CN114884075A - 一种基于监督式学习的事件型非侵入式负荷监测方法 - Google Patents

一种基于监督式学习的事件型非侵入式负荷监测方法 Download PDF

Info

Publication number
CN114884075A
CN114884075A CN202210815278.9A CN202210815278A CN114884075A CN 114884075 A CN114884075 A CN 114884075A CN 202210815278 A CN202210815278 A CN 202210815278A CN 114884075 A CN114884075 A CN 114884075A
Authority
CN
China
Prior art keywords
load
event
monitoring
supervised learning
monitoring method
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.)
Pending
Application number
CN202210815278.9A
Other languages
English (en)
Inventor
华栋
谭笑
黄凡旗
汪隆君
李思洋
林铭潮
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 CN202210815278.9A priority Critical patent/CN114884075A/zh
Publication of CN114884075A publication Critical patent/CN114884075A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • H02J2310/70—Load identification
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种基于监督式学习的事件型非侵入式负荷监测方法，涉及电力负荷监测技术领域，包括：S1、采集负荷运行的电气特征参数数据并进行数据处理；S2、基于处理后的数据，通过滑动窗双边累计和事件监测算法进行监测以得到事件过程的开始时间与进入稳态时间；S3、对事件过程的开始时间与进入稳态时间进行特征提取以得到负荷特征；S4、基于负荷特征进行训练以得到监督式负荷识别模型，并通过监督式负荷识别模型对未知事件进行负荷识别以得到识别结果；本发明提出的一种基于监督式学习的事件型非侵入式负荷监测方法，能够准确监测事件的发生，并利用已经训练好的负荷识别模型对未知事件准确识别。

