运算。

本实施例中，相关系数具体为皮尔逊相关系数(Pearson CorrelationCoefficient)，步骤S3中按照皮尔逊相关系数筛选出所需的特征序列。皮尔逊相关系数可度量变量之间的线性相关程度，本实施例使用皮尔逊相关系数来度量特征时间序列F_i与状态时间序列S的相关性，可以在含噪多维特征中筛选出与负荷状态最相关的特征序列。

本实施例计算皮尔逊相关系数的详细步骤为：

对于时长为T的特定的特征序列F_i与状态序列S，为求取两者间的皮尔逊相关系数，首先求取其均值：

以及二者的协方差Cov(F_i,S)和标准差

σ_S：

最终可以求取得到两者间的皮尔逊相关系数：

皮尔逊相关系数的结果ρ_Fi,S∈[-1,1]，本实施例中具体取皮尔逊相关系数的绝对值，即使用|ρ_Fi,S|表示二者间的相关程度，不关心皮尔逊相关系数具体是正相关或负相关，只关心两者间是否有相关关系，|ρ_Fi,S|数值越趋于1，则越表示该特征与负荷状态之间的相关度越高，可以进一步减少计算复杂度。

本实施例步骤S3中具体将各特征序列按照对应的皮尔逊相关系数按照从大到小的顺序进行排序，取前n个特征序列作为筛选出的特征序列，其中n≥1。在具体应用实施例中，可以直接筛选出皮尔逊相关系数最大所对应的特征序列，即取与负荷状态相关性最高的特征序列，当然还可以根据实际需求选取相关性较大的多个特征序列。

由于卷积神经网络一般需要的输入为二维多通道矩阵，与测量形成的一维时间序列不符，因此需要对原始测量数据特征重映射为二维多通道矩阵。本实施例进行重映射的详细步骤为：

对于N维特征序列F＝{F₁,F₂,…,F_N}，目标是将其重构为形状为n×l_w的二维矩阵M，其中n为筛选出的特征数目，l_w为选择的时间窗长度，令该二维矩阵表示的特征对应的时间点为t_p，则特征重映射过程可用下式表示：

为了提升特征的表达能力，本实施例进一步使用差分特征构建矩阵M：

经过特征筛选与特征重映射后，特征从多维时间序列变换成为了可供卷积神经网络处理的类图像的矩阵特征。在特征重映射过程中，进一步可以通过差分的方式来增强特征的表达能力，避免持续的背景功率噪声对负荷状态辨识的影响。

对于分类任务，卷积神经网络输入一般为二维多通道的矩阵，输出为一维向量。本实施例中使用的深度卷积神经网络具体包括卷积层、池化层、全连接层、输出层以及对应的激活函数组，具体为：

卷积层：使用N表示输入的批量，C_in表示通道数，H表示矩阵的行数，W表示矩阵的列数。对于一个输入(N,C_in,H,W)的四维矩阵，卷积层为：

其中，★表示2维滑动点积操作符，i、j分别表示输出在矩阵中的位置，weight表示权重。一次完整的卷积操作，需要对输入的每个点周围分别进行(11)式中的运算。

池化层：采用全局平均池化，该池化层对每个通道进行计算，给定卷积核的尺寸(kH,kW)后，全局平均池化可以表示如下：

其中s_h,s_w分别指池化层在长与宽方向跨步的步长。

全连接层：即为数据的线性关系，令输入向量为x，输出向量为y，偏置值为b，参数矩阵为A，则线性层可以表示为：

y＝xA^T+b (13)

本实施例中采用的激活函数主要为Relu函数，函数可以表示为：

y＝max(0,x) (14)

本实施例步骤S5中深度卷积神经网络中具体使用深度残差网络(ResidualNeural Network,ResNet)辨识设备的负荷状态。深度残差网络由于采用了残差结构，非常容易优化，且具备卓越的信息提取能力，本实施例在采用基于相关系数的差分特征提取方式的基础上，进一步结合使用深度残差网络来寻找隐含的模式，辨识出负荷对应的状态，能够在图像中提取出原始数据的高效表征组合，从而能够在实现特征降维的同时，进一步提高设备负荷状态辨识精度。以34层的深度残差网络为例，深度残差网络的结构如图2所示。

