CN113505465A - 完全无监督的非侵入式电器状态模型自适应构建方法 - Google Patents
完全无监督的非侵入式电器状态模型自适应构建方法 Download PDFInfo
- Publication number
- CN113505465A CN113505465A CN202110560585.2A CN202110560585A CN113505465A CN 113505465 A CN113505465 A CN 113505465A CN 202110560585 A CN202110560585 A CN 202110560585A CN 113505465 A CN113505465 A CN 113505465A
- Authority
- CN
- China
- Prior art keywords
- load
- sces
- load event
- event
- sequence
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000005065 mining Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000000203 mixture Substances 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 28
- 230000001052 transient effect Effects 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 9
- 239000011541 reaction mixture Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 230000036316 preload Effects 0.000 claims description 2
- 238000011895 specific detection Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种完全无监督的非侵入式电器状态模型自适应构建方法，根据一段时间内积累的未知负荷事件数目或相应未知电量预判是否满足电器建模过程的启动条件；当满足电器建模过程启动条件，进行负荷总量数据读入；利用频繁模式挖掘技术从未知负荷事件中挖掘电器的FES模式；电器SCES模式的筛选与分组；对于不同的电器SCES模式分组建立或更新电器的FSM模型拓扑图；进而根据电器的负荷事件数据及负荷总量数据估计或更新其FSM模型参数。本发明仅以负荷总量数据为处理对象，自适应地建立和更新负荷内部电器的FSM模型。即使面对用户负荷组成随机变化，实际场景复杂多样，该方法仍能准确地建立电器负荷模型，并保证其泛化能力。
Description
技术领域
本发明属于非侵入式负荷监测领域，尤其涉及一种完全无监督的非侵入式电器状态模型自适应构建方法。
背景技术
近年来，智能电网技术的快速发展引起了整个电力系统领域的深刻变革。其中，负荷用电细节监测作为智能电网高级量测体系领域的一个研究方向[1-2]，可以在实现用户参与电力市场、提供需求响应，提升电力公司与用户的交互深度等方面提供重要的技术支持和信息保障。而非侵入式负荷监测(NILM)依靠其成本低、扩展性强、便于维护、易于被用户接受等优点已成为实现负荷用电细节监测的主流技术手段，吸引着众多研究人员在此领域展开研究。
构建单个电器的状态模型是建立和求解NILM问题模型的前提。电器状态模型包含电器的完整工作状态集合、不同工作状态间的转换关系及相关负荷印记模板集合等信息。在NILM领域最常用的电器状态模型是有限状态机(FSM)模型。然而，目前绝大多数已报道的关于NILM的研究并不能完满解决NILM的电器状态模型构建(简称电器建模)问题，其面临的主要困难和挑战为：
(1)一些研究[3]采用有监督的电器建模方法，其前提条件是获取有标记的用电数据。针对庞杂的用户，往往需人工协助深入负荷内部展开负荷组成调研或直接参与收集单个电器的用电数据，缺乏现实应用的可实施性。而且，为了适应用户增加新电器或已有的电器出现新的工作状态的情形，需要人工长期跟踪维护。以上过程通常需要侵入用户内部，导致方案的可扩展性差，且与“非侵入式”的技术理念相悖。
(2)一些研究[4]依靠提前获取一些关于电器运行的经验规律等作为专家知识，实现“无监督”电器建模，但是现实中的场景千差万别，电器种类复杂多样，其专家知识的泛化能力难以保证。
(3)一些研究[5]虽能实现无监督电器建模，但是其对目标场景要求苛刻，如当只有出现电器独立运行时，才能实现该电器的负荷模型的构建，这些约束导致其推广性差。
因此，为了解决上述问题，亟需一种完全无监督且适用于多种电器类型的非侵入式电器状态模型自适应构建方法。
[参考文献]
[1]栾文鹏.高级量测体系[J].南方电网技术，2009，3(2)：6-10.
[2]栾文鹏，王冠，徐大青.支持多种服务和业务融合的高级量测体系架构[J].中国电机工程学报，2014，34(29)：5088-5095.
[3]Streubel R,Yang B.Identification of electrical appliances viaanalysis of power consumption[C].2012 47th International Universities PowerEngineering Conference(UPEC),IEEE,2012:1-6.
[4]Dong M,Meira P C M,Xu W,et al.Non-intrusive signature extractionfor major residential loads[J].IEEE Transactions on Smart Grid,2013,4(3):1421-1430.
[5]J Z Kolter,T Jaakkola.Approximate Inference in Additive FactorialHMMs with Application to Energy Disaggregation[C].Proceedings of the 15thInternational Conference on Artificial Intelligence and Statistics,AISTATS,2012:1472-1482.
[6]Bo Liu,Wenpeng Luan,Yixin Yu.Dynamic time warping based non-intrusive load transient identification[J].Applied Energy,2017,195:634-645.
[7]G.W.Hart.Nonintrusive appliance load monitoring[J].Proceedings ofthe IEEE,1992,80(12):1870-1891.
发明内容
针对上述现有技术，为了解决上述提到的在构建电器状态模型方面存在的问题，需要在不侵入负荷内部且不需要任何关于“陌生”电器的专家知识的情况下，仅以负荷总量数据为处理对象，自适应地建立和更新负荷内部电器的有限状态机(FSM)模型。据此，本发明借鉴频繁模式挖掘技术思想，设计了一种完全无监督的非侵入式电器状态模型自适应构建方法。
本发明提出的一种完全无监督的非侵入式电器状态模型自适应构建方法，是在根据当前电器状态模型库持续进行负荷事件识别的过程中，以负荷总量数据为处理对象，面对用户负荷组成随机变化和实际场景复杂多样，自适应地建立和更新负荷内部电器的FSM模型，并保证该模型的泛化能力；主要包括：根据一段时间内积累的未知负荷事件数目或相应未知电量预判是否满足电器建模过程的启动条件；当满足电器建模过程启动条件，进行负荷总量数据读入；利用频繁模式挖掘技术从未知负荷事件中挖掘电器的频繁事件序列(FES)模式；电器简单回路负荷事件序列(SCES)模式的筛选与分组；对于不同的电器简单回路负荷事件序列(SCES)模式分组建立或更新电器的FSM模型拓扑图；进而根据电器的负荷事件数据及负荷总量数据估计或更新其FSM模型参数。具体步骤如下：
