CN113131489B - 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法 - Google Patents

基于改进人工鱼群聚类算法的非侵入式负荷识别的方法 Download PDF

Info

Publication number
CN113131489B
CN113131489B CN202110379851.1A CN202110379851A CN113131489B CN 113131489 B CN113131489 B CN 113131489B CN 202110379851 A CN202110379851 A CN 202110379851A CN 113131489 B CN113131489 B CN 113131489B
Authority
CN
China
Prior art keywords
artificial fish
state
value
active power
electrical parameter
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
CN202110379851.1A
Other languages
English (en)
Other versions
CN113131489A (zh
Inventor
刘易锟
余涛
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110379851.1A priority Critical patent/CN113131489B/zh
Publication of CN113131489A publication Critical patent/CN113131489A/zh
Application granted granted Critical
Publication of CN113131489B publication Critical patent/CN113131489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R21/00—Arrangements for measuring electric power or power factor
    • G01R21/001—Measuring real or reactive component; Measuring apparent energy
    • G01R21/002—Measuring real component
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • H02J2310/14—The load or loads being home appliances
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/221—General power management systems
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/242—Home appliances
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/12—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them characterised by data transport means between the monitoring, controlling or managing units and monitored, controlled or operated electrical equipment

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了基于改进人工鱼群聚类算法的非侵入式负荷识别的方法。所述方法包括如下步骤：利用非侵入式负荷识别装置建立相应的电气参数特征数据库；进行实时的家用电器的投入切除事件监测；家用电器的投入切除事件发生后，计算得到所投入或切除的家用电器的电气参数特征；由非侵入式负荷识别装置将获取的电气参数特征上传至云端，云端基于一种改进人工鱼群聚类算法，根据电气参数特征数据库，利用上传的电气参数特征对所投入或切除的家用电器进行识别；云端完成识别后将识别结果下发回非侵入式负荷识别装置。本发明方法可解决全局最优解问题，具有更好的监测率。