Description

一种基于监督式学习的事件型非侵入式负荷监测方法
技术领域
本发明涉及电力负荷监测技术领域，具体而言，涉及一种基于监督式学习的事件型非侵入式负荷监测方法。
背景技术
由于智能电网技术不断发展和成熟，提升用户在电力市场参与度、加强用户需求侧响应等已成为要实现电网智能化的迫切需求。而居民电力负荷用电细节监测则可为实现前述目标提供重要的技术支持，同时也可提高电力公司和居民用户关于用电数据的交互深度，便于电力公司的规划、运行和管理与居民用户的能效升级等。而非侵入式电力负荷监测(Non-intrusive load monitoring，NILM)，无需侵入用户内部为每个设备安装传感器，只基于对在电源的入口处测量得到的负荷用电总量数据的详细分析，就可获取总负荷中投切的各个用电设备的耗电信息。凭借其成本低、扩展性强、便于维护和易于被用户接受等优点，非侵入式电力负荷监测已成为实现电力负荷用电细节监测的主流技术手段。
非侵入式负荷识别结果的准确率直接影响着后续决策的科学性和用户对其结果的信任程度，从而关系到用户需求侧响应的积极性。从NILM大规模应用的角度出发，保证家庭拥有量高的电器设备的识别准确率更能保障电力公司整体决策的有效性；而对用户来说，其关注的往往是家庭中使用频率较高的电器设备的识别结果。因此，提高如电冰箱、电水壶、电吹风、微波炉、电暖炉、电脑、液晶显示器、荧光灯和空调等家庭拥有量和用户使用频率均位于前列的电器设备的识别准确率至关重要。尽管已经有很多研究人员在NILM领域展开探索，但是大部分已有研究对于其中的非侵入式辨识效果很差，无法应对不同负荷特征情况，甚至无法辨识。
发明内容
本发明的目的在于提供一种基于监督式学习的事件型非侵入式负荷监测方法，其能够解决上述问题。
本发明的技术方案为：
本申请提供一种基于监督式学习的事件型非侵入式负荷监测方法，其包括以下步骤：
S1、采集负荷运行的电气特征参数数据并进行数据处理；
S2、基于处理后的数据，通过滑动窗双边累计和事件监测算法进行监测以得到事件过程的开始时间与进入稳态时间；
S3、对事件过程的开始时间与进入稳态时间进行特征提取以得到负荷特征；
S4、基于负荷特征进行训练以得到监督式负荷识别模型，并通过监督式负荷识别模型对未知事件进行负荷识别以得到识别结果。
进一步地，步骤S2中上述滑动窗双边累计和事件监测算法的监测步骤包括：
用解析法获取滑动窗双边累计和事件监测算法的参数；
基于NSGA-II算法对上述参数进行优化以得到帕累托解；
根据帕累托解利用熵权双基点法决策出最优解。
进一步地，上述根据帕累托解利用熵权双基点法决策出最优解的方法包括：
根据目标函数和帕累托解建立评价矩阵；
基于评价矩阵得到目标函数的熵权；
基于熵权建立加权的规格化评价矩阵；
通过规格化评价矩阵确定正理想点和负理想点；
基于正理想点和负理想点计算每个帕累托最优解的相对贴近度，并根据贴进度选取以得到最优解。
进一步地，上述评价矩阵公式如下：
Figure 100002_DEST_PATH_IMAGE001
，
其中，R表示评价矩阵，M表示帕累托最优解的数量，r 1j表示第j个帕累托最优解对应的第1个目标函数，r 2j表示第j个帕累托最优解对应的第2个目标函数。
进一步地，上述目标函数的表达式为：
Figure 100002_DEST_PATH_IMAGE002
、
Figure 100002_DEST_PATH_IMAGE003
，
其中，r 1和r 2表示目标函数，TP表示被正确分类的正例，FN表示本来正例被错分类的负例，FP表示负例被错分类的正例。
进一步地，上述计算每个帕累托最优解的相对贴近度的公式：
Figure 100002_DEST_PATH_IMAGE004
，
其中，TJ j 表示每个帕累托最优解的相对贴近度，
Figure 100002_DEST_PATH_IMAGE005
和
Figure 100002_DEST_PATH_IMAGE006
分别表示第j个解到正理想点和负理想点的欧氏距离。
进一步地，步骤S3中上述提取负荷特征的方法包括：
提取事件前后各5个周波的稳态电压和电流数据；
基于稳态电压和电流数据做数据平滑及平均处理以得到负荷特征。
进一步地，上述负荷识别的方法包括：基于功率和谐波特征的机器学习负荷识别方法、基于V-I轨迹图像量化特征的机器学习负荷识别方法以及基于V-I轨迹图像特征的深度学习负荷识别方法。
相对于现有技术，本发明的至少具有如下优点或有益效果：
本发明提供一种基于监督式学习的事件型非侵入式负荷监测方法，通过滑动窗双边累计和事件监测算法进行监测得到事件过程的开始时间与进入稳态时间，然后对事件过程的开始时间与进入稳态时间进行特征提取从而得到负荷特征，最后利用已经训练好的负荷识别模型对未知事件准确识别，能够准确监测事件的发生，并可应对不同负荷特征情况。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明一种基于监督式学习的事件型非侵入式负荷监测方法的流程图；
图2为滑动窗双边累计和事件检测算法示意图；
图3为为滑动窗双边累计和事件监测算法实现事件检测的流程图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，在本文中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1，图1所示为本申请实施例提供的一种基于监督式学习的事件型非侵入式负荷监测方法的流程图。
本申请提供一种基于监督式学习的事件型非侵入式负荷监测方法，其包括以下步骤：
S1、采集负荷运行的电气特征参数数据并进行数据处理；
S2、基于处理后的数据，通过滑动窗双边累计和事件监测算法进行监测以得到事件过程的开始时间与进入稳态时间；
S3、对事件过程的开始时间与进入稳态时间进行特征提取以得到负荷特征；