步骤一、电器建模过程启动条件预判：当一段时间内积累的未知负荷事件数目或相应未知电量超过预设的阈值时，启动电器建模过程，并进入电器建模的学习时段；所述的未知负荷事件或相应未知电量是由电器出现的新的用电模式所产生的；
步骤二、负荷总量数据读入：读取学习时段内原始负荷总量数据，包括负荷总功率数据和负荷事件序列；
步骤三、频繁事件序列(FES)模式的挖掘：在负荷事件序列中针对所有未知负荷事件，挖掘频繁负荷事件序列(FES)模式，并将结果记录在集合ΩFES中；
步骤四、电器简单回路负荷事件序列(SCES)模式的筛选与分组：从上述集合ΩFES中筛选电器简单回路负荷事件序列(SCES)模式，并将结果记录在所述集合ΩSCES中；根据关联规则将不同的电器简单回路负荷事件序列(SCES)模式归类分组，将属于同一电器的所有简单回路负荷事件序列(SCES)模式归为一组；
步骤五、建立或更新电器的FSM模型拓扑图：所述的电器FSM模型拓扑图是一种有向图，其中，顶点代表电器的工作状态，边代表电器不同工作状态间的转换关系，每条边的方向是由工作状态转换过程发生前原始工作状态所对应的顶点指向发生后结果工作状态所对应的顶点；对于不同的电器简单回路负荷事件序列(SCES)模式分组，相应地建立新增电器或更新电器的FSM模型拓扑图；
步骤六、估计或更新电器的FSM模型参数：对于不同的电器FSM模型，根据电器的负荷事件数据及负荷总量数据，相应地估计或更新FSM模型参数，即获取或更新电器负荷印记模板集合；其中，所述的电器负荷印记是指电器在运行过程中呈现出的固有用电行为特征，包括电器工作状转换所引起的用电功率增量，电器工作状转换时的暂态功率波形，根据电器产生的负荷事件的发生时间估算的电器不同工作状态之间的转移概率，根据电器用电数据中的时间标识信息对FSM模型中不同工作循环的持续时长进行统计分析的结果。
进一步讲，本发明所述的完全无监督的非侵入式电器状态模型自适应构建方法，其中：
完成步骤三过程的具体步骤如下：
步骤3-1、将整个学习时段内全部负荷事件构成的负荷事件序列划分为若干孤立负荷事件序列(Isolated Event Sequence，IsoES)，所述的孤立负荷事件序列是孤立负荷窗内所含的负荷事件序列；孤立负荷窗的负荷运行时段同时满足以下两个条件：①该时段前后的负荷工作状态是相同的，负荷工作状态包含其内部各电器的工作状态，②该时段内任意时刻的有功总功率不小于该时段初始时刻的有功总功率；
步骤3-2、利用聚类分析技术将学习时段内产生的所有未知负荷事件共同构成的集合Ωun-E划分为不同的负荷事件类簇，同类负荷事件的逻辑名称由其所属类簇的标号来统一标注；所用到的聚类分析技术为融合稳态和暂态特征的两阶段负荷事件聚类分析算法；
步骤3-3、建立负荷ESDB；其中，每一条负荷事件序列记录是一个长度不定的包含若干未知负荷事件的负荷事件序列，每一条记录即为由第一步所产生的孤立负荷事件序列(IsoES)，并且其中每个负荷事件都由唯一的逻辑名称标注，该逻辑名称即为步骤3-2所产生的负荷事件所属类簇的类簇标号；对于每条负荷事件序列记录，负荷ESDB中存储的是与之唯一对应的由负荷事件信息对(eij，tij)构成的序列，其中，eij表示第i条负荷事件序列记录中第j个负荷事件的类型标识，也就是逻辑名称，tij记录的是第i条负荷事件序列记录中第j个负荷事件的发生时刻；
步骤3-4、对已经建好的负荷ESDB执行频繁序列模式挖掘，得到全部频繁事件序列(FES)模式组成的集合ΩFES；采用AprioriAll算法实现频繁事件序列(FES)模式挖掘：首先，自下而上地根据较短的序列模式生成较长的候选序列模式；然后计算候选序列模式的支持度(support)以及序列长度(length)；以support_th和length_th分别代表支持度和序列长度阈值，频繁事件序列(FES)模式挖掘的最终结果是出现次数大于支持度阈值support_th且长度在2和序列长度阈值length_th之间的所有负荷事件序列模式；所得任意长度为m的频繁事件序列(FES)模式以向量E＝[c1,c2,…,cm]T形式表示。
完成步骤四的具体过程包括以下步骤：
步骤4-1、从集合频繁事件序列(FES)模式中筛选出简单回路负荷事件序列(SCES)模式，所述的简单回路是指模型拓扑图中除起止顶点相同之外，不再重复经过同一顶点的回路；通过下述三个约束条件进行筛选，对于任意长度为m的FES模式E＝[c1,c2,…,cm]T，具体如下：
条件1：状态唯一，简单回路负荷事件序列(SCES)模式中包含的负荷事件类型无重复，具体形式如下所示：
条件2：功率归零，在原ZLSC(Zero Loop Sum Constraint)约束条件的基础上，建立拓展ZLSC约束条件，记作β-ZLSC；其具体含义是，在任意始末工作状态相同的完整工作循环中，电器产生的所有负荷事件的β向量之和等于零向量；β-ZLSC约束条件如下所示：
其中，
和
分别表示第h次谐波有功和无功功率约束比例系数，H表示系统考虑的最高谐波次数，|·|表示取绝对值，max{·}表示取最大值；
条件3：功率非负，在任意始末工作状态相同的完整工作循环中，电器在任意时刻的有功功率都不会出现负值；功率非负约束条件如式下所示；
至此，若某个FES模式同时满足上述三个约束条件，则认为该频繁事件序列(FES)模式是一种简单回路负荷事件序列(SCES)模式；所有筛选得到的简单回路负荷事件序列(SCES)模式共同构成集合ΩSCES；之后，将负荷事件列表中与已经筛选出的简单回路负荷事件序列(SCES)模式相关的负荷事件皆置为“已知”；
步骤4-2、设置事件关联规则，即不同电器产生的负荷事件的类型不同；如果任意两个简单回路负荷事件序列(SCES)模式间共有类簇标号相同的负荷事件，则认为它们是由同一电器产生的，可归为一组；根据该事件关联规则，对于当前学习时段内产生的所有简单回路负荷事件序列(SCES)模式进行分组；将产生的简单回路负荷事件序列(SCES)模式分组称为全新SCES模式分组，将当前学习时段开始之前已经存在的简单回路负荷事件序列(SCES)模式分组称为已有SCES模式分组；
步骤4-3、设置分组关联规则，即若任意两个SCES模式分组中各自包含的任意两个简单回路负荷事件序列(SCES)模式之间拥有类簇标号相同的负荷事件，则认为这两个SCES模式分组中包含的所有简单回路负荷事件序列(SCES)模式都是由同一电器产生的；根据该分组关联规则，对全新SCES模式分组和已有SCES模式分组进行重新分组合并；将产生的由若干全新SCES模式分组和已有SCES模式分组合并产生的SCES模式分组称为合并SCES模式分组，所述全新SCES模式分组和已有SCES模式分组被统一称为合并SCES模式分组的子分组。
完成步骤五过程的具体步骤如下：
步骤5-1、待处理的SCES模式分组是否是全新SCES模式分组，若是，则执行步骤5-2，否则，执行步骤5-3；
步骤5-2、首先将其中全部简单回路负荷事件序列(SCES)模式皆置为“未访问”，接下来从中初步选取一个简单回路负荷事件序列(SCES)模式，根据简单回路负荷事件序列(SCES)模式定义应地构建一个仅包含一条简单回路的初始模型拓扑图，并初始化对应的邻接方阵Α，以数字化表示电器FSM模型的拓扑图，同时将已选定的简单回路负荷事件序列(SCES)模式置为“已访问”，然后执行步骤5-4；
所述的构建一个仅包含一条简单回路的初始模型拓扑图的方法为：假设所选的第一个简单回路负荷事件序列(SCES)模式中负荷事件类型的个数是M，按顺序将由简单回路负荷事件序列(SCES)模式所代表的工作状态转换过程中连续发生的工作状态逐一进行标号“1，2，3，…，M，1”；然后，在含有M个顶点的模型拓扑图中，对应简单回路负荷事件序列(SCES)模式中第一个负荷事件类型的边的起始顶点被标记为1，剩余的顶点沿着循环方向，按工作状态发生的顺序逐一标记为“2，3，…，M”；同时，将模型拓扑图中每条边分别标记为对应的负荷事件类型的逻辑名称；