Description

基于改进人工鱼群聚类算法的非侵入式负荷识别的方法
技术领域
本发明涉及非侵入式家电负荷识别领域，特别是涉及基于改进人工鱼群聚类算法的非侵入式负荷识别的方法。
背景技术
近年来，我国不断推进智能电网的建设进程，对各类智能设备进行有效管理，可以促进智能电网建设、提升公司电网运营管理水平。智能电网各个环节都部署了很多数据采集设备和相应的信息管理系统，这些系统产生和管理着大量的数据。随着家电数量和种类的增多，居民用电量占总用电量的比例也越来越大。非侵入家电负荷识别技术的提出，相比于侵入式负荷识别技术，在安装维护方面成本明显降低，有助于家庭能源系统的研发与应用，有利于电力公司了解居民用户的负荷组成情况，促进电力公司分时电价的实施，提高电力系统的安全性、经济性和可靠性；有利于督促居民用户合理用电，参与到需求侧响应中来，也有利于刺激家电生产商生产出更加节能的家电。
目前国内外对非侵入式识别已有大量理论研究，但能应用到工程实际中的识别方法相对较少，因此提出一种识别效率高、相对实时、具有增量学习性质的非侵入式识别方法显得十分必要。
发明内容
本发明提出基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，该方法对新接入的负荷数据识别速度较快、识别精度较高、能很好的植入硬件装置的特点。
本发明的目的至少通过如下技术方案之一实现。
基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，包括如下步骤：
步骤1：利用非侵入式负荷识别装置采集计算各种常用家用电器的电气参数特征，并建立相应的电气参数特征数据库；
步骤2：利用非侵入式负荷识别装置在家庭入户处进行实时的家用电器的投入切除事件监测；
步骤3：家用电器的投入切除事件发生后，待有功序列累计和变化量的绝对值低于设定值，记录下此刻的有功序列累计和以及投入切除事件发生至此刻的有功序列累计和的最大值，根据当前时刻倒推出家用电器的投入切除事件发生时刻，结合投入切除事件发生前稳态运行时的电压电流波形数据，计算得到所投入或切除的家用电器的电气参数特征；
步骤4：由非侵入式负荷识别装置将步骤3中获取的电气参数特征上传至云端，云端基于一种改进人工鱼群聚类算法，根据步骤1中建立的电气参数特征数据库，利用上传的电气参数特征对所投入或切除的家用电器进行识别；
步骤5：云端完成识别后将识别结果下发回非侵入式负荷识别装置。
进一步地，步骤1中，家用电器的电气参数特征包括暂态特征和稳态特征；稳态特征指的是由某类家电稳定运行时的电压电流波形数据计算得到的有功功率、无功功率、电压电流基波及2-11次的谐波幅值；
认为当投入切除事件发生后进入暂态过程、有功序列累计和变化量的绝对值低于设定值则进入稳态；
暂态特征体现为暂态过程中有功序列累计和的最大值、进入稳态时刻的有功序列累计和以及由暂态过程电压电流波形数据计算得到的电压电流基波及2-11次的谐波幅值；
所述电气参数特征数据库按照稳态特征和暂态特征的要求对常用的n类家用电器进行采集、计算并存储，并选取每类中由一组电气参数特征组成的数据作为n个初始典型数据。
进一步地，步骤2中，所述实时的负荷投入切除事件监测，具体如下：
利用实时获取的接入负荷的有功功率的时间序列
Figure BDA0003012521310000021
L为非侵入式负荷识别装置所固定存储的电压/电流的周波数，h为时标，1≤h≤L；
在该时间序列P内定义一个连续滑动的事件监测窗口，事件监测窗口包括稳态监测窗口和暂态监测窗口，稳态监测窗口和暂态监测窗口的长度分别为s和t，有L>s+t且暂态监测窗口始终与有功功率的时间序列
Figure BDA0003012521310000022
末尾平齐；
计算稳态窗口内的有功功率平均值Ps和暂态窗口内的有功功率平均值Pt，如下所示：
Figure BDA0003012521310000023
Figure BDA0003012521310000024
对有功功率序列累计和作如下处理：
Figure BDA0003012521310000031
Figure BDA0003012521310000032
其中，
Figure BDA0003012521310000033
表示k时刻的投入累计和，用于记录负荷投入的累积过程；
Figure BDA0003012521310000034
表示k时刻的切除累积和，用于负荷切除的累积过程；Pn表示负荷运行时有功功率的正常波动水平，解释为噪声功率；
设置阈值H，循环判断
Figure BDA0003012521310000035
是否大于阈值H，当
Figure BDA0003012521310000036
或
Figure BDA0003012521310000037
时则判定有家用电器的投入切除事件发生，否则，当
Figure BDA0003012521310000038
或
Figure BDA0003012521310000039
时，令k＝k+1，有功功率时间序列
Figure BDA00030125213100000310
前进一个单位，利用实时获取到的电压电流采样数据，计算更新有功功率序列P的末尾数据，继续循环判断有功功率序列累计和是否大于H，直到监测到家用电器的投入切除事件，执行步骤3。
进一步地，步骤3中，所述待有功序列累计和变化量的绝对值低于设定值，即在监测过程中当
Figure BDA00030125213100000311
则认为此时所处事件监测窗口内的有功功率序列趋于稳定；
若此时
Figure BDA00030125213100000312
仍小于H则直接将当前时刻的k初始化，有功功率序列累计和也相应置0，若此时
Figure BDA00030125213100000313
则记录下此刻的k值，随即初始化k值并将有功功率序列累计和置0；则在此刻所存储的L个周波中处于暂态过程的周波为第L-(k+1)个周波至第L-(s+t-1)个周波，处于稳态过程有第1个周波至第L-(k+1)个周波以及末尾s+t-1个周波；
因此，通过投入切除事件发生后的暂态过程和稳态过程采集到的电压电流波形数据减去投入切除事件发生前的稳态过程采集到的数据，计算分离得到所投入或切除的家电暂稳定运行时的电压电流波形数据，进一步计算得到所投入或切除的家电的电气参数特征。
人工鱼群算法是对鱼群觅食过程的仿生，首先初始化每条人工鱼个体，然后通过对鱼群觅食、追尾和随机行为的模拟来快速、并行的搜索最优解；所述觅食行为即循着食物浓度高的地方游动的行为，所述追尾行为就是鱼向邻近的最活跃着追逐的行为，所述随机行为即人工鱼随机自由游动，每条人工鱼状态就是一个潜在的寻优变量；将人工鱼的状态Xi输入Y＝f(X)计算得到搜索空间内的食物浓度，即对应的目标函数适应值，根据目标函数适应值的大小对人工鱼位置的好坏进行衡量，目标函数适应值越大则人工鱼位置越好。