本实施例中，在模型训练前还包括对预测模型进行预训练的步骤，即在训练前使用部分训练样本对模型参数进行预训练。通过使用预训练模型的方式，可以提升小样本情况下的模型特征提取能力，减少模型训练过程中所需的时间，从而可以进一步提高负荷状态辨识效率以及辨识精度。

参见图1，本实施例实现中压配电网设备负荷状态辨识时，首先针对原始数据，选择目标测量中可以表征负荷状态的状态特征(具体取电流特征)，然后对该负荷状态表达特征与辨识测量点产生的所有特征进行差分，再计算两两的皮尔逊相关系数，选取相关系数最高的多条数据作为筛选后的特征；随后经过特征重映射，将其转化为深度残差网络可以处理的格式，然后进行训练，最终得到预测模型，基于该预测模型实现设备实时的负荷状态辨识。

为验证本发明上述方法的有效性，在具体应用实施例中选取电梯作为典型负荷，并采用本发明上述方法进行负荷辨识实验，使用符合IEC 61000-4-30的测量数据作为输入，目标为辨识电梯是否处于运行状态。

本实施例中配电间的连接关系图具体如图3。测量点1为总测量，具体是该配电所的总进线；测量点2与3测量的是电梯的负荷线。三台设备之间时间同步，采样频率为1Hz。采样共进行一周，在采样期间设备正常运行。

本实施例具体将电梯电流大于1A的状态定义为运行状态。计算使用的特征为所采集到的特征种类，包括电压、电流、有功功率、无功功率、各次电压电流的谐波与半谐波的有效值与相角、三相不平衡度等参数的最大值、最小值、平均值等。经过统计，每台设备共产生3537种有效测量特征。其中，测量点1的数据用于模型训练的输入数据，测量点2与3仅用作模型训练的结果反馈，以及正确率计算的依据。训练中不采用所有数据进行训练，仅采用一周中某几个小时的数据。本文中的训练仅取一个小时的测试数据，也就是约占全部采集数据的0.59％的数据量测试其在极端小样本条件下的性能。通过仅取白天的运行数据作为训练，可以测试其在夜晚的泛化性能，进而可以推断在其他不同时间的推理性能。

对非侵入式负荷辨识算法，常用实际为正预测为正的真正例(True positive,TP)，实际为负预测为正的假正例(False positive,FP)，实际为正预测为负的假负例(False negative,FN)，实际为负预测为负的真负例(True negative,TN)作为分类算法性能度量的标准，使用以上四种定义，可以进一步的定义精确率P(Precision)、召回率R(Recall)、准确率A(Accuracy)以及F₁-score。

电梯的负荷辨识难以使用传统策略进行负荷辨识，主要原因在于其有功功率与无功功率的变化范围十分广泛，如图4所示。不同于传统的单状态或多状态负荷，电梯的功率状态受承载人数、上升或下降、楼层跨度等多种因素影响，呈现出复杂的负荷状态，对电梯的高分辨率能耗进行建模是非常复杂的。本实施例略过建模分析而直接提取出对辨识具有作用的相关特征，并具体使用两种特征提取策略：一种是采用本发明上述特征提取方法，使用皮尔逊相关系数对差分的特征向量进行计算，进行特征提取，另一种是采用现有技术中常规非侵入式负荷辨识算法中的低次电流谐波有效值及相角，两种特征策略均选择50种特征作为算法的输入，并对两种特征提取策略得到的结果进行对比。从结果可以看出，通过皮尔逊相关系数，可以提取出与负荷运行状态高度相关的特征，有助于增强特征的信息密度。