所述的初始化对应的邻接方阵Α的方法为：首先初始化一个M维零元素方阵Α，然后在方阵Α中将由模型拓扑图中每条边的起始顶点序号作为行序号和结束顶点序号作为列序号所确定的元素置为1；
步骤5-3、对于待处理的合并SCES模式分组，首先将其中所有子分组中包含的全部简单回路负荷事件序列(SCES)模式皆置为“未访问”，接下来从中初步选定一个已有SCES模式分组，并以与其对应的已知邻接方阵作为该合并SCES模式分组的初始邻接方阵Α，根据方阵Α得到该合并SCES模式分组的初始模型拓扑图，同时将已选定的SCES模式分组中的全部简单回路负荷事件序列(SCES)模式皆置为“已访问”；
步骤5-4、选取待处理的SCES模式分组中下一个“未访问”的简单回路负荷事件序列(SCES)模式，在已形成的初始模型拓扑图中，根据新增加的简单回路负荷事件序列(SCES)模式中的新负荷事件类型，添加与其对应的新的边和顶点，并对应地更新邻接方阵Α，最后将选定的简单回路负荷事件序列(SCES)模式分置为“已访问”；
步骤5-5、如果待处理的SCES模式分组中所有的简单回路负荷事件序列(SCES)模式均已被访问过，则继续步骤5-6，否则回到步骤5-4；
步骤5-6、输出表示电器FSM模型拓扑结构的邻接方阵Α，从而建立或更新了电器的FSM模型拓扑图。
与现有技术相比，本发明的有益效果是：
本发明给出了一种完全无监督的非侵入式电器状态模型自适应构建方法。借鉴频繁模式挖掘技术思想，在不侵入负荷内部且不需要任何关于“陌生”电器的专家知识的情况下，仅以负荷总量数据为处理对象，自适应地建立和更新负荷内部电器的有限状态机(FSM)模型。即使面对用户负荷组成随机变化，实际场景复杂多样，该方法仍能准确地建立电器负荷模型，并保证其泛化能力。
附图说明
图1是完全无监督的非侵入式电器状态模型自适应构建流程；
图2是本发明方法中IsoES检测结果标记示意图；
图3是本发明方法的步骤五中增量电器FSM模型拓扑结构生成流程；
图4是本发明方法的步骤五中第4步的基本流程图；
图5是本发明方法的步骤五中增量拓扑图生成算法的原理示意图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的说明，但下述实施例绝非对本发明有任何限制。
如下图1所示，实现本发明完全无监督的非侵入式电器状态模型自适应构建方法由六个功能模块完成，具体包括电器建模过程启动条件预判模块、负荷总量数据读入模块、频繁事件序列(FES)模式挖掘模块、电器SCES模式筛选与分组模块、电器FSM模型拓扑建立模块、电器FSM模型参数估计模块。上述六个模块承前启后，顺序执行，共同完成电器建模功能。
所述电器建模过程启动条件预判模块用于判断是否需要进入电器建模的学习阶段。在工程实际应用中，为了优化系统资源配置和执行效率，只有当一段时间内积累的未知负荷事件数目或NILM系统无法识别的电量超过一定值时，才启动电器建模过程。其中，未知负荷事件或无法识别的电量是由新增“陌生”电器或“已知”电器出现了的新的用电模式产生的。
所述负荷总量数据读入模块用于读取学习时段内原始负荷总量数据，主要包括负荷总功率数据和负荷事件序列。
所述频繁事件序列(FES)模式挖掘模块，用于在负荷事件序列中针对所有未知负荷事件，利用频繁模式挖掘技术挖掘频繁负荷事件序列(Frequent Event Sequence，FES)模式并将结果记录在集合ΩFES中。
所述电器SCES模式筛选与分组模块，用于从集合ΩFES中筛选电器SCES模式并将结果记录在集合ΩSCES中，根据关联规则将不同的电器简单回路负荷事件序列SCES模式归类分组，保证同一分组中的所有电器SCES模式都属于同一电器。
本发明中，关于电器SCES的定义是：任意一个与电器状态模型拓扑图中某个顶点数大于1的简单回路(除起止顶点相同之外，不再重复经过同一顶点的回路)实际对应电器的一个工作循环，与其相应的工作状态转换过程所产生的负荷事件序列为简单回路负荷事件序列(Simple Cycle Event Sequence，SCES)。
电器FSM模型拓扑图(Model Topology Graph，MTG)是一种有向图，其中，顶点代表电器的工作状态，边代表电器不同工作状态间的转换关系，每条边的方向是由工作状态转换过程发生前原始工作状态所对应的顶点指向发生后结果工作状态所对应的顶点。
所述电器FSM模型拓扑建立模块，用于对于不同的电器SCES模式分组，相应地为新增“陌生”电器建立或为“已知”电器更新电器的FSM模型拓扑结构。
所述电器FSM模型参数估计模块，用于对于不同的电器FSM模型，根据相关的电器用电数据(包括时间信息)，相应地估计或更新FSM模型参数，即获取或更新电器负荷印记模板集合。其中，电器负荷印记的定义是电器在运行过程中呈现出的固有用电行为特征。
根据上述各功能模块的作用，本发明完全无监督的非侵入式电器状态模型自适应构建方法，包括以下步骤：
步骤一、电器建模过程启动条件预判：当一段时间内积累的未知负荷事件数目或相应未知电量超过预设的阈值时，启动电器建模过程，并进入电器建模的学习时段；所述的未知负荷事件或相应未知电量是由电器出现的新的用电模式所产生的；
步骤二、负荷总量数据读入：读取学习时段内原始负荷总量数据，包括负荷总功率数据和负荷事件序列；
步骤三、频繁事件序列(FES)模式的挖掘：在负荷事件序列中针对所有未知负荷事件，挖掘频繁负荷事件序列(FES)模式，并将结果记录在集合ΩFES中；
步骤四、电器简单回路负荷事件序列(SCES)模式的筛选与分组：从上述集合ΩFES中筛选电器简单回路负荷事件序列(SCES)模式，并将结果记录在所述集合ΩSCES中；根据关联规则将不同的电器简单回路负荷事件序列(SCES)模式归类分组，将属于同一电器的所有简单回路负荷事件序列(SCES)模式归为一组；
步骤五、建立或更新电器的FSM模型拓扑图：所述的电器FSM模型拓扑图是一种有向图，其中，顶点代表电器的工作状态，边代表电器不同工作状态间的转换关系，每条边的方向是由工作状态转换过程发生前原始工作状态所对应的顶点指向发生后结果工作状态所对应的顶点；对于不同的电器简单回路负荷事件序列(SCES)模式分组，相应地建立新增电器或更新电器的FSM模型拓扑图；
步骤六、估计或更新电器的FSM模型参数：对于不同的电器FSM模型，根据电器的负荷事件数据及负荷总量数据，相应地估计或更新FSM模型参数，即获取或更新电器负荷印记模板集合；其中，所述的电器负荷印记是指电器在运行过程中呈现出的固有用电行为特征，包括电器工作状转换所引起的用电功率增量，电器工作状转换时的暂态功率波形，根据电器产生的负荷事件的发生时间估算的电器不同工作状态之间的转移概率，根据电器用电数据中的时间标识信息对FSM模型中不同工作循环的持续时长进行统计分析的结果。
基于上述流程，前两功能模块的主要作用是为启动电器的负荷建模过程提供前期准备工作，其具体实现方法即为前面所述。下面针对其中的后四个功能模块给出了具体实现方法，如下所示：
步骤三，频繁事件序列(FES)模式挖掘中，频繁事件序列模式挖掘的对象是电力负荷的未知负荷事件序列，最后得到的结果是电器的FES模式。完成此过程的具体步骤如下：
步骤3-1、将整个学习时段内全部负荷事件构成的负荷事件序列划分为若干孤立负荷事件序列(Isolated Event Sequence，IsoES)，所述的孤立负荷事件序列是孤立负荷窗内所含的负荷事件序列；
孤立负荷窗的负荷运行时段同时满足以下两个条件：
①该时段前后的负荷工作状态是相同的，负荷工作状态包含其内部各电器的工作状态，
②该时段内任意时刻的有功总功率不小于该时段初始时刻的有功总功率；
IsoES的具体检测方法为：
第1步：初始化。读取学习时段内包含若干未知负荷事件的负荷事件序列作为输入，将其中所有负荷事件标记为“未访问”。其中，有功功率增量大于零的负荷事件定义为正向事件，有功功率增量小于零的负荷事件定义为负向事件，有功功率增量的定义如式(1)所示。负荷事件序列中负荷事件总数记为L(要求L＞2)；