进一步地，利用上传的电气参数特征对所投入或切除的家用电器进行识别具体步骤如下：
S4.1、对步骤1中建立的电气参数特征数据库进行聚类分析，得到n种电器的均值向量；
S4.2、获取监测到的投入切除事件中所投入或切除的家用电器的电气参数特征并进行归一化；
S4.3、在搜索空间初始化人工鱼群、人工鱼的可视域Visual、人工鱼移动的最大步长Step和最大迭代次数P，计算每条人工鱼的所处状态的食物浓度；
S4.4、令p＝1，q＝0；
S4.5、作为新的人工鱼个体执行行为，判断是否满足追尾前进，若是，执行追尾行为，若否，执行觅食行为，q＝q+1；
S4.6、将人工鱼个体执行行为后的状态向量及其均值向量所属聚类簇记录在公告板上；
S4.7、判断执行觅食行为次数q是否达到Q次，若是，则作为一种新的电器标记为第n+1个聚类簇的均值向量，结束算法，执行步骤5，否则继续执行步骤S4.8；
S4.8、p＝p+1，判断p是否大于等于P，若是则输出公告板记录状态向量的均值向量所属聚类簇，否则进行可视域、步长的自适应变化操作，返回步骤S4.5。
进一步地，一个搜索空间内，第i条人工鱼的状态用m维特征向量
Figure BDA0003012521310000041
表示，其中i＝1,2,…N，
Figure BDA0003012521310000042
为第i条人工鱼在第m个属性上的取值；每条人工鱼的状态向量中的元素即每个负荷投入所采集计算得到的电气参数特征；
步骤S4.3中，不同电气参数特征具有不同的量纲和数量级，为了人工鱼群聚类算法能够发挥最佳效果，故对电气参数特征进行归一化处理，使用最大最小值归一化，将负荷映射到0到1之间，计算公式如下：
Figure BDA0003012521310000043
式中
Figure BDA0003012521310000044
为第i条人工鱼的第j个属性归一化之后的取值；xj.max、xj.min分别为第j个属性的最大值与最小值，
Figure BDA0003012521310000045
为第i条人工鱼的第j个属性的原始值。
进一步地，步骤S4.3中，每条人工鱼的所处状态的食物浓度计算如下：
对各电气参数特征进行归一化处理后，假设电气参数特征数据库中初始典型数据的个数为n，暂将这n个点作为聚类簇的均值向量；目标函数用人工鱼的当前状态的食物浓度表示未标记样本到n个标记均值向量的欧式距离的最小值，计算式定义如下：
Figure BDA0003012521310000051
其中，Yi表示第i条人工鱼的所处状态的食物浓度，i的取值遍历整个电气参数特征数据库中除标记样本外的所有样本个数，Pi和
Figure BDA0003012521310000052
分别表示第i条人工鱼状态向量中有功功率属性取值和第r个标记样本中心有功功率属性取值；Qi和
Figure BDA0003012521310000053
分别表示第i条人工鱼状态中无功功率属性取值和第r个标记样本中心无功功率属性取值；gi.max和gik分别表示第i条人工鱼状态向量中有功功率累计和的最大值和重归稳态时的取值，
Figure BDA0003012521310000054
和
Figure BDA0003012521310000055
则是第r个样本中心对应有功有功功率累计和最大值属性和重归稳态时有功功率累计和属性的取值；Iisu和Iitu分别表示第i条人工鱼状态向量中由稳态和暂态波形数据经傅里叶变换得到的电流基波至11次谐波的幅值；Irsu和Irtu分别表示第r个样本中心对应电流基波和谐波幅值属性的取值；根据计算式求解食物浓度，人工鱼将朝最近的食物浓度高的地方聚集。
进一步地，步骤S4.5中，所述追尾行为是人工鱼向附近最优伙伴状态前进的过程；若人工鱼的可视域Visual范围内存在伙伴，则满足追尾前进，执行追尾行为，否则执行觅食行为；追尾行为具体如下：
先找出第i条人工鱼可视域内的伙伴们所属聚类簇的均值向量，按照第i条人工鱼所处状态Xi的食物浓度与得到此食物浓度的聚类簇的均值向量，再在可视域内的伙伴中寻找属于此聚类簇下食物浓度最高的状态，第i条人工鱼朝着食物浓度最高的状态的方向前进一步，追尾行为由以下公式表示：
Figure BDA0003012521310000056
式中
Figure BDA0003012521310000057
和
Figure BDA0003012521310000058
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数，
Figure BDA0003012521310000059
为第i条人工鱼和第j条人工鱼的所处状态之间的距离，作为可视域内的伙伴的第j条人工鱼的所处状态Xj的食物浓度Yj＞Yi。
进一步地，步骤S4.5中，所述觅食行为是在第i条人工鱼的可视域范围内无伙伴时随机选择一个状态Xrandom，其公式为：
Xrandom＝Xi+Visual·Rand()；
如果随机选择的状态Xrandom的食物浓度Yrandom＞Yi，则公告板记录状态Xbetter＝Xrandom及其均值向量所属聚类簇，且第i条人工鱼向随机选择的状态Xrandom的位置移动一个步长，否则维持原状，将此次觅食行为作为一次试探；
第i条人工鱼前进的公式为：
Figure BDA0003012521310000061
式中
Figure BDA0003012521310000062
和
Figure BDA0003012521310000063
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数，
Figure BDA0003012521310000064
为第i条人工鱼的所处状态Xi的随机选择的状态Xrandom之间的距离。
进一步地，若觅食行为试探trynumber次后出现随机选择的状态Xrandom的食物浓度Yrandom＞Yi，则向公告板记录该状态及其食物浓度，觅食行为试探trynumber次结束后，则第i条人工鱼向公告板记录的状态Xbetter前进一步，公式为：
Figure BDA0003012521310000065
式中
Figure BDA0003012521310000066
和
Figure BDA0003012521310000067
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数，Xbetter为公告板记录的较好的状态；
若觅食行为试探trynumber次后并没有出现随机选择的状态Xrandom的食物浓度Yrandom＞Yi，即试探trynumber次没有找到食物浓度高于觅食前状态下的食物浓度，则随机移动一步，公式为：