S4、基于负荷特征进行训练以得到监督式负荷识别模型，并通过监督式负荷识别模型对未知事件进行负荷识别以得到识别结果。
其中，S1中采集的负荷运行的电气特征参数数据的目标包括用以提取和分析负荷特征的单个负荷的数据采集以及实现负荷监测依据的对住宅入户干线的数据采集，数据处理主要用于将采集到的数据中可能存在的噪声进行去噪处理来滤除噪声，可以更好地反映数据的总体规律；
作为一种优选的实施方式，本发明采用移动平均算法进行数据处理，随着窗宽的增大，平滑后的曲线会越来越光滑，但过于光滑也可能造成信号的失真，因此本发明选择窗宽为5的方式进行移动平滑，其计算公式如下：
Figure DEST_PATH_IMAGE007
，
Figure DEST_PATH_IMAGE008
，
Figure DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
，
其中，y i （i为整数）表示待平滑的数据序列，yy i （i为整数）表示对应的平滑后数据序列。
如图2所示为滑动窗双边累计和事件检测算法示意图，定义两个连续的滑动窗，其中，WM为平均值计算窗口，其长度为m，WD为事件过程检测窗口，其长度为n，功率时间t对应的序列P=p(k)（k为正整数），计算滑动窗双边累计和事件过程监测窗的均值M m 、M d ，如下式所示：
Figure DEST_PATH_IMAGE011
，
Figure DEST_PATH_IMAGE012
，
定义投入事件累计量
Figure DEST_PATH_IMAGE013
和切除事件累计量
Figure DEST_PATH_IMAGE014
如下式所示：
Figure DEST_PATH_IMAGE015
，
Figure DEST_PATH_IMAGE016
，
其中，β表示功率稳态时的波动量。
作为一种优选的实施方式，设置阈值H来判断是否有事件发生，当
Figure DEST_PATH_IMAGE017
时表明有事件投入，
Figure DEST_PATH_IMAGE018
时表明有事件切除；当检测是否有事件投入时，
Figure 335217DEST_PATH_IMAGE013
的初值
Figure DEST_PATH_IMAGE019
为0，当事件检测窗口的均值M d 大于均值计算窗口的均值M m 和功率波动水平
Figure DEST_PATH_IMAGE020
的和时，即
Figure DEST_PATH_IMAGE021
，投入事件累计量
Figure 127723DEST_PATH_IMAGE013
开始大于0，当投入事件累计量
Figure DEST_PATH_IMAGE022
时，说明此时有发生事件的可能，但此时
Figure DEST_PATH_IMAGE023
，还不能确定有事件发生，因此引入时间延迟变量d，令d=d+1，此时计算
Figure DEST_PATH_IMAGE024
，直到
Figure DEST_PATH_IMAGE025
，判断有投入事件发生，投入事件发生的时刻
Figure DEST_PATH_IMAGE026
；为避免因为功率时间序列的波动导致的事件投入与切除多识别这一问题，当时间延迟变量每增加1就对
Figure DEST_PATH_IMAGE027
和
Figure DEST_PATH_IMAGE028
的大小关系进行判断，若
Figure DEST_PATH_IMAGE029
，则认为此时是由于功率的波动引起的，从而
Figure DEST_PATH_IMAGE030
、d=0，事件切除也是同样的原理进行检测，检测到事件投入时刻T_start之后，即进行该事件进入稳态时刻的检测，在该事件进入稳态之前，功率时间序列会一直变化，因此，当检测到事件发生时（时刻），不结束事件检测程序，而是继续计算累计量，直到累计量不在变化为止（时刻），此时即可检测出事件进入稳态时刻T_stable。
如图3所示为滑动窗双边累计和事件监测算法实现事件检测的流程图，作为一种优选的实施方式，首先初始化时间延迟变量d和正向累积量
Figure DEST_PATH_IMAGE031
，即d=
Figure 527700DEST_PATH_IMAGE031
=0，确定参数m、n、
Figure DEST_PATH_IMAGE032
和H，读取功率时间信号序列，事件检测窗开始滑动，此时k=1，此时判断k是否小于N－m－n，若否，则事件检测结束，若是则判断正向累积量
Figure 860592DEST_PATH_IMAGE031
是否大于零；若否则此时时间延迟变量d和正向累积量
Figure 143806DEST_PATH_IMAGE031
为0，令k=k+1，判断k是否小于N－m－n，重复以上操作，若是则继续判断
Figure 435110DEST_PATH_IMAGE031
是否大于等于H；（若是则表示有投入事件发生，发生时刻t=k+m+n-d，令k=k+1，此时判断是否满足
Figure DEST_PATH_IMAGE033
，若是则重复上一步骤令k=k+1，若否则表示事件进入稳态，进入稳态的时刻t=k+m，此时时间延迟变量d和正向累积量
Figure 639826DEST_PATH_IMAGE031
为0，令k=k+1，判断k是否小于N－m－n，重复以上操作），（若否则让时间延迟变量d和k均+1，再进行判断
Figure 307568DEST_PATH_IMAGE031
是否大于等于H，若是则表示有投入事件发生，重复上述步骤，若否则判断是否满足
Figure 445288DEST_PATH_IMAGE033
，若是则继续d=d+1和k=k+1，重复步骤，若否则表示时间延迟变量d和正向累积量
Figure 907494DEST_PATH_IMAGE031
为0，重复步骤，直至满足条件事件检测结束。
