CN116304762A - 负荷的分解方法和装置 - Google Patents
负荷的分解方法和装置 Download PDFInfo
- Publication number
- CN116304762A CN116304762A CN202310553044.6A CN202310553044A CN116304762A CN 116304762 A CN116304762 A CN 116304762A CN 202310553044 A CN202310553044 A CN 202310553044A CN 116304762 A CN116304762 A CN 116304762A
- Authority
- CN
- China
- Prior art keywords
- load data
- clustering
- load
- data
- total load
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 39
- 230000005611 electricity Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 239000000203 mixture Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 17
- 238000001914 filtration Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004138 cluster model Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 abstract description 8
- 230000006399 behavior Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 241000282461 Canis lupus Species 0.000 description 8
- 241000282421 Canidae Species 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种负荷的分解方法和装置。该负荷的分解方法包括：对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；依据设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果。本发明提供的方案能够有效的识别小功率设备的运行的技术效果。
Description
技术领域
本发明涉及计算机技术应用领域，尤其涉及一种负荷的分解方法和装置。
背景技术
传统的侵入式负荷分解就是在每个用电设备上加装传感器以此来获取用电信息，虽然得到的用电数据精确、可靠，但是构建一个侵入式负荷监测系统的工作非常繁琐，不仅包括采集器安装和调试，还包括电力用户住宅内通信网络的铺设等工作，当户内用电设备较多时，就需要大量的采集器。
针对由于现有技术在侵入式分解的过程中需要大量的采集器获取数据，导致整体系统配置复杂的问题，目前尚未提出有效的解决方案。
发明内容
为解决上述技术问题，本发明实施例期望提供一种负荷的分解方法和装置，以至少解决由于现有技术在侵入式分解的过程中需要大量的采集器获取数据，导致整体系统配置复杂的问题。
本发明的技术方案是这样实现的：
本发明实施例提供一种负荷的分解方法，包括：对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；依据设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果。
可选的，对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据包括：通过低频采样从电力系统中获取总负荷数据；通过中值滤波法对总负荷数据进行滤波，得到预处理后的总负荷数据；其中，总负荷数据包括：A/B/C相电流电压、瞬时有功功率、瞬时无功功率和正向有功总电量。
可选的，从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果包括：依据预处理后的总负荷数据通过高斯混合聚类，确定各用电设备的工作状态数；将各用电设备的工作状态数中每个簇的有功功率均值作为与有功功率均值相关联符合状态的实际值；依据实际值对各用电器的工作状态进行标记，并将标记后各用电设备在预设时间点下所处的工作状态的组合，转变为多种单状态负荷设备；依据多种单状态负荷设备确定为设备状态识别结果。