Figure BDA0003012521310000068
式中
Figure BDA0003012521310000069
和
Figure BDA00030125213100000610
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数。
相比于现有技术，本发明的有益效果是：
本发明提出的一种改进人工鱼群聚类算法的非侵入式家电负荷识别的方法，利用有功功率序列累积和的变化值来监测暂态事件的发生，能够有效滤除测量装置等带来的小功率扰动，监测灵敏并能够获取包含稳态和暂态的特征参数。此方法较有效地利用了数据点之间的分布信息，对刚接入家电负荷能够快速分类，当新接入的家电数目和种类会不断更新聚类簇数和中心均值向量，提高了负荷识别的精度。
附图说明
图1是滑动窗有功功率双边累积和示意图。
图2是改进人工鱼群聚类算法流程图。
图3是基于改进人工鱼群聚类算法的非侵入式家电负荷识别流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合附图并举实施例，对本发明的具体实施进行详细说明。
实施例：
基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，包括如下步骤：
步骤1：利用非侵入式负荷识别装置采集计算各种常用家用电器的电气参数特征，并建立相应的电气参数特征数据库；
家用电器的电气参数特征包括暂态特征和稳态特征；稳态特征指的是由某类家电稳定运行时的电压电流波形数据计算得到的有功功率、无功功率、电压电流基波及2-11次的谐波幅值；
认为当投入切除事件发生后进入暂态过程、有功序列累计和变化量的绝对值低于设定值则进入稳态；
暂态特征体现为暂态过程中有功序列累计和的最大值、进入稳态时刻的有功序列累计和以及由暂态过程电压电流波形数据计算得到的电压电流基波及2-11次的谐波幅值；
所述电气参数特征数据库按照稳态特征和暂态特征的要求对常用的n类家用电器进行采集、计算并存储，并选取每类中由一组电气参数特征组成的数据作为n个初始典型数据。
本实施例中，所述非侵入式负荷识别装置以能源USB入户集中器为原型(江浩荣.面向需求侧响应的统一接口装置研发与应用[D].华南理工大学,2018.)，采样频率为6.4kHz。
步骤2：利用非侵入式负荷识别装置在家庭入户处进行实时的家用电器的投入切除事件监测，具体如下：
利用实时获取的接入负荷的有功功率的时间序列
Figure BDA0003012521310000071
L为非侵入式负荷识别装置所固定存储的电压/电流的周波数，h为时标，1≤h≤L；
在该时间序列P内定义一个连续滑动的事件监测窗口，事件监测窗口包括稳态监测窗口和暂态监测窗口，本实施例中，如图1所示，稳态监测窗口和暂态监测窗口的长度s和t分别为4和2，有L>s+t且暂态监测窗口始终与有功功率的时间序列
Figure BDA0003012521310000072
末尾平齐；
计算稳态窗口内的有功功率平均值Ps和暂态窗口内的有功功率平均值Pt，如下所示：
Figure BDA0003012521310000081
Figure BDA0003012521310000082
对有功功率序列累计和作如下处理：
Figure BDA0003012521310000083
Figure BDA0003012521310000084
其中，
Figure BDA0003012521310000085
表示k时刻的投入累计和，用于记录负荷投入的累积过程；
Figure BDA0003012521310000086
表示k时刻的切除累积和，用于负荷切除的累积过程；Pn表示负荷运行时有功功率的正常波动水平，解释为噪声功率；
设置阈值H，循环判断
Figure BDA0003012521310000087
是否大于阈值H，当
Figure BDA0003012521310000088
或
Figure BDA0003012521310000089
时则判定有家用电器的投入切除事件发生，否则，当
Figure BDA00030125213100000810
或
Figure BDA00030125213100000811
时，令k＝k+1，有功功率时间序列
Figure BDA00030125213100000812
前进一个单位，利用实时获取到的电压电流采样数据，计算更新有功功率序列P的末尾数据，继续循环判断有功功率序列累计和是否大于H，直到监测到家用电器的投入切除事件，执行步骤3。
本实施例中，若所需识别的最小有功功率值为35W，有功功率正常波动水平为10W，则阈值H的参考值可设为32W。
步骤3：家用电器的投入切除事件发生后，待有功序列累计和变化量的绝对值低于设定值，记录下此刻的有功序列累计和以及投入切除事件发生至此刻的有功序列累计和的最大值，根据当前时刻倒推出家用电器的投入切除事件发生时刻，结合投入切除事件发生前稳态运行时的电压电流波形数据，计算得到所投入或切除的家用电器的电气参数特征；
所述待有功序列累计和变化量的绝对值低于设定值，即在监测过程中当
Figure BDA00030125213100000813
则认为此时所处事件监测窗口内的有功功率序列趋于稳定；
若此时
Figure BDA00030125213100000814
仍小于H则直接将当前时刻的k初始化，有功功率序列累计和也相应置0，若此时
Figure BDA00030125213100000815
则记录下此刻的k值，随即初始化k值并将有功功率序列累计和置0；则在此刻所存储的L个周波中处于暂态过程的周波为第L-(k+1)个周波至第L-(s+t-1)个周波，处于稳态过程有第1个周波至第L-(k+1)个周波以及末尾s+t-1个周波；
因此，通过投入切除事件发生后的暂态过程和稳态过程采集到的电压电流波形数据减去投入切除事件发生前的稳态过程采集到的数据，计算分离得到所投入或切除的家电暂稳定运行时的电压电流波形数据，进一步计算得到所投入或切除的家电的电气参数特征。
步骤4：由非侵入式负荷识别装置将步骤3中获取的电气参数特征上传至云端，云端基于一种改进人工鱼群聚类算法，根据步骤1中建立的电气参数特征数据库，利用上传的电气参数特征对所投入或切除的家用电器进行识别，如图2和图3所示，具体步骤如下：
S4.1、对步骤1中建立的电气参数特征数据库进行聚类分析，得到n种电器的均值向量；
S4.2、获取监测到的投入切除事件中所投入或切除的家用电器的电气参数特征并进行归一化；
一个搜索空间内，第i条人工鱼的状态用m维特征向量
Figure BDA0003012521310000091
表示，其中i＝1,2,…N，
Figure BDA0003012521310000092
