CN113792767B - 基于图信号处理的负荷用电特征监测分析方法 - Google Patents

基于图信号处理的负荷用电特征监测分析方法 Download PDF

Info

Publication number
CN113792767B
CN113792767B CN202110995503.7A CN202110995503A CN113792767B CN 113792767 B CN113792767 B CN 113792767B CN 202110995503 A CN202110995503 A CN 202110995503A CN 113792767 B CN113792767 B CN 113792767B
Authority
CN
China
Prior art keywords
graph
signal
load
graph signal
signals
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
CN202110995503.7A
Other languages
English (en)
Other versions
CN113792767A (zh
Inventor
方晓玲
林焱
林芳
马晓阳
黄霆
杜培
陈玫珊
黄雁
黄道姗
吴丹岳
黄宇星
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.)
Sichuan University
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
Original Assignee
Sichuan University
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
State Grid Fujian Electric Power Co Ltd
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 Sichuan University, Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd, State Grid Fujian Electric Power Co Ltd filed Critical Sichuan University
Priority to CN202110995503.7A priority Critical patent/CN113792767B/zh
Publication of CN113792767A publication Critical patent/CN113792767A/zh
Application granted granted Critical
Publication of CN113792767B publication Critical patent/CN113792767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Probability & Statistics with Applications (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于图信号处理的负荷用电特征监测分析法，包括以下步骤：S1：获取用户总有功功率数据，并构建图邻接矩阵；S2：采用合并K均值聚类算法对目标设备负荷曲线的先验信息进行聚类，构图信号；S3：利用增广拉格朗日迭代算法迭代求解图信号的重构无约束优化函数，重构出用电设备未知部分的图信号：S4：将图信号还原为功率信号，若所有负荷均完成图信号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行S1。本发明可以快速有效完成负荷用电特征监测分析。