进一步地，可选的，依据预处理后的总负荷数据通过高斯混合聚类，确定各用电设备的工作状态数包括：通过肘部法则和轮廓系数确定高斯混合模型聚类簇，并依据高斯混合模型聚类簇建立聚类模型；通过聚类模型对预处理后的总负荷数据进行处理，得到各用电设备的工作状态数。
可选的，通过肘部法则和轮廓系数确定高斯混合模型聚类簇，并依据高斯混合模型聚类簇建立聚类模型包括：绘制簇内误方差曲线，得到变化量前的特定位置的聚类数据，其中，簇内误方差曲线中横坐标设为聚类数，纵坐标设为肘部法则中的组内平方和值；绘制轮廓系数曲线，得到变化量前的特定位置的聚类数据对应的轮廓系数值，将轮廓系数值最大的聚类数据确定为最终聚类簇；其中，轮廓系数曲线中横坐标设为聚类数，纵坐标设为轮廓系数；依据最终聚类簇建立聚类模型。
进一步地，可选的，轮廓系数为通过计算样本数据中第一样本与同一类别中其他样本的平均距离，以及第一样本与不同类别的样本平均距离的最小值得到的。
可选的，将标记后各用电设备在预设时间点下所处的工作状态的组合，转变为多种单状态负荷设备包括：将标记后各用电设备在预设时间点下所处的工作状态进行组合，得到各用电设备在预设时间点下所处的工作状态组合的状态码；对各状态码下的负荷数据叠加高斯噪声，得到多种单状态负荷设备的设备负荷数据宽表。
可选的，该方法还包括：训练预设负荷分解模型，其中，训练预设负荷分解模型包括：依据随机森林算法构建用于分类和回归的模型，对设备状态识别结果进行分类，得到类别概率；依据基于划分的聚类算法FCM对设备状态识别结果进行聚类，得到的聚类结果；对类别概率和聚类结果进行拼接得到模型输入参数；将模型输入参数进行训练，得到训练好的负荷分解模型。
可选的，该方法还包括：对用电行为分析结果通过评价指标进行评估，其中，评价指标包括：准确率、精确率、召回率和F1 Score中至少一种。
本发明实施例提供一种负荷的分解装置，包括：预处理模块，用于对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；识别模块，用于从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；分级模块，用于依据设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果。
本发明实施例提供了一种负荷的分解方法和装置。对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；依据设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果，从而能够有效的识别小功率设备的运行的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例提供的一种负荷的分解方法的流程示意图；
图2为本发明实施例提供的一种负荷的分解方法中簇内误方差曲线的示意图；
图3为本发明实施例提供的一种负荷的分解方法中聚类簇对应轮廓系数的示意图；
图4为本发明实施例提供的一种负荷的分解装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于限定特定顺序。
还需要说明是，本发明下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。
本发明实施例提供一种负荷的分解方法，图1为本发明实施例提供的一种负荷的分解方法的流程示意图；如图1所示，本申请实施例提供的负荷的分解方法包括：
步骤S102，对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；
可选的，步骤S102中对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据包括：通过低频采样从电力系统中获取总负荷数据；通过中值滤波法对总负荷数据进行滤波，得到预处理后的总负荷数据；其中，总负荷数据包括：A/B/C相电流电压、瞬时有功功率、瞬时无功功率和正向有功总电量。
具体的，本申请实施例提供的负荷的分解方法能够应用于电力数据的采集，其中，本申请实施例提供的负荷的分解方法为非侵入式负荷监测分解方法，即，通过对电力负荷的监测，利用识别算法进行电器类别的辨识，免除了传统负荷监测中的设备安装和维护成本，通过监测用户电力入口处的总负荷数据就可以对负荷分解得到负荷集群中各个负荷的种类和运行情况，使得有序用电大规模推广成为可能。
由于在电力数据采集过程中，难免存在一定的干扰因素导致数据缺失、异常，对负荷分解结果造成不良影响。故需要对数据进行预处理，本申请实施例提供的负荷的分解方法中数据基于低频采样获得的A/B/C相电流电压，瞬时有功功率，瞬时无功功率，正向有功总电量，采用中值滤波法，减轻异常数据带来的影响。