ΔPevt＝Pevt,1-Pevt,0 (1)
其中，Pevt,0代表负荷事件发生前的稳态负荷总功率，一般取负荷事件发生前的负荷平稳区段的功率均值；Pevt,1代表负荷事件发生后稳态负荷总功率，一般取负荷事件发生后的负荷平稳区段的功率均值。
第2步：将负向事件搜索的起始事件序号negEvt_st置为2；
第3步：若第negEvt_st个负荷事件为负向事件，即ΔPevt(negEvt_st)＜0，则将IsoES检测的起始事件序号IsoES_st置为negEvt_st并转至第5步，否则执行下一步；
第4步：令negEvt_st等于negEvt_st+1，若negEvt_st大于L，则转至第9步，否则执行第3步；
第5步：将IsoES检测的终止事件序号IsoES_ed置为IsoES_st-1；
第6步：若第IsoES_ed个负荷事件为正向事件，即ΔPevt(IsoES_ed)＞0，并且满足判别式(2)，则转至第4步，否则执行下一步；
Pevt,1(IsoES_st)-Pevt,0(IsoES_ed)＞δ (2)
其中，Pevt,0(IsoES_ed)表示第IsoES_ed个负荷事件的事前有功总功率，Pevt,1(IsoES_st)表示第IsoES_st个事件的事后有功总功率，δ≥0表示判别阈值，考虑到负荷总功率的波动，δ一般大于零。
第7步：计算判别式(3)，本发明以由有功总功率和无功总功率组成的二维向量来反映负荷工作状态。若满足此式，则认为第IsoES_ed个负荷事件的事前负荷工作状态与第IsoES_st个事件的事后负荷工作状态相同，并将序号IsoES_ed和IsoES_st及其之间的所有负荷事件皆置为“已访问”，再新增一条IsoES记录，然后转至第4步，否则执行下一步；
其中，Qevt,0(IsoES_ed)表示第IsoES_ed个负荷事件的事前无功总功率，Qevt,1(IsoES_st)表示第IsoES_st个事件的事后无功总功率，δP≥0和δQ≥0表示判别阈值，考虑到负荷总功率的波动，δP和δQ一般大于零。
第8步：令IsoES_ed等于IsoES_ed-1，如果IsoES_ed小于1，则转至第9步，否则执行第6步；
第9步：结束。
按照所述方法，电力负荷在学习时段发生的负荷事件序列可以被划分为若干IsoES。以图2为例，方框内包含四个IsoES，图中“方块”和“圆点”分别标记的是IsoES的起、止位置，按检测过程中的标记顺序它们分别是：<E2,E3>，<E4,E5,E6>，<E7,E8>和<E1,E9>。
步骤3-2、利用聚类分析技术将学习时段内产生的所有未知负荷事件共同构成的集合Ωun-E划分为不同的负荷事件类簇，同类负荷事件的逻辑名称由其所属类簇的标号来统一标注；本发明提出了所用到的聚类分析技术为融合稳态和暂态特征的两阶段负荷事件聚类分析算法；具体如下：
第1阶段，利用Mean-Shift聚类算法对未知负荷事件进行聚类，聚类算法的参数设置为：采用负荷事件发生前后的基波和高次谐波(如3、5、7等)有功和无功总功率增量组成稳态特征向量，具体形式如式(4)所示。基于式(4)的向量表示，聚类所需的带宽参数的向量表示形式如式(5)所示。
式(4)中，
和
分别代表负荷事件序列中第n个负荷事件发生前后第h次谐波的有功和无功总功率增量，具体定义可参考式(1)；
第2阶段，在第一阶段的聚类形成的“簇”中采用仿射传播(AffinityPropagation，AP)聚类算法，利用负荷事件的暂态功率波形特征再进行精细化聚类。对于暂态功率波形特征的表述方式，本发明以向量表示暂态有功功率波形时间序列，具体形式如式(6)所示。
式(6)中，
代表负荷事件序列中第n个负荷事件的暂态第h次谐波有功功率波形时间序列，
及
分别代表时间序列中的第1、2及l个数据点，l∈Z+表示暂态功率波形时间序列的长度。
有类似形式。
进行AP聚类所需的参数有各个聚类对象之间的相似度，此处聚类对象即为各事件的暂态功率波形事件序列，其相似度的计算方式如式(7)所示(以有功为例)。
式(7)中，sh(n1,n2)代表负荷事件序列中第n1和n2个负荷事件的暂态第h次谐波有功功率波形样本之间的相似度。dist代表它们之间的距离，为了能够综合利用多种暂态功率波形特征，此处选用文献[6]所定义的综合距离。ρ代表高斯相似度函数中的尺度因子，是一个已知的经验值。
式(7)中，P是有功的符号，无功的符号是Q，无功相似度计算方式就是将式(7)中的与有功有关的符号换为无功的符号即可。
针对上述两阶段所得的聚类结果，以聚类序号为类簇标号，即第c个负荷事件聚类的类簇标号为c，
表示当前时段学习开始之前累计已经产生的负荷事件聚类总数目，CE表示当前时段聚类分析完成后累计产生的负荷事件聚类总数目。第c个负荷事件聚类中心的稳态特征向量记为βc，它是其中所有负荷事件的稳态特征向量的均值向量，具体形式如式(8)所示，所有聚类中心的稳态特征向量构成的集合记为Ωβ；暂态特征聚类中心记为Tc，它是第二阶段AP聚类所得聚类中心的集合，可能同时包含暂态有功功率、无功功率以至谐波功率波形的代表样本，具体形式如式(9)。至此，每一个未知的负荷事件都拥有其所属聚类的类簇标号。
步骤3-3、建立负荷事件序列数据库(Event Sequence Database，ESDB)。其中，
每一条负荷事件序列记录是一个长度不定的包含若干未知负荷事件的负荷事件序列，每一条记录即为由第一步所产生的孤立负荷事件序列(IsoES)，并且其中每个负荷事件都由唯一的逻辑名称标注，该逻辑名称即为步骤3-2所产生的负荷事件所属类簇的类簇标号；
ESDB的表示方法为：对于每条负荷事件序列记录，负荷ESDB中存储的是与之唯一对应的由负荷事件信息对(eij，tij)构成的序列，其中，eij表示第i条负荷事件序列记录中第j个负荷事件的类型标识，也就是逻辑名称，tij记录的是第i条负荷事件序列记录中第j个负荷事件的发生时刻。举例如表1所示：
表1负荷事件序列数据库示例
步骤3-4、对已经建好的负荷ESDB执行频繁序列模式挖掘，得到全部频繁事件序列(FES)模式组成的集合ΩFES。本发明采用AprioriAll算法实现频繁事件序列(FES)模式挖掘：首先自下而上地根据较短的序列模式生成较长的候选序列模式，然后计算候选序列模式的支持度(support，即序列模式出现的次数)，最后通过与支持度阈值相比较来判断候选序列模式是否是频繁模式。为了防止产生长度过长的不合理FES模式结果，在筛选候选序列模式时，增加序列长度(length)约束。
以support_th和length_th分别代表支持度和序列长度阈值，FES模式挖掘的最终结果是出现次数大于support_th且长度在2和length_th之间的所有负荷事件序列模式。所得任意长度为m的FES模式可以向量的形式表示，如下式所示。
E＝[c1,c2,…,cm]T
基于上述原理，若支持度阈值support_th设为2，则ESDB示例表1中存在一个长度为3的FES模式，可记作[6,1,2]T，详见表2。
表2频繁负荷事件序列模式示例
步骤四、电器简单回路负荷事件序列(SCES)模式的筛选与分组
在步骤三中FES模式挖掘的基础上，为了建立电器的有限状态机模型，需要从FES模式集合ΩFES中筛选出SCES模式，即建立电器的完整工作循环，并将属于同一电器的不同SCES模式归为一组，即实现电器工作循环分组。具体方法如下：
步骤4-1、从集合FES模式中筛选出SCES模式，以对应电器的一个始末工作状态相同的完整工作循环。所述的简单回路是指模型拓扑图中除起止顶点相同之外，不再重复经过同一顶点的回路；本发明建立三个约束条件进行筛选，对于任意长度为m的FES模式E＝[c1,c2,…,cm]T，具体如下：
条件1：状态唯一
电器在不同工作状态下消耗的功率不同，因此，SCES模式中包含的负荷事件类型无重复，具体形式如(10)所示：
条件2：功率归零