为第i条人工鱼在第m个属性上的取值；每条人工鱼的状态向量中的元素即每个负荷投入所采集计算得到的电气参数特征；
S4.3、在搜索空间初始化人工鱼群、人工鱼的可视域Visual、人工鱼移动的最大步长Step和最大迭代次数P，计算每条人工鱼的所处状态的食物浓度；
不同电气参数特征具有不同的量纲和数量级，为了人工鱼群聚类算法能够发挥最佳效果，故对电气参数特征进行归一化处理，使用最大最小值归一化，将负荷映射到0到1之间，计算公式如下：
Figure BDA0003012521310000093
式中
Figure BDA0003012521310000094
为第i条人工鱼的第j个属性归一化之后的取值；xj.max、xj.min分别为第j个属性的最大值与最小值，
Figure BDA0003012521310000095
为第i条人工鱼的第j个属性的原始值。
每条人工鱼的所处状态的食物浓度计算如下：
对各电气参数特征进行归一化处理后，假设电气参数特征数据库中初始典型数据的个数为n，暂将这n个点作为聚类簇的均值向量；目标函数用人工鱼的当前状态的食物浓度表示未标记样本到n个标记均值向量的欧式距离的最小值，计算式定义如下：
Figure BDA0003012521310000101
其中，Yi表示第i条人工鱼的所处状态的食物浓度，i的取值遍历整个电气参数特征数据库中除标记样本外的所有样本个数，Pi和
Figure BDA0003012521310000102
分别表示第i条人工鱼状态向量中有功功率属性取值和第r个标记样本中心有功功率属性取值；Qi和
Figure BDA0003012521310000103
分别表示第i条人工鱼状态中无功功率属性取值和第r个标记样本中心无功功率属性取值；gi.max和gi.k分别表示第i条人工鱼状态向量中有功功率累计和的最大值和重归稳态时的取值，
Figure BDA0003012521310000104
和
Figure BDA0003012521310000105
则是第r个样本中心对应有功有功功率累计和最大值属性和重归稳态时有功功率累计和属性的取值；Iisu和Iitu分别表示第i条人工鱼状态向量中由稳态和暂态波形数据经傅里叶变换得到的电流基波至11次谐波的幅值；Irsu和Irtu分别表示第r个样本中心对应电流基波和谐波幅值属性的取值；根据计算式求解食物浓度，人工鱼将朝最近的食物浓度高的地方聚集。
S4.4、令p＝1，q＝0；
S4.5、作为新的人工鱼个体执行行为，判断是否满足追尾前进，若是，执行追尾行为，若否，执行觅食行为，q＝q+1；
所述追尾行为是人工鱼向附近最优伙伴状态前进的过程；若人工鱼的可视域Visual范围内存在伙伴，则满足追尾前进，执行追尾行为，否则执行觅食行为；追尾行为具体如下：
先找出第i条人工鱼可视域内的伙伴们所属聚类簇的均值向量，按照第i条人工鱼所处状态Xi的食物浓度与得到此食物浓度的聚类簇的均值向量，再在可视域内的伙伴中寻找属于此聚类簇下食物浓度最高的状态，第i条人工鱼朝着食物浓度最高的状态的方向前进一步，追尾行为由以下公式表示：
Figure BDA0003012521310000106
式中
Figure BDA0003012521310000107
和
Figure BDA0003012521310000108
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数，
Figure BDA0003012521310000109
为第i条人工鱼和第j条人工鱼的所处状态之间的距离，作为可视域内的伙伴的第j条人工鱼的所处状态Xj的食物浓度Yj＞Yi。
所述觅食行为是在第i条人工鱼的可视域范围内无伙伴时随机选择一个状态Xrandom，其公式为：
Xrandom＝Xi+Visual·Rand()；
如果随机选择的状态Xrandom的食物浓度Yrandom＞Yi，则公告板记录状态Xbetter＝Xrandom及其均值向量所属聚类簇，且第i条人工鱼向随机选择的状态Xrandom的位置移动一个步长，否则维持原状，将此次觅食行为作为一次试探；
第i条人工鱼前进的公式为：
Figure BDA0003012521310000111
式中
Figure BDA0003012521310000112
和
Figure BDA0003012521310000113
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数，
Figure BDA0003012521310000114
为第i条人工鱼的所处状态Xi的随机选择的状态Xrandom之间的距离。
若觅食行为试探trynumber次后出现随机选择的状态Xrandom的食物浓度Yrandom＞Y，i则向公告板记录该状态及其食物浓度，觅食行为试探trynumber次结束后，则第i条人工鱼向公告板记录的状态Xbetter前进一步，公式为：
Figure BDA0003012521310000115
式中
Figure BDA0003012521310000116
和
Figure BDA0003012521310000117
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数，Xbetter为公告板记录的较好的状态；
若觅食行为试探trynumber次后并没有出现随机选择的状态Xrandom的食物浓度Yrandom＞Yi，即试探trynumber次没有找到食物浓度高于觅食前状态下的食物浓度，则随机移动一步，公式为：
Figure BDA0003012521310000118
式中
Figure BDA0003012521310000119
和
Figure BDA00030125213100001110
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数。
S4.6、将人工鱼个体执行行为后的状态向量及其均值向量所属聚类簇记录在公告板上；
S4.7、判断执行觅食行为次数q是否达到Q次，若是，则作为一种新的电器标记为第n+1个聚类簇的均值向量，结束算法，执行步骤5，否则继续执行步骤S4.8；
S4.8、p＝p+1，判断p是否大于等于P，若是则输出公告板记录状态向量的均值向量所属聚类簇，否则进行可视域、步长的自适应变化操作，返回步骤S4.5。
步骤5：云端完成识别后将识别结果下发回非侵入式负荷识别装置。
本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。本领域技术人员可以对上述描述进行变动和改进。这些对于本领域技术人员显而易见的变动和改进由所附的权利要求来限。这里无需也无法对所有的实施方式予以穷举。