Description

基于图信号处理的负荷用电特征监测分析方法
技术领域
本发明涉及数据挖掘分析领域，具体涉及一种基于图信号处理的负荷用电特征监测分析方法。
背景技术
能源是当今社会运作和发展不可或缺的资源，而随着全球经济的快速发展，社会各个行业和家庭用户对电能数量和质量的需求日渐增长，为了节约电能，合理安排用电计划，缓解社会能源压力、实现能源的可持续发展，提出了用电负荷特征分析。
近些年来，国内外学者对提出了许多针对负荷用电特征监测与分析的方法。现有的针对家庭用户的负荷监测技术包括侵入式负荷特征监测分析和非侵入式负荷特征监测分析。侵入式的方法要求在每一个需监测的电器上安装测量装置单独进行监测，该方法可以准确直观的获得各个电器的用电情况，但是会受到硬件设备条件的限制。侵入式的方法要求在每一个需监测的电器上安装测量装置单独进行监测，该方法可以准确直观的获得各个电器的用电情况，但是会受到硬件设备条件的限制。非侵入式技术只需在电力线入口处安装带有数字通信的监测装置，采集线路总端的电气参数。该方法精度稍低，但硬件成本大大降低，在智能电网建设中有更强的实用性。通过对总电气参数进行分解与识别，计算分析得到家庭内各个负荷的投切状态和工作时间，从而完成负荷用电特征监测分析。图信号处理是如今数据挖掘领域的研究热点，对于分析负荷用电数据的拓扑结构和行为特征有很强的实用性。
发明内容
有鉴于此，本发明的目的在于提供一种基于图信号处理的负荷用电特征监测分析方法，以解决上述问题。
为实现上述目的，本发明采用如下技术方案：
一种基于图信号处理的负荷用电特征监测分析方法，包括以下步骤：
S1：获取用户总有功功率数据，并构建图邻接矩阵；
S2：采用合并K均值聚类算法对目标设备负荷曲线的先验信息进行聚类，构图信号；
S3：利用增广拉格朗日迭代算法迭代求解图信号的重构无约束优化函数，重构出用电设备未知部分的图信号：
S4：将图信号还原为功率信号，若所有负荷均完成图信号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行S1。
进一步的，所述邻接矩阵A是由图结构的边的权重组成的N×N矩阵，具体为：定义邻接矩阵中的元素Aij＝exp(-||xi-xj||2/ρ2)，并将邻接矩阵A进行归一化处理得到
Figure GDA0003322877120000021
其中xi和xj为图顶点的数值，ρ为比例参数，||·||2表示平方；λmax为邻接矩阵特征值绝对值的最大值。
进一步的，所述步骤S2具体为：
S11：初始化K值设置为
Figure GDA0003322877120000022
经过经典K均值聚类之后，利用不同聚类中心的相应最大聚类半径的圆互相交叠的比例来确定不同聚类之间是否合并；
S12:当两个聚类合并时，更新合并后的聚类结构；
S13:循环S11-S12，直至所有聚类之间不满足合并条件。
进一步的，所述合并K均值聚类算法输出的不同组的聚类都有相应的最大值和最小值，构建阈值向量：
M＝[m1,m2,...,mδ]
其中ma和ma+1分别大于等于算法a类聚类的最小值和最大值，δ为算法输出的聚类类别数；
则用电设备已知的先验信息的图信号用公式表示：
Figure GDA0003322877120000031
式中，
Figure GDA0003322877120000032
表示用电设备l在时刻i的图信号值，i＝1,2,…q。/>
Figure GDA0003322877120000038
为用电设备在时刻i的先验用电数据。对于未知的n-q点的图信号值，则设其数值为0，那么设备l的先验图信号可表示为/>
Figure GDA0003322877120000033
进一步的，所述步骤S3具体为：
S31:初始化输入参数，包括邻接矩阵A，正则化参数ρ，归一化参数γ，最大迭代次数K和迭代中止门限ξ；
S32:当约束
Figure GDA0003322877120000034
得到全局最优解为：
Figure GDA0003322877120000035
如果
Figure GDA0003322877120000036
则迭代结束，输出计算的重构图信号结果S。
进一步的，所述步骤S4具体为：对求解得到的设备图信号值的集合S进行差分逆运算得到：
Figure GDA0003322877120000037
当一个设备的用电功率被完整重构时，从总功率信号中去除该时序信号，以降低其他设备负荷曲线重构时的干扰；
若所有负荷号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行S1。本发明与现有技术相比具有以下有益效果：
本发明利用图信号处理的方法挖掘了负荷用电数据的拓扑结构，非侵入式地监测和分析了负荷的用电特征和情况，对需求侧管理部署具有很强的实用性。
附图说明
图1为本发明一实施例中某家庭实际总用电数据曲线；
图2为本发明一实施例中负荷用电特征分析输出结果；
图3为本发明的方法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图3，本发明提供一种基于图信号处理的负荷用电特征监测分析方法，包括以下步骤：
S1：利用用户总有功功率数据构建图邻接矩阵A，这是由图结构的边的权重组成的N×N矩阵。
加权邻接矩阵，一般有两种加权方式：以欧式距离加权和以高斯核函数加权。高斯核函数是机器学习中最常用的核函数，能很好地降低顶点之间的差异性；
优选的的，在本实施例中，定义邻接矩阵中的元素Aij＝exp(-||xi-xj||2/ρ2)将邻接矩阵A进行归一化处理得到
Figure GDA0003322877120000041
S2：利用合并K均值聚类算法对目标设备负荷曲线的先验信息进行聚类，构建图信号阈值向量和先验图信号。合并K均值算法的初始化K值设置为
Figure GDA0003322877120000054
经过经典K均值聚类之后，利用不同聚类中心的相应最大聚类半径的圆互相交叠的比例来确定不同聚类之间是否合并。当两个聚类合并时，更新合并后的聚类结构，不断重复这一过程，直至所有聚类之间不满足合并条件。算法输出的不同组的聚类都有相应的最大值和最小值，取适当的数值构建阈值向量：
M＝[m1,m2,...,mδ]
用电设备已知的先验信息的图信号可以用公式表示：
Figure GDA0003322877120000051
S3：利用增广拉格朗日迭代算法迭代求解图信号的重构无约束优化函数，获得全局最优解。
