CN113010985A - 一种基于并行aann的非侵入式负荷识别方法 - Google Patents

Abstract

本发明公开了一种基于并行AANN的非侵入式负荷识别方法，包括以下步骤：先验的采集电力系统内各负荷电压、电流数据，绘制V‑I轨迹，提取特征；将各类用电负荷特征数据分别训练AANN，形成并行结构；实时采集电力系统入口处电压电流数据、滤波、事件检测，提取引起暂态事件的待识别负荷的电压电流数据，提取V‑I轨迹特征；将提取的特征输入训练好的并行AANN，计算各AANN输入输出皮尔森相关系数；将各AANN输出相关系数均低于阈值的特征量识别为未知负荷；输出相关系数高于阈值的AANN中，输出值最大的AANN代表目标负荷种类；识别结果反馈给用户。与现有的识别技术相比，本发明能够有效识别未知负荷与噪声引起的干扰事件、识别准确率高、鲁棒性强。

Description

一种基于并行AANN的非侵入式负荷识别方法

技术领域：

本发明涉及智能电网领域，一种基于并行AANN的非侵入式负荷识别方法。

背景技术：

通过在电力系统入口出使用负荷识别技术，可以实时监测设备工作状态与优化负荷曲线，从而推动建筑节能，智能家居的发展，进一步完善智能电网。在智能家居的应用中，可通过该技术实时监测家庭负载运行状态。从能源分析的角度讲，通过负荷识别有助于分项统计能耗曲线，为用户、电力公司、设备制造商提供参考。在用户端，用户用电信息得到反馈，从而规范用电行为，减少电费支出，提高能效；在电力提供端，以较低投入实现电网负荷细粒度感知，提升电力系统负荷预测准确度；对于电器设备制造商而言，可据此识别出低效或故障设备，以采取适当的行动提升产品质量或减少功耗。

近年来，研究者从负荷特征与负荷辨识算法的角度出发，提出了不同的负荷识别方案。由于以V-I轨迹作为区分负载的特征，相对于常用的电流、功率等特征，表征了负荷更加丰富的电气特性，本专利选择V-I轨迹作为区分负荷的特征。进一步地，提出基于并行自联想神经网络(AANN)的负荷辨识算法，通过计算神经网络输入端与输出端之间特征的最大相关系数达到负荷辨识的目的，同时，在输出端设置阈值判断，能有效识别未知负荷或噪声引起的干扰事件，保证了负荷精准识别。

发明内容：

有鉴于现有技术对未知负荷识别或噪声引起的干扰事件识别存在缺陷，同时，提高负荷识别准确率，本发明提出一种基于并行AANN的非侵入式负荷识别方法。具体技术方案如下：

一种基于并行AANN的非侵入式负荷识别方法，其特征在于，包括两个重要部分：分类器训练、负荷识别。

所述分类器训练包括以下步骤：

步骤1：先验的测量电力系统内N种用电负荷稳态电压电流数据。

进一步地，分别将各用电负荷电压电流数据，以电压工作周期为单位绘制V-I轨迹，分别从每种负荷的V-I轨迹中提取特征，形成样本数据库。

进一步地，V-I轨迹特征包括：电流跨度、图形面积、图形循环方向、图形交点个数、中线曲率、中间段峰值、中间段斜率、左右部分面积、瞬时导纳变化、最大最小点距离。

步骤2：分别对N种样本库负荷训练N个AANN，使得AANN学习不同负荷的特征分布将其存储记忆在权重中，并将训练好的AANN形成并行结构，搭建负荷辨识模型。

进一步地，所述AANN输入神经元个数等于输出神将元个数，输入特征维度等于输出特征维度；若输入的负荷特征分布与训练该AANN的特征分布一致，则AANN产生输出与输入误差很小，若输入的负荷特征分布与训练该AANN的特征分布不一致，输出将返回与输入不匹配的结果。