本发明在原ZLSC(Zero Loop Sum Constrant)约束条件[7]的基础上，建立拓展ZLSC约束条件，记作β-ZLSC。其具体含义是，在任意始末工作状态相同的完整工作循环中，电器产生的所有负荷事件的β向量(去掉式(8)的下标以简化表达)之和等于零向量。β-ZLSC条件将原ZLSC条件从只考虑有功功率拓展到包含无功功率和高次谐波功率，并以代表负荷事件的向量β作为前缀以示区别。在工程实际中，考虑到负荷功率波动，β-ZLSC约束条件的具体形式如式(11)所示：
式(11)中，
和
分别表示第h次谐波有功和无功功率约束比例系数，H表示系统考虑的最高谐波次数，|·|表示取绝对值，max{·}表示取最大值；
条件3：功率非负
在任意始末工作状态相同的完整工作循环中，电器在任意时刻的(基波)有功功率都不会出现负值。功率非负约束条件的具体形式如式(12)所示。
至此，若某个FES模式同时满足上述三个约束条件，则认为该FES模式是一种SCES模式。所有筛选得到的SCES模式共同构成集合ΩSCES。之后，将负荷事件列表中与已经筛选出的SCES模式相关的负荷事件皆置为“已知”。
步骤4-2、本发明设置了事件关联规则，即不同电器产生的负荷事件的类型不同，如果任意两个SCES模式间共有相同(类簇标号相同)的负荷事件类型，则认为它们是由同一电器产生的，可归为一组。根据该规则，对于当前学习时段内产生的所有SCES模式进行分组。
本发明将上述步骤中产生的SCES模式分组称为全新SCES模式分组，将当前学习时段开始之前已经存在的SCES模式分组称为已有SCES模式分组。
步骤4-3、本发明设置了分组关联规则，即若任意两个SCES模式分组中各自包含的任意两个SCES模式之间拥有类簇标号相同的负荷事件，则认为这两个SCES模式分组中包含的所有SCES模式都是由同一电器产生的；根据该分组关联规则，对全新SCES模式分组和已有SCES模式分组进行重新分组合并。
本发明将上述步骤中产生的由若干全新SCES模式分组和已有SCES模式分组合并产生的SCES模式分组称为合并SCES模式分组，所述全新SCES模式分组和已有SCES模式分组被统一称为合并SCES模式分组的子分组。
步骤五、建立或更新电器的FSM模型拓扑图：
对于在步骤四中已经确定的任意SCES模式分组，此步骤给出一种增量电器FSM模型拓扑图生成算法用以建立电器FSM模型拓扑结构，来确定电器的完整工作状态集合及其不同工作状态间的转换关系，基本流程如图3所示：
步骤5-1、待处理的SCES模式分组是否是全新SCES模式分组，若是，则执行步骤5-2，否则，执行步骤5-3；
步骤5-2、首先将其中全部SCES模式皆置为“未访问”，接下来从中初步选取一个SCES模式，根据SCES模式定义应地构建一个仅包含一条简单回路的初始模型拓扑图(MTG)，并初始化对应的邻接方阵Α(本发明以邻接方阵记录电器FSM模型的拓扑结构)，以数字化表示电器FSM模型的拓扑图，同时将已选定的SCES模式置为“已访问”，然后执行步骤5-4。
其中，构建初始MTG方法为：
假设所选的第一个SCES模式中负荷事件类型的个数是M，按顺序将由SCES模式所代表的工作状态转换过程中连续发生的工作状态逐一进行标号“1，2，3，…，M，1”。然后，在含有M个顶点的MTG中，对应SCES模式中第一个负荷事件类型的边的起始顶点被标记为1，剩余的顶点沿着循环方向，按工作状态发生的顺序逐一标记为“2，3，…，M”。同时，将MTG中每条边分别标记为对应的负荷事件类型的逻辑名称。
初始化邻接方阵Α的方法为：
首先初始化一个M维零元素方阵Α(其中全部元素被置为0)，然后在方阵Α中将由MTG中每条边的起始顶点序号(作为行序号)和结束顶点序号(作为列序号)所确定的元素置为1。例如，对于第一个SCES模式中的第m个(1≤m＜M)负荷事件类型，有Α(m,m+1)＝1，对第M个负荷事件类型，有Α(M,1)＝1。
步骤5-3、对于待处理的合并SCES模式分组，首先将其中所有子分组中包含的全部SCES模式皆置为“未访问”，接下来从中初步选定一个已有SCES模式分组，并以与其对应的已知邻接方阵作为该合并SCES模式分组的初始邻接方阵Α，根据方阵Α可以得到该合并SCES模式分组的初始MTG，同时将已选定的SCES模式分组中的全部SCES模式皆置为“已访问”。
步骤5-4、选取待处理的SCES模式分组中下一个“未访问”的SCES模式，在已形成的初始MTG中，根据新增加的SCES模式中的新负荷事件类型，添加与其对应的新的边和顶点(如果需要)，并对应地更新邻接方阵Α，最后将选定的SCES模式分置为“已访问”。
步骤5-5、如果待处理的SCES模式分组中所有的SCES模式均已被访问过，则继续步骤5-6，否则回到步骤5-4；
步骤5-6、输出表示电器FSM模型拓扑结构的邻接方阵Α。
上述步骤5-4步的详细执行步骤如下，基本流程如图4所示：
第5-4-1步：从SCES模式分组中选择下一个“未访问”的SCES模式。
第5-4-2步：在上述新选定的SCES模式中，选择一个在已形成的MTG中没有被记录的新负荷事件类型。
第5-4-3步：根据SCES的基本定义，如果新选定的负荷事件类型发生前后的两个工作状态与新选定的SCES模式中某个已被记录的负荷事件类型发生前和/或后的工作状态相同，即新选定的负荷事件类型发生前后的两个工作状态均已被记录，则执行第5-4-5步，否则继续第5-4-4步。
第5-4-4步：由于新选定的负荷事件类型发生前或后的工作状态与新选定的SCES模式中已被记录的负荷事件类型发生前或后的工作状态不同，即新选定的负荷事件类型发生前或后工作状态未被记录，在已形成的MTG中为新的工作状态添加一个新的顶点，并继续递增标号。对应地，将方阵Α拓展一个维度并将所有新增元素置为0。
第5-4-5步：对应地，在已形成的MTG中为新选定的负荷事件类型添加一条边并以其逻辑名称为之标记。在方阵Α中，将由新增加的边的起始顶点序号(作为行序号)和结束顶点序号(作为列序号)所确定的元素置为1。
第5-4-6步：如果新选定的SCES模式中全部负荷事件类型均已被记录在MTG中，继续后续步骤5-5，否则返回第5-4-2步。
根据上述流程，系统能够随着数据累积迭代地更新电器FSM模型拓扑。以图5为例，在前一个学习阶段系统已经学习到了一个代表SCES模式[12,3]的ON/OFF电器，其FSM模型拓扑在图的最左侧；根据步骤四中所述，当前学习阶段学习到的新SCES模式[10,5,3]可以与之合并到同一SCES模式分组，从而根据增量电器FSM模型拓扑图生成算法，可对已存在的ON/OFF电器FSM模型拓扑进行更新，得到图中等号右侧所示的“三状态”电器的FSM模型拓扑。
步骤六、估计或更新电器的FSM模型参数：
此步骤根据已建立的电器FSM模型拓扑结构，利用学习时段内的电器用电数据(包括时间信息)，估计电器FSM模型的相关参数。即获取能够可靠标志其不同工作状态的电器负荷印记模板集合。
电器负荷印记有：根据电器产生的负荷事件的发生时间估算的电器不同工作状态之间的转移概率；根据电器用电数据中的时间标识信息对FSM模型中不同工作循环的持续时长进行统计分析的结果；电器工作状转换所引起的用电功率增量(定义如式(1)所示)，电器工作状转换时的暂态功率波形等。其中，最后两项的估算方法如下：
根据NILM领域内的共识，电器某种工作状态下的用电功率近似服从高斯分布[2]，因此其工作状态转换所引起的功率增量也服从高斯分布，那么用电功率增量的均值和方差可以作为典型的FSM模型参数，以表征电器工作状态转换。利用步骤四中对负荷事件聚类分析产生的每个簇中的元素可以估计功率增量的均值和方差，同时能得到相应的对应的暂态功率波形模板序列。
尽管上面结合附图对本发明进行了描述，但是本发明并不局限于上述的具体实施方式，上述具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨的情况下，还可以做出很多变形，这些均属于本发明的保护之内。
Claims (7)
1.一种完全无监督的非侵入式电器状态模型自适应构建方法，其特征在于，在根据当前电器状态模型库持续进行负荷事件识别的过程中，以负荷总量数据为处理对象，面对用户负荷组成随机变化和实际场景复杂多样，自适应地建立和更新负荷内部电器的FSM模型，并保证该模型的泛化能力；主要包括：