优选的的，在本实施例中，初始化输入参数，包括邻接矩阵A，正则化参数ρ，归一化参数γ，最大迭代次数K和迭代中止门限ξ。
当约束
Figure GDA0003322877120000052
得到全局最优解为：
Figure GDA0003322877120000053
从而重构出用电设备未知部分的图信号S；
S4：将图信号还原为功率信号，若所有负荷均完成图信号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行S1。求解得到的设备图信号值的集合S为经过差分操作后的分类标签值，无法直接进行设备稳定运行工作的有功功率重构。对S进行差分逆运算得到：
Figure GDA0003322877120000061
当一个设备的用电功率被完整重构时，从总功率信号中去除该时序信号，以降低其他设备负荷曲线重构时的干扰。若所有负荷号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行S1。
实施例1：
本实施例选取开源REDD数据库中house 2某两天内的用电数据进行先验数据采集与负荷信号重构，包括微波炉、冰箱、烤箱、洗碗机、电灯、烘干机6个电器。具体包括以下步骤：
S1、利用图1中用户总有功功率数据构建图邻接矩阵A。
S2、利用合并K均值聚类算法对目标设备负荷曲线的先验信息进行聚类，构建图信号阈值向量M＝[m1,m2,...,mδ]和先验图信号
Figure GDA0003322877120000064
S3、利用增广拉格朗日迭代算法迭代求解图信号的重构无约束优化函数。初始化输入参数，如邻接矩阵A，正则化参数ρ，归一化参数γ，最大迭代次数K和迭代中止门限ξ。
当约束
Figure GDA0003322877120000062
得到全局最优解为：
Figure GDA0003322877120000063
从而重构出用电设备未知部分的图信号S；
S4、将图信号还原为功率信号，若所有负荷均完成图信号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行S1。
当所有设备的用电曲线都重构完成，即完成了负荷的用电特征监测与分析，输出结果如图2所示。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于图信号处理的负荷用电特征监测分析方法，其特征在于，包括以下步骤：
S1：获取用户总有功功率数据，并构建图邻接矩阵；
S2：采用合并K均值聚类算法对目标设备负荷曲线的先验信息进行聚类，构建图信号；
S3：利用增广拉格朗日迭代算法迭代求解图信号的重构无约束优化函数，重构出用电设备未知部分的图信号：
S4：将图信号还原为功率信号，若所有负荷均完成图信号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行S1；
所述步骤S3具体为：
S31:初始化输入参数，包括邻接矩阵A，正则化参数ρ′，归一化参数γ，最大迭代次数K和迭代中止门限ξ；
S32:当约束
Figure FDA0004088132570000011
得到全局最优解为：
Figure FDA0004088132570000012
其中，ρ为比例参数；
如果
Figure FDA0004088132570000013
则迭代结束，输出计算的重构图信号结果S。
2.根据权利要求1所述的基于图信号处理的负荷用电特征监测分析方法，其特征在于，所述邻接矩阵A是由图结构的边的权重组成的N×N矩阵，具体为：定义邻接矩阵中的元素Aij＝exp(-||xi-xj||2/ρ2)，并将邻接矩阵A进行归一化处理得到
Figure FDA0004088132570000014
其中xi和xj为图顶点的数值，ρ为比例参数，||.||2表示平方；λmax为邻接矩阵特征值绝对值的最大值。
3.根据权利要求1所述的基于图信号处理的负荷用电特征监测分析方法，其特征在于，所述步骤S2具体为：
S11：初始化K值设置为
Figure FDA0004088132570000021
经过经典K均值聚类之后，利用不同聚类中心的相应最大聚类半径的圆互相交叠的比例来确定不同聚类之间是否合并；
S12:当两个聚类合并时，更新合并后的聚类结构；
S13:循环S11-S12，直至所有聚类之间不满足合并条件。
4.根据权利要求3所述的基于图信号处理的负荷用电特征监测分析方法，其特征在于，所述合并K均值聚类算法输出的不同组的聚类都有相应的最大值和最小值，构建阈值向量：
M＝[m1,m2,...,mδ]
其中ma和ma+1分别大于等于算法a类聚类的最小值和最大值，δ为算法输出的聚类类别数；
则用电设备已知的先验信息的图信号用公式表示：
Figure FDA0004088132570000022
式中，
Figure FDA0004088132570000023
表示用电设备l在时刻i的图信号值，i＝1,2,…q；/>
Figure FDA0004088132570000024
为用电设备在时刻i的先验用电数据；对于未知的n-q点的图信号值，则设其数值为0，那么设备l的先验图信号可表示为/>
Figure FDA0004088132570000025
5.根据权利要求1所述的基于图信号处理的负荷用电特征监测分析方法，其特征在于，所述步骤S4具体为：对求解得到的设备图信号值的集合S进行差分逆运算得到功率信号S*：
Figure FDA0004088132570000031
当一个设备的用电功率被完整重构时，从总功率信号中去除S*，以降低其他设备负荷曲线重构时的干扰；
若所有负荷号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行S1。
CN202110995503.7A 2021-08-27 2021-08-27 基于图信号处理的负荷用电特征监测分析方法 Active CN113792767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110995503.7A CN113792767B (zh) 2021-08-27 2021-08-27 基于图信号处理的负荷用电特征监测分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110995503.7A CN113792767B (zh) 2021-08-27 2021-08-27 基于图信号处理的负荷用电特征监测分析方法