作为一种优选的实施方式，步骤S2中滑动窗双边累计和事件监测算法的监测步骤包括：
用解析法获取滑动窗双边累计和事件监测算法的参数；
基于NSGA-II算法对参数进行优化以得到帕累托解；
根据帕累托解利用熵权双基点法决策出最优解。
作为一种优选的实施方式，根据帕累托解利用熵权双基点法决策出最优解的方法包括：
根据目标函数和帕累托解建立评价矩阵；
基于评价矩阵得到目标函数的熵权；
基于熵权建立加权的规格化评价矩阵；
通过规格化评价矩阵确定正理想点和负理想点；
基于正理想点和负理想点计算每个帕累托最优解的相对贴近度，并根据贴进度选取以得到最优解。
作为一种优选的实施方式，评价矩阵公式如下：
Figure 396244DEST_PATH_IMAGE001
，
其中，R表示评价矩阵，M表示帕累托最优解的数量，r 1j表示第j个帕累托最优解对应的第1个目标函数，r 2j表示第j个帕累托最优解对应的第2个目标函数。
熵权的计算公式为：
Figure DEST_PATH_IMAGE034
，
其中，
Figure DEST_PATH_IMAGE035
和
Figure DEST_PATH_IMAGE036
均表示系数，
Figure DEST_PATH_IMAGE037
表示熵权，r ij 为第j个帕累托最优解对应的第i个目标函数值，M表示帕累托最优解的数量。
建立加权的规格化评价矩阵公式为：
Figure DEST_PATH_IMAGE038
，
其中，
Figure DEST_PATH_IMAGE039
表示加权的规格化评价矩阵，
Figure 415147DEST_PATH_IMAGE037
表示熵权（i=1或2），
Figure DEST_PATH_IMAGE040
表示第j个帕累托最优解对应的第1个目标函数值，
Figure DEST_PATH_IMAGE041
表示第j个帕累托最优解对应的第2个目标函数值，
Figure DEST_PATH_IMAGE042
表示最后一个帕累托最优解对应的第1个目标函数值，
Figure DEST_PATH_IMAGE043
表示最后一个帕累托最优解对应的第2个目标函数值。
通过规格化评价矩阵确定正理想点和负理想点的公式为：
Figure DEST_PATH_IMAGE044
，
Figure DEST_PATH_IMAGE045
，
其中，
Figure DEST_PATH_IMAGE046
表示正理想点，
Figure DEST_PATH_IMAGE047
表示负理想点，
Figure DEST_PATH_IMAGE048
表示加权的规格化评价矩阵第一行的最大值，
Figure DEST_PATH_IMAGE049
表示加权的规格化评价矩阵第一行的最小值，
Figure DEST_PATH_IMAGE050
表示加权的规格化评价矩阵某一行的最大值，
Figure DEST_PATH_IMAGE051
表示加权的规格化评价矩阵某一行的最小值，
Figure DEST_PATH_IMAGE052
表示规格化评价矩阵第i行的第一个元素，
Figure DEST_PATH_IMAGE053
表示规格化评价矩阵第i行的最后一个元素。
作为一种优选的实施方式，目标函数的表达式为：
Figure DEST_PATH_IMAGE054
、
Figure DEST_PATH_IMAGE055
，
其中，r 1和r 2表示目标函数，TP表示被正确分类的正例，FN表示本来正例被错分类的负例，FP表示负例被错分类的正例。
作为一种优选的实施方式，计算每个帕累托最优解的相对贴近度的公式：
Figure 129679DEST_PATH_IMAGE004
，
其中，TJ j 表示每个帕累托最优解的相对贴近度，
Figure 293944DEST_PATH_IMAGE005
和
Figure 4411DEST_PATH_IMAGE006
分别表示第j个解到正理想点和负理想点的欧氏距离。
作为一种优选的实施方式，步骤S3中提取负荷特征的方法包括：
提取事件前后各5个周波的稳态电压和电流数据；
基于稳态电压和电流数据做数据平滑及平均处理以得到负荷特征。
作为一种优选的实施方式，负荷识别的方法包括：基于功率和谐波特征的机器学习负荷识别方法、基于V-I轨迹图像量化特征的机器学习负荷识别方法以及基于V-I轨迹图像特征的深度学习负荷识别方法。
其中，基于功率和谐波特征的机器学习负荷识别方法是以功率变化量、谐波变化量作为负荷特征，采用随机森林机器学习算法训练负荷识别模型实现未知事件的识别；基于V-I轨迹图像量化特征的机器学习负荷识别方法是将V-I轨迹图像特征量化为6个数值特征作为负荷特征，采用随机森林机器学习算法训练负荷识别模型实现未知事件的识别；基于V-I轨迹图像特征的深度学习负荷识别方法是以V-I轨迹图像作为负荷特征，采用卷积神经网络深度学习算法训练负荷识别模型实现未知事件的识别。
可以理解，图中所示的结构仅为示意，一种基于监督式学习的事件型非侵入式负荷监测方法还可包括比图中所示更多或者更少的组件，或者具有与图中所示不同的配置。图中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的系统或方法，也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的一种基于监督式学习的事件型非侵入式负荷监测方法，通过滑动窗双边累计和事件监测算法进行监测得到事件过程的开始时间与进入稳态时间，然后对事件过程的开始时间与进入稳态时间进行特征提取从而得到负荷特征，最后利用已经训练好的负荷识别模型对未知事件准确识别，能够准确监测事件的发生，并可应对不同负荷特征情况。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (9)