根据一段时间内积累的未知负荷事件数目或相应未知电量预判是否满足电器建模过程的启动条件；当满足电器建模过程启动条件，进行负荷总量数据读入；利用频繁模式挖掘技术从未知负荷事件中挖掘电器的频繁事件序列(FES)模式；电器简单回路负荷事件序列(SCES)模式的筛选与分组；对于不同的电器简单回路负荷事件序列(SCES)模式分组建立或更新电器的FSM模型拓扑图；进而根据电器的负荷事件数据及负荷总量数据估计或更新其FSM模型参数。
2.根据权利要求1所述的完全无监督的非侵入式电器状态模型自适应构建方法，其特征在于，步骤如下：
步骤一、电器建模过程启动条件预判：当一段时间内积累的未知负荷事件数目或相应未知电量超过预设的阈值时，启动电器建模过程，并进入电器建模的学习时段；所述的未知负荷事件或相应未知电量是由电器出现的新的用电模式所产生的；
步骤二、负荷总量数据读入：读取学习时段内原始负荷总量数据，包括负荷总功率数据和负荷事件序列；
步骤三、频繁事件序列(FES)模式的挖掘：在负荷事件序列中针对所有未知负荷事件，挖掘频繁负荷事件序列(FES)模式，并将结果记录在集合ΩFES中；
步骤四、电器简单回路负荷事件序列(SCES)模式的筛选与分组：从上述集合ΩFES中筛选电器简单回路负荷事件序列(SCES)模式，并将结果记录在所述集合ΩSCES中；根据关联规则将不同的电器简单回路负荷事件序列(SCES)模式归类分组，将属于同一电器的所有简单回路负荷事件序列(SCES)模式归为一组；
步骤五、建立或更新电器的FSM模型拓扑图：所述的电器FSM模型拓扑图是一种有向图，其中，顶点代表电器的工作状态，边代表电器不同工作状态间的转换关系，每条边的方向是由工作状态转换过程发生前原始工作状态所对应的顶点指向发生后结果工作状态所对应的顶点；对于不同的电器简单回路负荷事件序列(SCES)模式分组，相应地建立新增电器或更新电器的FSM模型拓扑图；
步骤六、估计或更新电器的FSM模型参数：对于不同的电器FSM模型，根据电器的负荷事件数据及负荷总量数据，相应地估计或更新FSM模型参数，即获取或更新电器负荷印记模板集合；其中，所述的电器负荷印记是指电器在运行过程中呈现出的固有用电行为特征，包括电器工作状转换所引起的用电功率增量，电器工作状转换时的暂态功率波形，根据电器产生的负荷事件的发生时间估算的电器不同工作状态之间的转移概率，根据电器用电数据中的时间标识信息对FSM模型中不同工作循环的持续时长进行统计分析的结果。
3.根据权利要求2所述的完全无监督的非侵入式电器状态模型自适应构建方法，其特征在于，完成步骤三过程的具体步骤如下：
步骤3-1、将整个学习时段内全部负荷事件构成的负荷事件序列划分为若干孤立负荷事件序列(Isolated Event Sequence，IsoES)，所述的孤立负荷事件序列是孤立负荷窗内所含的负荷事件序列；
孤立负荷窗的负荷运行时段同时满足以下两个条件：
①该时段前后的负荷工作状态是相同的，负荷工作状态包含其内部各电器的工作状态，
②该时段内任意时刻的有功总功率不小于该时段初始时刻的有功总功率；
步骤3-2、利用聚类分析技术将学习时段内产生的所有未知负荷事件共同构成的集合Ωun-E划分为不同的负荷事件类簇，同类负荷事件的逻辑名称由其所属类簇的标号来统一标注；所用到的聚类分析技术为融合稳态和暂态特征的两阶段负荷事件聚类分析算法；
步骤3-3、建立负荷ESDB；其中，每一条负荷事件序列记录是一个长度不定的包含若干未知负荷事件的负荷事件序列，每一条记录即为由第一步所产生的孤立负荷事件序列(IsoES)，并且其中每个负荷事件都由唯一的逻辑名称标注，该逻辑名称即为步骤3-2所产生的负荷事件所属类簇的类簇标号；
对于每条负荷事件序列记录，负荷ESDB中存储的是与之唯一对应的由负荷事件信息对(eij，tij)构成的序列，其中，eij表示第i条负荷事件序列记录中第j个负荷事件的类型标识，也就是逻辑名称，tij记录的是第i条负荷事件序列记录中第j个负荷事件的发生时刻；
步骤3-4、对已经建好的负荷ESDB执行频繁序列模式挖掘，得到全部频繁事件序列(FES)模式组成的集合ΩFES；采用AprioriAll算法实现频繁事件序列(FES)模式挖掘：
首先，自下而上地根据较短的序列模式生成较长的候选序列模式；然后计算候选序列模式的支持度(support)以及序列长度(length)；以support_th和length_th分别代表支持度和序列长度阈值，频繁事件序列(FES)模式挖掘的最终结果是出现次数大于支持度阈值support_th且长度在2和序列长度阈值length_th之间的所有负荷事件序列模式；所得任意长度为m的频繁事件序列(FES)模式以向量E＝[c1,c2,…,cm]T形式表示。
4.根据权利要求3所述的完全无监督的非侵入式电器状态模型自适应构建方法，其特征在于，
步骤3-1中，IsoES的具体检测方法为：
第1步：初始化：读取学习时段内包含若干未知负荷事件的负荷事件序列作为输入，将其中所有负荷事件标记为“未访问”；其中，有功功率增量大于零的负荷事件定义为正向事件，有功功率增量小于零的负荷事件定义为负向事件，有功功率增量的定义如式(1)所示；负荷事件序列中负荷事件总数记为L，L＞2；
ΔPevt＝Pevt,1-Pevt,0 (1)
式(1)中，Pevt,0代表负荷事件发生前的稳态负荷总功率，取负荷事件发生前的负荷平稳区段的功率均值；Pevt,1代表负荷事件发生后稳态负荷总功率，取负荷事件发生后的负荷平稳区段的功率均值；
第2步：将负向事件搜索的起始事件序号negEvt_st置为2；
第3步：若第negEvt_st个负荷事件为负向事件，即ΔPevt(negEvt_st)＜0，则将IsoES检测的起始事件序号IsoES_st置为negEvt_st并转至第5步，否则执行第4步；
第4步：令negEvt_st等于negEvt_st+1，若negEvt_st大于L，则转至第9步，否则执行第3步；
第5步：将IsoES检测的终止事件序号IsoES_ed置为IsoES_st-1；
第6步：若第IsoES_ed个负荷事件为正向事件，即ΔPevt(IsoES_ed)＞0，并且满足判别式(2)，则转至第4步，否则执行第7步；
Pevt,1(IsoES_st)-Pevt,0(IsoES_ed)＞δ (2)
式(2)中，
Pevt,0(IsoES_ed)表示第IsoES_ed个负荷事件的事前有功总功率，
Pevt,1(IsoES_st)表示第IsoES_st个事件的事后有功总功率，
δ＞0表示判别阈值；
第7步：计算判别式(3)，以由有功总功率和无功总功率组成的二维向量来反映负荷工作状态；若满足此式，则认为第IsoES_ed个负荷事件的事前负荷工作状态与第IsoES_st个事件的事后负荷工作状态相同，并将序号IsoES_ed和IsoES_st及其之间的所有负荷事件皆置为“已访问”，再新增一条IsoES记录，然后转至第4步，否则执行第8步；
式(3)中，
Qevt,0(IsoES_ed)表示第IsoES_ed个负荷事件的事前无功总功率，
Qevt,1(IsoES_st)表示第IsoES_st个事件的事后无功总功率，
δP>0和δQ＞0表示判别阈值；
第8步：令IsoES_ed等于IsoES_ed-1，如果IsoES_ed小于1，则转至第9步，否则执行第6步；
第9步：结束；
从而将电力负荷在学习时段发生的负荷事件序列被划分为若干IsoES；
步骤3-2的具体内容如下：
第1步：利用Mean-Shift聚类算法对未知负荷事件进行聚类，聚类算法的参数设置为：采用负荷事件发生前后的基波和高次谐波有功和无功总功率增量组成稳态特征向量，具体形式如式(4)所示；基于式(4)的向量表示，聚类所需的带宽参数的向量表示形式如式(5)所示；
式(4)中，
和
分别代表负荷事件序列中第n个负荷事件发生前后第h次谐波的有功和无功总功率增量，具体定义可参考式(1)；
第2步：在第1步的聚类形成的“簇”中采用仿射传播(Affinity Propagation，AP)聚类算法，利用负荷事件的暂态功率波形特征再进行精细化聚类；对于暂态功率波形特征的表述方式，采用如式(6)的向量表示暂态有功功率波形时间序列；