Publications (2)

Publication Number Publication Date
CN113792767A CN113792767A (zh) 2021-12-14
CN113792767B true CN113792767B (zh) 2023-06-27

Family

ID=79182300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110995503.7A Active CN113792767B (zh) 2021-08-27 2021-08-27 基于图信号处理的负荷用电特征监测分析方法

Country Status (1)

Country Link
CN (1) CN113792767B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105186693A (zh) * 2015-09-28 2015-12-23 南方电网科学研究院有限责任公司 一种非侵入式用电负荷辨识系统及方法
CN107546855A (zh) * 2017-09-28 2018-01-05 广东工业大学 一种居民用电负荷的非侵入分解方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3265956A1 (en) * 2015-03-02 2018-01-10 Siemens Aktiengesellschaft Classification of cellular images and videos
JP2017158183A (ja) * 2016-02-29 2017-09-07 大学共同利用機関法人情報・システム研究機構 画像処理装置
CN106778841A (zh) * 2016-11-30 2017-05-31 国网上海市电力公司 异常用电检测模型的建立方法
CN106780372B (zh) * 2016-11-30 2019-06-18 华南理工大学 一种基于广义树稀疏的权重核范数磁共振成像重建方法
EP3486864B1 (en) * 2017-11-20 2020-09-09 Technische Universität München Isotropic 3d image reconstruction using 3d patches-based self-similarity learning
CN109460419A (zh) * 2018-09-19 2019-03-12 广东卓维网络有限公司 一种设备状态变化事件监测方法
CN112381264A (zh) * 2020-10-20 2021-02-19 昆明理工大学 一种基于改进图卷积神经网络的用电负荷辨识方法
CN112836672B (zh) * 2021-02-26 2023-09-19 西北工业大学 一种基于自适应近邻图嵌入的无监督数据降维方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105186693A (zh) * 2015-09-28 2015-12-23 南方电网科学研究院有限责任公司 一种非侵入式用电负荷辨识系统及方法
CN107546855A (zh) * 2017-09-28 2018-01-05 广东工业大学 一种居民用电负荷的非侵入分解方法

Also Published As

Publication number Publication date
CN113792767A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
Zhao et al. Improving event-based non-intrusive load monitoring using graph signal processing
Dinesh et al. Residential appliance identification based on spectral information of low frequency smart meter measurements
Zhang et al. Analysis of power consumer behavior based on the complementation of K-means and DBSCAN
CN113574550A (zh) 使用集成机器学习技术的非侵入式负荷监测
CN111103477A (zh) 一种基于3d卷积神经网络的电气负载监测方法和系统
Li et al. Disaggregating household loads via semi-supervised multi-label classification
Srinivasarengan et al. A framework for non intrusive load monitoring using bayesian inference
Liu et al. Learning task-aware energy disaggregation: a federated approach
Haq et al. Classification of electricity load profile data and the prediction of load demand variability
CN113792767B (zh) 基于图信号处理的负荷用电特征监测分析方法
Dinesh et al. Non-intrusive load monitoring based on low frequency active power measurements
CN117477536A (zh) 一种考虑光伏的居民非侵入式负荷分解方法、系统及介质
Cheong et al. Review of clustering algorithms for microgrid formation
Liu et al. An Efficient Supervised Energy Disaggregation Scheme for Power Service in Smart Grid.
US11893487B2 (en) Trained models for discovering target device presence
Mukherjee et al. Power system fault classification with imbalanced learning for distribution systems
CN115841338A (zh) 确定异常用电行为的方法及装置、非易失性存储介质
CN115329899A (zh) 一种聚类等效模型构建方法、系统、设备和存储介质
Tito et al. Image segmentation-based event detection for non-intrusive load monitoring using Gramian Angular Summation Field
Watts et al. Selecting Representative Net Load Profiles of Solar Homes With K-Means Clustering
Yan et al. A clustering method for power time series curves based on improved self-organizing mapping algorithm
CN113408622A (zh) 计及特征量信息表达差异的非侵入式负荷辨识方法及系统
CN111948446A (zh) 一种自适应的负荷识别方法以及智能电能表
Rodríguez-Gómez et al. A novel clustering based method for characterizing household electricity consumption profiles
Zhao et al. Non-Intrusive Load Monitoring Based on Deep Pairwise-Supervised Hashing to Detect Unidentified Appliances. Processes 2021, 9, 505

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