Claims (8)

1.基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，其特征在于，包括如下步骤：
步骤1：利用非侵入式负荷识别装置采集计算各种常用家用电器的电气参数特征，并建立相应的电气参数特征数据库；
步骤2：利用非侵入式负荷识别装置在家庭入户处进行实时的家用电器的投入切除事件监测；所述实时的负荷投入切除事件监测，具体如下：
利用实时获取的接入负荷的有功功率的时间序列
Figure FDA0004053404500000018
L为非侵入式负荷识别装置所固定存储的电压/电流的周波数，h为时标，1≤h≤L；
在该时间序列P内定义一个连续滑动的事件监测窗口，事件监测窗口包括稳态监测窗口和暂态监测窗口，稳态监测窗口和暂态监测窗口的长度分别为s和t，有L>s+t且暂态监测窗口始终与有功功率的时间序列
Figure FDA0004053404500000019
末尾平齐；
计算稳态窗口内的有功功率平均值Ps和暂态窗口内的有功功率平均值Pt，如下所示：
Figure FDA0004053404500000011
Figure FDA0004053404500000012
对有功功率序列累计和作如下处理：
Figure FDA0004053404500000013
Figure FDA0004053404500000014
其中，
Figure FDA0004053404500000015
表示k时刻的投入累计和，用于记录负荷投入的累积过程；
Figure FDA0004053404500000016
表示k时刻的切除累积和，用于负荷切除的累积过程；
Figure FDA0004053404500000017
表示k-1时刻的切除累积和，用于负荷切除的累积过程；Pn表示负荷运行时有功功率的正常波动水平，解释为噪声功率；
设置阈值H，循环判断
Figure FDA0004053404500000021
是否大于阈值H，当
Figure FDA0004053404500000022
或
Figure FDA0004053404500000023
时则判定有家用电器的投入切除事件发生，否则，当
Figure FDA0004053404500000024
或
Figure FDA0004053404500000025
时，令k＝k+1，有功功率时间序列
Figure FDA0004053404500000026
前进一个单位，利用实时获取到的电压电流采样数据，计算更新有功功率序列P的末尾数据，继续循环判断有功功率序列累计和是否大于H，直到监测到家用电器的投入切除事件，执行步骤3；
步骤3：家用电器的投入切除事件发生后，待有功序列累计和变化量的绝对值低于设定值，记录下此刻的有功序列累计和以及投入切除事件发生至此刻的有功序列累计和的最大值，根据当前时刻倒推出家用电器的投入切除事件发生时刻，结合投入切除事件发生前稳态运行时的电压电流波形数据，计算得到所投入或切除的家用电器的电气参数特征；所述待有功序列累计和变化量的绝对值低于设定值，即在监测过程中当
Figure FDA0004053404500000027
则认为此时所处事件监测窗口内的有功功率序列趋于稳定；
Figure FDA0004053404500000028
表示k+1时刻的投入累计和，用于记录负荷投入的累积过程；
若此时
Figure FDA0004053404500000029
仍小于H则直接将当前时刻的k初始化，有功功率序列累计和也相应置0，若此时
Figure FDA00040534045000000210
则记录下此刻的k值，随即初始化k值并将有功功率序列累计和置0；则在此刻所存储的L个周波中处于暂态过程的周波为第L-(k+1)个周波至第L-(s+t-1)个周波，处于稳态过程有第1个周波至第L-(k+1)个周波以及末尾s+t-1个周波；
因此，通过投入切除事件发生后的暂态过程和稳态过程采集到的电压电流波形数据减去投入切除事件发生前的稳态过程采集到的数据，计算分离得到所投入或切除的家电暂稳定运行时的电压电流波形数据，进一步计算得到所投入或切除的家电的电气参数特征；
步骤4：由非侵入式负荷识别装置将步骤3中获取的电气参数特征上传至云端，云端基于一种改进人工鱼群聚类算法，根据步骤1中建立的电气参数特征数据库，利用上传的电气参数特征对所投入或切除的家用电器进行识别；
步骤5：云端完成识别后将识别结果下发回非侵入式负荷识别装置。
2.根据权利要求1所述的基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，其特征在于，步骤1中，家用电器的电气参数特征包括暂态特征和稳态特征；稳态特征指的是由某类家电稳定运行时的电压电流波形数据计算得到的有功功率、无功功率、电压电流基波及2-11次的谐波幅值；
认为当投入切除事件发生后进入暂态过程、有功序列累计和变化量的绝对值低于设定值则进入稳态；
暂态特征体现为暂态过程中有功序列累计和的最大值、进入稳态时刻的有功序列累计和以及由暂态过程电压电流波形数据计算得到的电压电流基波及2-11次的谐波幅值；
所述电气参数特征数据库按照稳态特征和暂态特征的要求对常用的n类家用电器进行采集、计算并存储，并选取每类中由一组电气参数特征组成的数据作为n个初始典型数据。
3.根据权利要求1所述的基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，其特征在于，
利用上传的电气参数特征对所投入或切除的家用电器进行识别具体步骤如下：
S4.1、对步骤1中建立的电气参数特征数据库进行聚类分析，得到n种电器的均值向量；
S4.2、获取监测到的投入切除事件中所投入或切除的家用电器的电气参数特征并进行归一化；
S4.3、在搜索空间初始化人工鱼群、人工鱼的可视域Visual、人工鱼移动的最大步长Step和最大迭代次数P，计算每条人工鱼的所处状态的食物浓度；
S4.4、令p＝1，q＝0；
S4.5、作为新的人工鱼个体执行行为，判断是否满足追尾前进，若是，执行追尾行为，若否，执行觅食行为，q＝q+1；
S4.6、将人工鱼个体执行行为后的状态向量及其均值向量所属聚类簇记录在公告板上；
S4.7、判断执行觅食行为次数q是否达到Q次，若是，则作为一种新的电器标记为第n+1个聚类簇的均值向量，结束算法，执行步骤5，否则继续执行步骤S4.8；
S4.8、p＝p+1，判断p是否大于等于P，若是则输出公告板记录状态向量的均值向量所属聚类簇，否则进行可视域、步长的自适应变化操作，返回步骤S4.5。
4.根据权利要求3所述的基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，其特征在于，一个搜索空间内，第i条人工鱼的状态用m维特征向量
Figure FDA0004053404500000041
表示，其中i＝1,2,…N，
Figure FDA0004053404500000042
为第i条人工鱼在第m个属性上的取值；每条人工鱼的状态向量中的元素即每个负荷投入所采集计算得到的电气参数特征；