式(6)中，
代表负荷事件序列中第n个负荷事件的暂态第h次谐波有功功率波形时间序列，
及
分别代表时间序列中的第1、2及l个数据点，l∈Z+表示暂态功率波形时间序列的长度；
有类似形式；
进行AP聚类所需的参数有各个聚类对象之间的相似度，此处聚类对象即为各事件的暂态功率波形事件序列，以有功为例，其相似度的计算方式如式(7)所示；
式(7)中，sh(n1,n2)代表负荷事件序列中第n1和n2个负荷事件的暂态第h次谐波有功功率波形样本之间的相似度；dist代表它们之间的距离；ρ代表高斯相似度函数中的尺度因子，是一个已知的经验值；
针对上述两步所得的聚类结果，以聚类序号为类簇标号，即第c个负荷事件类簇的类簇标号为c，
表示当前时段学习开始之前累计已经产生的负荷事件聚类总数目，CE表示当前时段聚类分析完成后累计产生的负荷事件聚类总数目；第c个负荷事件聚类中心的稳态特征向量记为βc，它是其中所有负荷事件的稳态特征向量的均值向量，如式(8)所示，
所有聚类中心的稳态特征向量构成的集合记为Ωβ；暂态特征聚类中心记为Τc，它是第2步AP聚类所得聚类中心的集合，同时包含暂态有功功率、无功功率以至谐波功率波形的代表样本，如式(9)所示；
至此，每一个未知的负荷事件都拥有其所属类簇的类簇标号。
5.根据权利要求4所述的完全无监督的非侵入式电器状态模型自适应构建方法，其特征在于，完成步骤四的具体过程包括以下步骤：
步骤4-1、从集合频繁事件序列(FES)模式中筛选出简单回路负荷事件序列(SCES)模式，所述的简单回路是指模型拓扑图中除起止顶点相同之外，不再重复经过同一顶点的回路；通过下述三个约束条件进行筛选，对于任意长度为m的FES模式E＝[c1,c2,…,cm]T，具体如下：
条件1：状态唯一
简单回路负荷事件序列(SCES)模式中包含的负荷事件类型无重复，具体形式如(10)所示：
条件2：功率归零
在原ZLSC(Zero Loop Sum Constraint)约束条件的基础上，建立拓展ZLSC约束条件，记作β-ZLSC；其具体含义是，在任意始末工作状态相同的完整工作循环中，电器产生的所有负荷事件的β向量之和等于零向量；β-ZLSC约束条件如式(11)所示：
式(11)中，
和
分别表示第h次谐波有功和无功功率约束比例系数，H表示系统考虑的最高谐波次数，|·|表示取绝对值，max{·}表示取最大值；
条件3：功率非负
在任意始末工作状态相同的完整工作循环中，电器在任意时刻的有功功率都不会出现负值；功率非负约束条件如式(12)所示；
至此，若某个FES模式同时满足上述三个约束条件，则认为该频繁事件序列(FES)模式是一种简单回路负荷事件序列(SCES)模式；所有筛选得到的简单回路负荷事件序列(SCES)模式共同构成集合ΩSCES；之后，将负荷事件列表中与已经筛选出的简单回路负荷事件序列(SCES)模式相关的负荷事件皆置为“已知”；
步骤4-2、设置事件关联规则，即不同电器产生的负荷事件的类型不同；如果任意两个简单回路负荷事件序列(SCES)模式间共有类簇标号相同的负荷事件，则认为它们是由同一电器产生的，可归为一组；根据该事件关联规则，对于当前学习时段内产生的所有简单回路负荷事件序列(SCES)模式进行分组；
将步骤4-2中产生的简单回路负荷事件序列(SCES)模式分组称为全新SCES模式分组，将当前学习时段开始之前已经存在的简单回路负荷事件序列(SCES)模式分组称为已有SCES模式分组；
步骤4-3、设置分组关联规则，即若任意两个SCES模式分组中各自包含的任意两个简单回路负荷事件序列(SCES)模式之间拥有类簇标号相同的负荷事件，则认为这两个SCES模式分组中包含的所有简单回路负荷事件序列(SCES)模式都是由同一电器产生的；根据该分组关联规则，对全新SCES模式分组和已有SCES模式分组进行重新分组合并；
将步骤4-3中产生的由若干全新SCES模式分组和已有SCES模式分组合并产生的SCES模式分组称为合并SCES模式分组，所述全新SCES模式分组和已有SCES模式分组被统一称为合并SCES模式分组的子分组。
6.根据权利要求5所述的完全无监督的非侵入式电器状态模型自适应构建方法，其特征在于，完成步骤五过程的具体步骤如下：
步骤5-1、待处理的SCES模式分组是否是全新SCES模式分组，若是，则执行步骤5-2，否则，执行步骤5-3；
步骤5-2、首先将其中全部简单回路负荷事件序列(SCES)模式皆置为“未访问”，接下来从中初步选取一个简单回路负荷事件序列(SCES)模式，根据简单回路负荷事件序列(SCES)模式定义应地构建一个仅包含一条简单回路的初始模型拓扑图，并初始化对应的邻接方阵A，以数字化表示电器FSM模型的拓扑图，同时将已选定的简单回路负荷事件序列(SCES)模式置为“已访问”，然后执行步骤5-4；
所述的构建一个仅包含一条简单回路的初始模型拓扑图的方法为：假设所选的第一个简单回路负荷事件序列(SCES)模式中负荷事件类型的个数是M，按顺序将由简单回路负荷事件序列(SCES)模式所代表的工作状态转换过程中连续发生的工作状态逐一进行标号“1，2，3，…，M，1”；然后，在含有M个顶点的模型拓扑图中，对应简单回路负荷事件序列(SCES)模式中第一个负荷事件类型的边的起始顶点被标记为1，剩余的顶点沿着循环方向，按工作状态发生的顺序逐一标记为“2，3，…，M”；同时，将模型拓扑图中每条边分别标记为对应的负荷事件类型的逻辑名称；
所述的初始化对应的邻接方阵A的方法为：首先初始化一个M维零元素方阵A，然后在方阵A中将由模型拓扑图中每条边的起始顶点序号作为行序号和结束顶点序号作为列序号所确定的元素置为1；
步骤5-3、对于待处理的合并SCES模式分组，首先将其中所有子分组中包含的全部简单回路负荷事件序列(SCES)模式皆置为“未访问”，接下来从中初步选定一个已有SCES模式分组，并以与其对应的已知邻接方阵作为该合并SCES模式分组的初始邻接方阵A，根据方阵A得到该合并SCES模式分组的初始模型拓扑图，同时将已选定的SCES模式分组中的全部简单回路负荷事件序列(SCES)模式皆置为“已访问”；
步骤5-4、选取待处理的SCES模式分组中下一个“未访问”的简单回路负荷事件序列(SCES)模式，在已形成的初始模型拓扑图中，根据新增加的简单回路负荷事件序列(SCES)模式中的新负荷事件类型，添加与其对应的新的边和顶点，并对应地更新邻接方阵A，最后将选定的简单回路负荷事件序列(SCES)模式分置为“已访问”；
步骤5-5、如果待处理的SCES模式分组中所有的简单回路负荷事件序列(SCES)模式均已被访问过，则继续步骤5-6，否则回到步骤5-4；
步骤5-6、输出表示电器FSM模型拓扑结构的邻接方阵A，从而建立或更新了电器的FSM模型拓扑图。
7.根据权利要求6所述的完全无监督的非侵入式电器状态模型自适应构建方法，其特征在于，上述步骤5-4的详细执行步骤如下：
第5-4-1步：从SCES模式分组中选择下一个“未访问”的简单回路负荷事件序列(SCES)模式；
第5-4-2步：在上述选择的简单回路负荷事件序列(SCES)模式中，选择一个在已形成的模型拓扑图中没有被记录的新负荷事件类型；
第5-4-3步：如果新选定的负荷事件类型发生前后的两个工作状态与新选定的简单回路负荷事件序列(SCES)模式中某个已被记录的负荷事件类型发生前和/或后的工作状态相同，即新选定的负荷事件类型发生前后的两个工作状态均已被记录，则执行第5-4-5步，否则继续第5-4-4步；
第5-4-4步：在已形成的模型拓扑图中为与新选定负荷事件类型发生前或后工作状态所对应的新工作状态添加一个新的顶点，并继续递增标号；对应地，将方阵A拓展一个维度并将所有新增元素置为0；
第5-4-5步：对应地，在已形成的模型拓扑图中为新选定的负荷事件类型添加一条边并以其逻辑名称为之标记；在方阵A中，将由新增加的边的起始顶点序号作为行序号和结束顶点序号作为列序号所确定的元素置为1；