如图5所示，使用皮尔逊相关系数筛选出的相关性最高的9组特征，具备高相关性的数据，其分布应近乎在一条直线上。与图6中的低次电流谐波特征相比，可以看出前者的变量间具有更高的线性相关度，二者的变化几乎呈现线性关系。而常规特征中的一些特征与电梯的负荷并不具备十分强烈的相关关系，其实质上输入对电梯辨识无效的特征。综合对比图5与图6，可以得出使用皮尔逊系数筛选出的特征具备更好的相关性。

本实施例分别使用传统的KNN、SVM、决策树、Resnet以及本发明训练模型(预训练的Resnet模型)共五种模型，运行状态辨识的准确率结果如图7所示，F₁-score的结果如图8所示。辨识的目标是通过总入口处的变压器采集的数据，判断电梯是否处于运行状态。图8中可以看出具有最高准确率的模型是经过了预训练的Resnet模型。除此以外，结果还表明：1，预训练的Resnet模型在差分的特征输入条件下具有较强的学习能力。2，使用皮尔逊相关系数提取特征对算法水平的提升具有强烈的正效应。3，即使在小样本的条件下，通过合适的特征提取方法，也能使得机器学习算法正确的提取出关键的特征组合。这在图8中展现的算法的F₁-score比较中更为明显。对结果的分析说明了结合特征筛选与深度神经网络的负荷状态辨识方法的有效性。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (9)

1.一种中压配电网设备负荷状态辨识方法，其特征在于，包括：

S1.负荷状态特征选取：选取用于表征待辨识设备负荷状态的状态特征；

S2.特征提取：获取待辨识设备在辨识测量点处的用电数据并进行特征提取，得到多维特征序列；

S3.特征筛选：将所述状态特征分别与提取的各所述特征序列进行差分计算，得到差分后特征序列，分别计算所述差分后特征序列中两两之间的相关系数，按照所述相关系数筛选出所需的特征序列；

S4.特征重映射：将步骤S3筛选出的特征序列重映射为二维多通道矩阵；

S5.模型训练：使用深度卷积神经网络对重映射得到的二维多通道矩阵进行模型训练，得到待辨识设备负荷状态的预测模型；

S6.状态辨识：使用所述预测模型对待辨识设备的实时负荷状态进行辨识。

2.根据权利要求1所述的中压配电网设备负荷状态辨识方法，其特征在于：所述状态特征具体为电流超过预设阈值的电流特征。

3.根据权利要求1所述的中压配电网设备负荷状态辨识方法，其特征在于：所述相关系数具体为皮尔逊相关系数，所述步骤S3中按照所述皮尔逊相关系数筛选出所需的特征序列。

4.根据权利要求3所述的中压配电网设备负荷状态辨识方法，其特征在于：所述步骤S3中具体将各所述特征序列按照对应的所述皮尔逊相关系数按照从大到小的顺序进行排序，取前n个特征序列作为筛选出的特征序列，其中n≥1。

5.根据权利要求4所述的中压配电网设备负荷状态辨识方法，其特征在于：所述皮尔逊相关系数具体取绝对值。

6.根据权利要求1所述的中压配电网设备负荷状态辨识方法，其特征在于，所述步骤S4中具体使用差分特征按照下式将特征序列重映射为二维多通道矩阵；

其中，F为N维特征序列，即F＝{F₁,F₂,…,F_N}，M为重映射得到的n×l_w的二维矩阵，n为筛选出的特征数目，l_w为选择的时间窗长度，t_p为二维矩阵表示的特征对应的时间点。

7.根据权利要求1～6中任意一项中压配电网设备负荷状态辨识方法，其特征在于：所述步骤S5中深度卷积神经网络中具体使用深度残差网络辨识设备的负荷状态。

8.根据权利要求1～6中任意一项中压配电网设备负荷状态辨识方法，其特征在于：所述步骤S5中进行模型训练前还包括对所述预测模型进行预训练步骤。

9.根据权利要求1～6中任意一项所述的中压配电网设备负荷状态辨识方法，其特征在于：分别在待辨识设备所在的配电网中总入口处的变压器测、待辨识设备的输入端布置所述辨识测量点，所述步骤S2中通过各所述辨识测量点获取用电数据以训练所述预测模型。

Images