1.一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，包括以下步骤：
S1、采集负荷运行的电气特征参数数据并进行数据处理；
S2、基于处理后的数据，通过滑动窗双边累计和事件监测算法进行监测以得到事件过程的开始时间与进入稳态时间；
S3、对事件过程的开始时间与进入稳态时间进行特征提取以得到负荷特征；
S4、基于负荷特征进行训练以得到监督式负荷识别模型，并通过监督式负荷识别模型对未知事件进行负荷识别以得到识别结果。
2.如权利要求1所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，步骤S2中所述滑动窗双边累计和事件监测算法的监测步骤包括：
用解析法获取滑动窗双边累计和事件监测算法的参数；
基于NSGA-II算法对上述参数进行优化以得到帕累托解；
根据帕累托解利用熵权双基点法决策出最优解。
3.如权利要求2所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，所述根据帕累托解利用熵权双基点法决策出最优解的方法包括：
根据目标函数和帕累托解建立评价矩阵；
基于评价矩阵得到目标函数的熵权；
基于熵权建立加权的规格化评价矩阵；
通过规格化评价矩阵确定正理想点和负理想点；
基于正理想点和负理想点计算每个帕累托最优解的相对贴近度，并根据贴进度选取以得到最优解。
4.如权利要求3所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，所述评价矩阵公式如下：
Figure DEST_PATH_IMAGE001
，
其中，R表示评价矩阵，M表示帕累托最优解的数量，r 1j表示第j个帕累托最优解对应的第1个目标函数，r 2j表示第j个帕累托最优解对应的第2个目标函数。
5.如权利要求4所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，所述目标函数的表达式为：
Figure DEST_PATH_IMAGE002
、
Figure DEST_PATH_IMAGE003
，
其中，r 1和r 2表示目标函数，TP表示被正确分类的正例，FN表示本来正例被错分类的负例，FP表示负例被错分类的正例。
6.如权利要求3所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，所述计算每个帕累托最优解的相对贴近度的公式：
Figure DEST_PATH_IMAGE004
，
其中，TJ j 表示每个帕累托最优解的相对贴近度，
Figure DEST_PATH_IMAGE005
和
Figure DEST_PATH_IMAGE006
分别表示第j个解到正理想点和负理想点的欧氏距离。
7.如权利要求1所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，步骤S3中提取负荷特征的方法包括：
提取事件前后各5个周波的稳态电压和电流数据；
基于稳态电压和电流数据做数据平滑及平均处理以得到负荷特征。
8.如权利要求6所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，所述负荷特征包括事件的功率、谐波分量以及V-I轨迹图像特征。
9.如权利要求1所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，所述负荷识别的方法包括：基于功率和谐波特征的机器学习负荷识别方法、基于V-I轨迹图像量化特征的机器学习负荷识别方法以及基于V-I轨迹图像特征的深度学习负荷识别方法。
CN202210815278.9A 2022-07-11 2022-07-11 一种基于监督式学习的事件型非侵入式负荷监测方法 Pending CN114884075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210815278.9A CN114884075A (zh) 2022-07-11 2022-07-11 一种基于监督式学习的事件型非侵入式负荷监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210815278.9A CN114884075A (zh) 2022-07-11 2022-07-11 一种基于监督式学习的事件型非侵入式负荷监测方法