进一步地，输入待识别特征后，计算各AANN输入输出特征之间皮尔森相关系数，若各AANN输出相关系数均低于阈值，则判断该组特征数据为非样本库负荷产生，避免未知负荷或干扰事件引起的错误辨识。在输出相关系数高于阈值的AANN中，输出相关系数最大的AANN代表了该组特征数据的负荷种类。

所述负荷识别具体步骤如下：

步骤3：实时采集总线处电压电流数据、低通滤波、事件检测、目标负荷特征提取。

进一步地，所述低通滤波包括，将总线处电压电流数据进行低通滤波处理。其目的在于滤除电压电流信号高频高斯白噪声噪声，降低干扰，以提高后续事件监测算法事件监测准确性，同时，使得从暂态事件中提取出的目标负荷V-I轨迹曲线变得光滑，以降低特征中的噪声。

进一步地，所述暂态事件监测，其目的在于检测系统内部负荷状态发生变化时引起的暂态事件。具体为：

定义第T个周期电流强度为I_intensity，当电力系统内部各用电负荷稳定运行时，总线处相邻周期的电流强度差值ΔI_intensity趋近于0；当负荷状态发生变化时，相邻周期电流强度差值将变大；若某一时刻相邻周期电流强度差值超过δ，则判定系统内负荷发生了暂态事件过程。如下所示：

其中，δ为电流强度差值的阈值；i(k)为第T个周期内第k个采样点的电流值；K为一个周期内电流的采样点总数；

当检测到暂态事件后立即执行暂态结束检测算法，即ΔI_intensity小于ε的周期个数大于γ时，判定为负荷暂态事件过程结束。如下所示：

记ΔI_intensity＞δ时，相邻周期中第二个周期电流起始时刻记为暂态事件起始时刻；判定暂态事件结束后，当前时刻减去γ个电流信号周期后得到系统暂态事件结束时刻；暂态事件结束时刻与起始时刻的作差得到暂态过程持续时间，暂态过程持续时间应为电压工作周期的整数倍。

进一步地，所述目标负荷特征提取，包括目标负荷电压电流数据获取，还包括V-I轨迹特征提取。

所述目标负荷电压电流数据获取，具体为：根据暂态事件前后电流强度变化判断负荷行为(投入或切除)。若电流强度增加则为负荷投入，将暂态事件结束时刻后的一个周期总电流与暂态事件起始时刻前一个周期的总电流波形同相位作差，去除背景电流波形，获取目标负荷电流波形；若电流强度降低则为负荷切除，将暂态起始时刻前的一个周期电流波形与暂态事件结束时刻后一个周期的电流波形同相位作差。电压波形取对应暂态事件前后电压波形的均值。如下所示：

其中，I_on，I_off表示暂态事件前、后电流波形；V_on，V_off表示暂态事件前、后电压波形；I_load，V_load表示负荷稳态电流、电压波形。

所述V-I轨迹特征提取为，从目标负荷一个周期的电压电流数据中提取V-I轨迹特征。

步骤4：将总线处提取得到V-I轨迹特征输入训练好的负荷辨识模型进行识别。

进一步地，所述负荷辨识方法包括，输入待识别特征后，分别计算各AANN输入输出特征之间皮尔森相关系数，若各AANN输出相关系数均低于阈值，则判断该组特征数据为非样本库负荷产生。在输出相关系数高于阈值的AANN中，输出相关系数最大的AANN代表了该组特征数据的负荷种类。

本发明的有益效果如下：

本发明提出一套完整的非侵入式负荷识别方案，选择负荷稳态V-I轨迹作为区分负荷的特征，相对于常用的电流、功率等特征，表征了负荷更加丰富的电气特性，代表性更强，有利于提高负荷识别准确率。使用基于启发式暂态事件检测算法，有效检测暂态事件的同时，巧妙的解决了暂态事件前后电压电流数据相位不同步问题，以较低的计算成本提取引起暂态事件的目标负荷V-I轨迹特征。提出基于并行自联想神经网络的负荷辨识算法，通过设置阈值的方式，弥补了目前识别方法中对未知负荷的识别不足，同时，能够有效避免噪声干扰事件引起的错误辨识。综上，本发明提出的基于并行自联想神经网络的非侵入式负荷识别方法，具有较高的负荷识别准确率和鲁棒性，实用性强。