步骤S4.3中，不同电气参数特征具有不同的量纲和数量级，为了人工鱼群聚类算法能够发挥最佳效果，故对电气参数特征进行归一化处理，使用最大最小值归一化，将负荷映射到0到1之间，计算公式如下：
Figure FDA0004053404500000043
式中
Figure FDA0004053404500000044
为第i条人工鱼的第j个属性归一化之后的取值；xj.max、xj.min分别为第j个属性的最大值与最小值，
Figure FDA0004053404500000045
为第i条人工鱼的第j个属性的原始值。
5.根据权利要求4所述的基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，其特征在于，步骤S4.4中，每条人工鱼的所处状态的食物浓度计算如下：
对各电气参数特征进行归一化处理后，假设电气参数特征数据库中初始典型数据的个数为n，暂将这n个点作为聚类簇的均值向量；目标函数用人工鱼的当前状态的食物浓度表示未标记样本到n个标记均值向量的欧式距离的最小值，计算式定义如下：
Figure FDA0004053404500000046
其中，Yi表示第i条人工鱼的所处状态的食物浓度，i的取值遍历整个电气参数特征数据库中除标记样本外的所有样本个数，Pi和
Figure FDA0004053404500000047
分别表示第i条人工鱼状态向量中有功功率属性取值和第r个标记样本中心有功功率属性取值；Qi和
Figure FDA0004053404500000048
分别表示第i条人工鱼状态中无功功率属性取值和第r个标记样本中心无功功率属性取值；gi.max和gi.k分别表示第i条人工鱼状态向量中有功功率累计和的最大值和重归稳态时的取值，
Figure FDA0004053404500000051
和
Figure FDA0004053404500000052
则是第r个样本中心对应有功有功功率累计和最大值属性和重归稳态时有功功率累计和属性的取值；Iisu和Iitu分别表示第i条人工鱼状态向量中由稳态和暂态波形数据经傅里叶变换得到的电流基波至11次谐波的幅值；Irsu和Irtu分别表示第r个样本中心对应电流基波和谐波幅值属性的取值；根据计算式求解食物浓度，人工鱼将朝最近的食物浓度高的地方聚集。
6.根据权利要求5所述的基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，其特征在于，步骤S4.5中，所述追尾行为是人工鱼向附近最优伙伴状态前进的过程；若人工鱼的可视域Visual范围内存在伙伴，则满足追尾前进，执行追尾行为，否则执行觅食行为；追尾行为具体如下：
先找出第i条人工鱼可视域内的伙伴们所属聚类簇的均值向量，按照第i条人工鱼所处状态Xi的食物浓度与得到此食物浓度的聚类簇的均值向量，再在可视域内的伙伴中寻找属于此聚类簇下食物浓度最高的状态，第i条人工鱼朝着食物浓度最高的状态的方向前进一步，追尾行为由以下公式表示：
Figure FDA0004053404500000053
式中
Figure FDA0004053404500000054
和
Figure FDA0004053404500000055
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数，
Figure FDA0004053404500000056
为第i条人工鱼和第j条人工鱼的所处状态之间的距离，作为可视域内的伙伴的第j条人工鱼的所处状态Xj的食物浓度Yj>Yi。
7.根据权利要求6所述的基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，其特征在于，步骤S4.5中，所述觅食行为是在第i条人工鱼的可视域范围内无伙伴时随机选择一个状态Xrandom，其公式为：
Xrandom＝Xi+Visual·Rand()；
如果随机选择的状态Xrandom的食物浓度Yrandom>Yi，则公告板记录状态Xbetter＝Xrandom及其均值向量所属聚类簇，且第i条人工鱼向随机选择的状态Xrandom的位置移动一个步长，否则维持原状，将此次觅食行为作为一次试探；
第i条人工鱼前进的公式为：
Figure FDA0004053404500000061
式中
Figure FDA0004053404500000062
和
Figure FDA0004053404500000063
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数，
Figure FDA0004053404500000064
为第i条人工鱼的所处状态Xi的随机选择的状态Xrandom之间的距离。
8.根据权利要求7所述的基于改进人工鱼群聚类算法的非侵入式负荷识别的方法，其特征在于，若觅食行为试探trynumber次过程中出现随机选择的状态Xrandom的食物浓度Yrandom>Yi，则向公告板记录该状态及其食物浓度，觅食行为试探trynumber次结束后，第i条人工鱼向公告板记录的状态Xbetter前进一步，公式为：
Figure FDA0004053404500000065
式中
Figure FDA0004053404500000066
和
Figure FDA0004053404500000067
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数；
若觅食行为试探trynumber次后并没有出现随机选择的状态Xrandom的食物浓度Yrandom>Yi，即试探trynumber次没有找到食物浓度高于觅食前状态下的食物浓度，则随机移动一步，公式为：
Figure FDA0004053404500000068
式中
Figure FDA0004053404500000069
和
Figure FDA00040534045000000610
分别为第i条人工鱼移动前后的位置信息，αStep表示的是人工鱼前进步长，随迭代的进程自适应地减少步长，Rand()产生0至1之间的随机数。
CN202110379851.1A 2021-04-08 2021-04-08 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法 Active CN113131489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110379851.1A CN113131489B (zh) 2021-04-08 2021-04-08 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110379851.1A CN113131489B (zh) 2021-04-08 2021-04-08 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法