第5-4-6步：如果新选定的简单回路负荷事件序列(SCES)模式中全部负荷事件类型均已被记录在模型拓扑图中，继续后续步骤5-5，否则返回第5-4-2步。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110560585.2A CN113505465B (zh) | 2021-05-21 | 2021-05-21 | 完全无监督的非侵入式电器状态模型自适应构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110560585.2A CN113505465B (zh) | 2021-05-21 | 2021-05-21 | 完全无监督的非侵入式电器状态模型自适应构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113505465A true CN113505465A (zh) | 2021-10-15 |
| CN113505465B CN113505465B (zh) | 2022-06-14 |
Family
ID=78008523
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110560585.2A Active CN113505465B (zh) | 2021-05-21 | 2021-05-21 | 完全无监督的非侵入式电器状态模型自适应构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113505465B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113985121A (zh) * | 2021-10-29 | 2022-01-28 | 天津大学 | 基于功率主题发现的无监督非侵入式负荷识别方法及系统 |
| CN116559575A (zh) * | 2023-07-07 | 2023-08-08 | 国网江苏省电力有限公司常州供电分公司 | 负荷事件检测方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5483153A (en) * | 1994-03-24 | 1996-01-09 | Massachusetts Institute Of Technology | Transient event detector for use in nonintrusive load monitoring systems |
| CN106600074A (zh) * | 2016-12-28 | 2017-04-26 | 天津求实智源科技有限公司 | 基于dfhsmm的非侵入式电力负荷监测方法及系统 |
-
2021
- 2021-05-21 CN CN202110560585.2A patent/CN113505465B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5483153A (en) * | 1994-03-24 | 1996-01-09 | Massachusetts Institute Of Technology | Transient event detector for use in nonintrusive load monitoring systems |
| CN106600074A (zh) * | 2016-12-28 | 2017-04-26 | 天津求实智源科技有限公司 | 基于dfhsmm的非侵入式电力负荷监测方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113985121A (zh) * | 2021-10-29 | 2022-01-28 | 天津大学 | 基于功率主题发现的无监督非侵入式负荷识别方法及系统 |
| CN116559575A (zh) * | 2023-07-07 | 2023-08-08 | 国网江苏省电力有限公司常州供电分公司 | 负荷事件检测方法和装置 |
| CN116559575B (zh) * | 2023-07-07 | 2023-11-24 | 国网江苏省电力有限公司常州供电分公司 | 负荷事件检测方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113505465B (zh) | 2022-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
| CN113505465B (zh) | 完全无监督的非侵入式电器状态模型自适应构建方法 | |
| CN107578288B (zh) | 一种考虑用户用电模式差异的非侵入式负荷分解方法 | |
| CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
| CN101105841A (zh) | 由大规模基因芯片表达谱数据构建基因调控亚网络的方法 | |
| CN111949707B (zh) | 一种基于影场的隐马尔可夫模型的非侵入式负荷分解方法 | |
| CN112381248A (zh) | 一种基于深度特征聚类和lstm的配电网故障诊断方法 | |
| CN112308341B (zh) | 电力数据的处理方法和装置 | |
| CN106570790A (zh) | 一种计及风速数据分段特性的风电场出力数据修复方法 | |
| CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
| CN116187508A (zh) | 一种融合知识图谱和深度学习的风电机组故障预测方法 | |
| CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN115545280A (zh) | 一种低压配电网络拓扑生成方法及装置 | |
| CN116843083A (zh) | 基于混合神经网络模型的碳排放预测系统及方法 | |
| Fan | Research on deep learning energy consumption prediction based on generating confrontation network | |
| CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
| CN112766590B (zh) | 一种居民典型电力消费模式的提取方法与系统 | |
| Han et al. | Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing | |
| CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
| CN114358367A (zh) | 一种非侵入式负荷分解方法及装置 | |
| Ajagunsegun et al. | Machine learning-based system for managing energy efficiency of public buildings: An approach towards smart cities | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| CN117390550A (zh) | 考虑排放训练集的低碳园区碳排放动态预测方法及系统 | |
| CN116010831A (zh) | 一种基于潜在决策结果的组合聚类场景缩减方法及系统 | |
| CN115932428A (zh) | 一种迭代式无监督非侵入式负荷识别方法及系统 |
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 |