附图说明

为进一步对本发明进行更加直观的展示，说明实施例，并解释本发明具体实现方式和原理，提供附图如下：

图1是用电负荷电压电流数据采集原理图

图2是本发明负荷辨识算法模型图；

图3是本发明负荷辨识算法中AANN结构图；

图4是本发明负荷辨识流程图；

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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地描述，并划分更加详细的实现步骤。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。

实施例：

步骤1：先验的采集系统内部各用电负荷电压电流，具体采集方式为：使用电压互感器接在电源处，电流互感器接在负荷电力线火线端，使用示波器或其他带存储功能的仪器存储各负荷稳定工作时高频(>10Khz)电压电流数据，如图1所示。

步骤2：以工作周期为单位，单个周期电压周期为横坐标，对应单个周期电流为纵坐标，绘制V-I轨迹，从该二维图像中提取负荷特征。具体特征包括：

1)电流跨度：一个周期内电流最大值与最小值的差值，用于区分功率不同的负荷。

2)面积：V-I轨迹曲线围成的面积。该特征与负荷电压与电流之间的相位差相关，差值越大，面积越大。

3)方向：V-I轨迹第一个点到最后一个点绘制图形的方向，与电压和电流之间的相角有关，电流相位超前电压时为正(顺时针)，反之为负(逆时针)。

4)交点个数：V-I轨迹交点个数。反应负荷非线性程度，高次谐波分量越多，产生的交点个数往往越多。

5)中线曲率：V-I轨迹中线线性相关系数。类似于谐波失真，反映了负荷非线性程度。

6)中间段峰值：可以用于辨识小功率电子类负荷，功率较小的负荷中间段通常出现一个明显峰值。

7)中间段斜率：有助于将电力电子负载与其他负载区分开，电力电子设备该特征斜率接近于0。

8)左右部分面积：该特征与电流和电压波形的峰值之间相位差有关。

9)瞬时导纳变化：用于区分电阻性和非电阻性电器负载，电阻性负荷该特征较小。

10)最大/最小点距离：V-I轨迹最大点和最小点之间的欧式距离。最大点为电流取得最大值的点，最小点为电流取得最小值的点。

步骤3：将提取的V-I轨迹特征形成样本库，并规划到-1到1之间，加快后续算法学习速度。

步骤4：分别对N种样本库负荷训练N个AANN，使得AANN学习不同负荷的特征分布将其存储记忆在权重中，并将训练好的AANN形成并行结构，搭建负荷辨识模型，如图2所示。

其中，AANN模型如图3所示，输出神经元个数等于输入神经元个数，通过训练，AANN学习不同特征分布并将其存储记忆在权重中。若输入的数据特征分布与训练该AANN的特征分布一致，则AANN产生输出与输入误差很小，否则，输出将返回与输入不匹配的结果。

AANN的输出表示为：

使用误差反向传播算法对参数进行校正，激励函数采用非线性双曲正切S型传递函数，表示为：

根据目标函数E最小化评估训练过程，E表示为：

式中：X为输入特征样本数据；n为样本个数；

为AANN输出特征。

步骤5：实时采集系统总线处电压电流数据，采集方式与步骤1相同，低通滤波后执行事件检测算法，提取引起暂态事件的目标负荷特征。

具体暂态事件监测算法为，定义第T个周期的负荷电流强度定义为：

式中：K为一个周期内电流的采样点总数；i(k)为第T个周期内第k个采样点的电流值。

当电力系统内部各用电负荷稳定运行时，总线处相邻周期的电流强度差值趋近于0；当负荷状态发生变化时，相邻周期电流强度差值将变大。若某一时刻相邻周期电流强度差值超过δ，则判定系统内负荷发生了暂态事件过程。表示为:

式中：ΔI_intensity为第T个周期与T+1个周期电流强度的差值；δ为电流强度差值的阈值。

记相邻周期中第二个周期电流起始时刻为暂态事件起始时刻。检测到暂态事件的产生后，立即执行暂态事件结束算法，表示为：

式中：ε为暂态过程结束的判定阈值；γ为电流强度变化小于ε的最小周期数；T为电流强度变化小于ε的周期数。

上式表达的具体含义为当ΔI_intensity小于ε的周期个数大于γ时，则判定为负荷暂态事件过程结束。当前时刻减去γ个电流信号周期后得到系统暂态事件结束时刻，可见，负荷暂态过程持续时间(暂态事件结束时刻与起始时刻的差值)为电压工作周期的整数倍。

检测到暂态事件后，分离目标负荷一个周期的电压电流数据用于提取特征。由于暂态过程持续时间为电压工作周期整数倍，暂态前后电压电流数据同相。根据暂态事件前后电流强度变化判断负荷行为(投入或切除)。若电流强度增加则为负荷投入，将暂态事件结束时刻后的总电与暂态事件起始时刻前的总电流波形作差，去除背景电流波形，获取目标负荷电流波形；若电流强度降低则为负荷切除，将暂态起始时刻前的电流波形与暂态事件结束时刻后的电流波形作差。电压波形取对应暂态事件前后电压波形的均值表示为：

其中，I_on，I_off表示暂态事件前、后电流波形；V_on，V_off表示暂态事件前、后电压波形；I_load，V_load表示负荷稳态电流、电压波形。

进一步地，对分离目标负荷的电压电流数据提取10维V-I轨迹特征。

步骤6：将总线处分离出的特征，输入N个AANN，分别计算各AANN输入与输出特征皮尔森相关系数。计算方法为：

其中，

为特征X，

之间的协方差；u_X，

为特征X，

的标准差。

步骤7：负荷辨识。各AANN所有输入与输出特征的相关系数中，若相关系数均低于阈值，说明该组特征与各AANN匹配度低，为样本库外数据，将该次暂态事件判决为未知负荷或噪声引起的干扰事件。输出相关系数高于阈值的AANN中，输出相关系数最大的AANN代表了该组特征数据的负荷种类，如图2所示，输出辨识结果。

本领域内的相关技术人员应明白，本申请的实施可提供为计算软件产品，开发语言可以是C/C++，JAVA等工程开发语言，指令的产生用于实现本发明公开的辨识流程图、具体算法，可将具体的计算机指令提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备。

对所公开的本发明实施例的上述说明，使本领域的相关技术人员可以实现或使用本发明。应当说明的是：所属领域技术人员应当明白，凡对本发明的具体实施方式或形式进行修改或者等同替换，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，均应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于并行AANN的非侵入式负荷识别方法，其特征在于，包括如下主要步骤：

步骤1：先验的采集电力系统内部各用电负荷稳态电压电流数据，数据预处理、特征提取、形成样本库；

步骤2：使用样本库负荷离线训练基于并行自联想神经网络的非侵入式负荷识别模型；

步骤3：使用暂态事件检测算法实时检测电力系统入口处电流数据暂态事件，从总电压电流数据中分离出引起暂态事件的目标负荷电压电流数据，进行特征提取；

步骤4：负荷状态辨识。

2.如权利要求1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤1中，所述数据采集方法为：使用电压互感器接在负荷电源处、电流互感器接在负荷火线端，采集电力系统内N种用电负荷稳态电压电流数据。

3.如权利要求1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤1中，所述数据预处理为，将获取的电压电流数据输入低通滤波器，滤除电压电流数据中的高频高斯白噪声，保留数据中低频谐波成分，降低干扰。