Publications (2)

Publication Number Publication Date
CN113131489A CN113131489A (zh) 2021-07-16
CN113131489B true CN113131489B (zh) 2023-04-25

Family

ID=76775532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110379851.1A Active CN113131489B (zh) 2021-04-08 2021-04-08 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法

Country Status (1)

Country Link
CN (1) CN113131489B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106680637A (zh) * 2017-01-12 2017-05-17 威胜集团有限公司 非侵入式家用负荷投切事件实时监测方法
CN110866214A (zh) * 2019-11-07 2020-03-06 昆明理工大学 基于改进微分进化算法的非侵入式负荷分解

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376921A (zh) * 2018-10-15 2019-02-22 河南理工大学 基于遗传人工鱼群优化rbf神经网络短期负荷预测方法
CN111160798B (zh) * 2019-12-31 2023-11-21 华南理工大学 一种基于蜂群算法的非侵入式家电负荷识别方法
CN111766462B (zh) * 2020-05-14 2023-03-10 中国计量大学 一种基于v-i轨迹的非侵入式负荷识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106680637A (zh) * 2017-01-12 2017-05-17 威胜集团有限公司 非侵入式家用负荷投切事件实时监测方法
CN110866214A (zh) * 2019-11-07 2020-03-06 昆明理工大学 基于改进微分进化算法的非侵入式负荷分解

Also Published As

Publication number Publication date
CN113131489A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
CN108616120B (zh) 一种基于rbf神经网络的非侵入式电力负荷分解方法
CN111160798B (zh) 一种基于蜂群算法的非侵入式家电负荷识别方法
CN108021736B (zh) 一种基于滑动窗残差模型的负荷投切动作监测方法
CN111564842B (zh) 一种非侵入式用电负荷监测中长期能耗统计估算的方法
CN111563827B (zh) 基于电器物理特性及居民用电行为的负荷分解方法
Andrean et al. A hybrid method of cascade-filtering and committee decision mechanism for non-intrusive load monitoring
CN109633301B (zh) 基于量子遗传优化的非侵入式电器负荷识别方法
CN112580471A (zh) 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法
CN113902104A (zh) 联合无监督域自适应策略和注意力机制的非侵入式负荷监测方法
CN113030564A (zh) 一种基于双芯智能电表系统下的负荷识别方法
Ebrahim et al. Energy disaggregation based deep learning techniques: A pre-processing stage to enhance the household load forecasting
CN114358367A (zh) 一种非侵入式负荷分解方法及装置
CN111898694B (zh) 一种基于随机树分类的非入侵式负荷识别方法及装置
CN113131489B (zh) 基于改进人工鱼群聚类算法的非侵入式负荷识别的方法
CN113076354A (zh) 一种基于非侵入式负荷监测的用户用电数据分析方法和装置
CN113010985A (zh) 一种基于并行aann的非侵入式负荷识别方法
CN115758188A (zh) 一种非侵入式的负荷识别方法、装置、设备和介质
Li et al. Short-term load forecasting using support vector regression-based local predictor
CN116467631A (zh) 电力指纹识别模型训练方法、电力指纹识别方法及装置
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
CN110889465B (zh) 基于自适应谐振网络的电力需求侧设备辨识方法和系统
Nashrullah et al. Performance Evaluation of Superstate HMM with Median Filter For Appliance Energy Disaggregation
CN113158446A (zh) 非侵入式电力负载识别方法
Yan et al. A clustering method for power time series curves based on improved self-organizing mapping algorithm
Ye et al. A morphological filter-based local prediction method with multi-variable inputs for short-term load forecast

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