Publications (1)

Publication Number Publication Date
CN114884075A true CN114884075A (zh) 2022-08-09

Family

ID=82683323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210815278.9A Pending CN114884075A (zh) 2022-07-11 2022-07-11 一种基于监督式学习的事件型非侵入式负荷监测方法

Country Status (1)

Country Link
CN (1) CN114884075A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907567A (zh) * 2023-02-21 2023-04-04 浙江大学 基于鲁棒性随机分割森林算法的负荷事件检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120290230A1 (en) * 2009-07-01 2012-11-15 Carnegie Mellon University Methods and Apparatuses for Monitoring Energy Consumption and Related Operations
CN112149510A (zh) * 2020-08-27 2020-12-29 广东工业大学 一种非侵入式负荷检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120290230A1 (en) * 2009-07-01 2012-11-15 Carnegie Mellon University Methods and Apparatuses for Monitoring Energy Consumption and Related Operations
CN112149510A (zh) * 2020-08-27 2020-12-29 广东工业大学 一种非侵入式负荷检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DONGHUA 等: "Simultaneous disaggregation of multiple appliances based on non-intrusive load monitoring", 《ELECTRIC POWER SYSTEMS RESEARCH》 *
吴万强 等: "基于SOPC的实验室负荷智能监测装置", 《实验室研究与探索》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115907567A (zh) * 2023-02-21 2023-04-04 浙江大学 基于鲁棒性随机分割森林算法的负荷事件检测方法及系统
CN115907567B (zh) * 2023-02-21 2023-05-09 浙江大学 基于鲁棒性随机分割森林算法的负荷事件检测方法及系统

Similar Documents

Publication Publication Date Title
CN117057517B (zh) 基于数字孪生的电力数据高效处理方法及系统
Munshi et al. Unsupervised nonintrusive extraction of electrical vehicle charging load patterns
CN105376260B (zh) 一种基于密度峰值聚类的网络异常流量监测系统
De Baets et al. VI-based appliance classification using aggregated power consumption data
CN111126780B (zh) 一种非侵入式负荷监测方法及存储介质
WO2012160062A1 (en) Transition detection method for automatic-setup non-intrusive appliance load monitoring
CN113344346B (zh) 基于非侵入式负荷分解的用电异常检测方法和系统
CN117131110B (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
CN116780781B (zh) 智能电网接入的功率管理方法
CN111563827A (zh) 基于电器物理特性及居民用电行为的负荷分解方法
CN114884075A (zh) 一种基于监督式学习的事件型非侵入式负荷监测方法
Dash et al. An appliance load disaggregation scheme using automatic state detection enabled enhanced integer programming
CN116205544A (zh) 基于深度神经网络和迁移学习的非侵入式负荷识别系统
CN117783745A (zh) 用于换电柜的数据在线监测方法及系统
CN113627289B (zh) 一种基于深度学习的电力设备识别方法及其装置
Mostafavi et al. An unsupervised approach in learning load patterns for non-intrusive load monitoring
CN113313582A (zh) 拒客回捞模型训练方法、装置及电子设备
CN111506636A (zh) 一种基于自回归和近邻算法的居民用电行为分析的系统及方法
CN112287979A (zh) 一种基于互信息的储能电池状态判定方法
Luan et al. Unsupervised identification and status assessment for electric bicycle charging load
CN115112989B (zh) 基于低频数据的非侵入式负荷监测方法
CN116561569A (zh) 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法
CN113159988B (zh) 用户电器负荷状态分析方法、装置、设备及可读存储介质
CN115146735A (zh) 用户用电异常识别
CN114662576A (zh) 基于有监督分类的非侵入式电瓶车充电检测方法及系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20220809

RJ01 Rejection of invention patent application after publication