4.如权利要求1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤1中，所述特征提取为，分别将N种用电负荷稳态电压电流数，据提取V-I轨迹特征，形成样本数据库；

所述V-I轨迹为，以周期为单位，电压为横坐标、电流为纵坐标，绘制二维图形；所述V-I轨迹特征为，从二维图形中提取区分用电负荷的特征，所述特征包括，电流跨度、图形面积、图形循环方向、图形交点个数、中线曲率、中间段峰值、中间段斜率、左右部分面积、瞬时导纳变化、最大最小点距离。

5.如权利要求1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤2中，所述自联想神经网络包括输入层、瓶颈层，输出层，其中，输入层神经元个数等于输出层神经元个数；所述负荷辨识模型包括，分别使用N种负荷样本库特征数据训练N个自联想神经网络，将不同负荷的特征数据分布分别存储于各AANN中，并形成并行结构。

输入待识别负荷特征后，分别计算各自联想神经网络输入与输出之间相关系数，若相关系数均低于阈值，说明该组特征与各AANN匹配度低，为样本库外未知负荷；在输出相关系数高于阈值的AANN中，输出相关系数最大的AANN代表该组特征数据的负荷种类。

6.如权利要1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤3中，装置使用电流互感器采集总电流数据后，低通滤波，执行暂态事件检测算法，所述事件检测算法为基于启发式的暂态事件检测方法，具体原理为：

定义第T个周期电流强度为，当电力系统内部各用电负荷稳定运行时，总线处相邻周期的电流强度差值ΔI_intensity趋近于0；当负荷状态发生变化时，相邻周期电流强度差值将变大；若某一时刻相邻周期电流强度差值超过δ，则判定系统内负荷发生了暂态事件过程。如下所示:

I_intensity

其中，δ为电流强度差值的阈值；为第T个周期内第k个采样点的电流值；K为一个周期内电流的采样点总数；

当检测到暂态事件后立即执行暂态结束检测算法，即ΔI_intensity小于ε的周期个数大于γ时，判定为负荷暂态事件过程结束。如下所示：

记ΔI_intensity时，相邻周期中第二个周期电流起始时刻记为暂态事件起始时刻；判定暂态事件结束后，当前时刻减去γ个电流信号周期后得到系统暂态事件结束时刻；暂态事件结束时刻与起始时刻的作差得到暂态过程持续时间，可得，暂态过程持续时间为电压工作周期的整数倍。

7.如权利要1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤3中，所述目标负荷电压电流数据分离原理为：

根据暂态事件前后电流强度变化判断负荷行为(投入或切除)。若电流强度增加则为负荷投入，将暂态事件结束时刻后的总电流与暂态事件起始时刻前的总电流波形同相位作差，去除背景电流波形，获取目标负荷电流波形；若电流强度降低则为负荷切除，将暂态起始时刻前的电流波形与暂态事件结束时刻后的电流波形同相位作差。电压波形取暂态事件前后电压波形的均值。如下所示：

其中，I_on，I_off表示暂态事件前、后电流波形；V_on，V_off表示暂态事件前、后电压波形；I_load，V_load表示负荷稳态电流、电压波形。

由于暂态过程持续时间检测为电压信号工作周期整数倍，说表明暂态事件前后电压电流波形同相，取暂态后一个周期的电流波形减去暂态前一个周期电流波形，对应暂态事件前后电压取均值，分离引起暂态事件的目标负荷电压电流数据。

8.如权利要1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤3中，所述特征提取为，根据权利要求7获取的一个周期的目标负荷电压电流数据提取V-I轨迹特征；所述V-I轨迹特征如权利要求4所述。

9.如权利要1所述一种基于并行AANN的非侵入式负荷识别方法，其特征在于，步骤4中，所述负荷状态辨识为，将总线处提取得到目标负荷V-I轨迹特征输入权利要求5所述负荷辨识模型，辨识负荷种类。

Images