其中，总负荷数据包括：A/B/C相电流电压、瞬时有功功率、瞬时无功功率、正向有功总电量和功率因素可以如表1和表2所示：
表1
表2
表1和表2中记载了各时间维度中每个时间A/B/C相电流、电压、瞬时有功功率、瞬时无功功率和正向有功总电量；
需要说明的是，本申请实施例中的表1和表2的数据合并后可以为通过低频采样，从电力系统中获取的总负荷数据，其中，表1和表2的合并方式可以为：同一时间列的同一行中每个时间对应的数据项包括：A/B/C相电流、电压、瞬时有功功率、瞬时无功功率和正向有功总电量；
例如：
时间为20210301001500这行包括的数据项为：A/B/C相电流、电压、瞬时有功功率、瞬时无功功率和正向有功总电量。
结合步骤S102中的表1和表2，在得到预处理后的总负荷数据的过程中，通过低频采样从电力系统中获取如表1和表2所示的总负荷数据，进而通过中值滤波法对总负荷数据进行滤波，特征衍生后得到预处理后的总负荷数据，预处理后的总负荷数据包括：瞬时有功变化量、瞬时无功变化量、A相电流变化量、B相电流变化量、C相电流变化量和正向有功总变化量；其中，预处理后的总负荷数据如表3所示：
表3
本申请实施例中的总负荷数据以表1和表2中所示的数据，以及预处理后的总负荷数据以表3中所示的数据为优选示例进行说明，以实现本申请实施例提供的负荷的分解方法为准，具体不做限定。
步骤S104，从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；
可选的，步骤S104中从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果包括：依据预处理后的总负荷数据通过高斯混合聚类，确定各用电设备的工作状态数；将各用电设备的工作状态数中每个簇的有功功率均值作为与有功功率均值相关联符合状态的实际值；依据实际值对各用电器的工作状态进行标记，并将标记后各用电设备在预设时间点下所处的工作状态的组合，转变为多种单状态负荷设备；依据多种单状态负荷设备确定为设备状态识别结果。
其中，在稳态特征中，又分为单状态负荷和多状态负荷。由于任一电器都至少有开（记为ON）和关（记为OFF）两种状态，有的电器运行时有多种工作模式,对应有一个开状态和多种开状态，在数据处理中需要对多状态负荷的辨识视为多种单状态负荷辨识的综合。
通过多状态用电设备进行高斯混合聚类，判断出各用电设备的工作状态数K，得到的每个簇下的有功功率均值作为与之相关联负荷状态的实际值，并对各个用电器的工作状态做标签，将每个用电器每个时刻下所处的工作状态组合，转变为多种单状态负荷设备。
由于高斯混合聚类需要人为指定聚类簇数，故采用肘部法则和轮廓系数综合评估聚类结果，调整聚类簇数。
肘部法则评估
SSE（sum of squares for error）组内平方和：它是每个水平或组的各样本数据与其均值的误差平方和，反映每个样本各观测值的离散状况，因此又称为误差平方和。该平方和反映了随机误差的大小。可以通过SSE值的大小来判断聚类算法得出结果的好坏，SSE值越小，说明聚类中心与其簇内数据的误差平方和越小，簇内数据越紧密，聚类中心能够更好的代表簇内数据，聚类结果越好。SSE值越大，则说明聚类中心与其簇内数据簇内数据的误差平方和越大，聚类效果较差。
SSE的思想是肘部法则的基础，SSE值随着聚类数K的增大，SSE值先急剧下降，随后逐渐变小，最后趋于平稳。其中，当K值开始变大时，SSE值急剧下降的原因是K值近于真实聚类数，此时，聚类中心与样本数据结构紧密，误差平方和大大降低，所以会有一个比较大的下降趋势，当K达到真实聚类数后，聚类中心与样本数据已接近紧密，此时误差平方和不会变化太大，下降幅度大大变低，因此在图中形成拐点，形如“肘部”，而此时的K值即为推荐的聚类簇。
进一步地，可选的，依据预处理后的总负荷数据通过高斯混合聚类，确定各用电设备的工作状态数包括：通过肘部法则和轮廓系数确定高斯混合模型聚类簇，并依据高斯混合模型聚类簇建立聚类模型；通过聚类模型对预处理后的总负荷数据进行处理，得到各用电设备的工作状态数。
可选的，通过肘部法则和轮廓系数确定高斯混合模型聚类簇，并依据高斯混合模型聚类簇建立聚类模型包括：绘制簇内误方差曲线，得到变化量前的特定位置的聚类数据，其中，簇内误方差曲线中横坐标设为聚类数，纵坐标设为肘部法则中的组内平方和值；绘制轮廓系数曲线，得到变化量前的特定位置的聚类数据对应的轮廓系数值，将轮廓系数值最大的聚类数据确定为最终聚类簇；其中，轮廓系数曲线中横坐标设为聚类数，纵坐标设为轮廓系数；依据最终聚类簇建立聚类模型。
具体的，通过肘部法则和轮廓系数确定高斯混合模型聚类簇，并依据高斯混合模型聚类簇建立聚类模型包括：
1.绘制簇内误方差曲线，将横坐标设为聚类数K（即，本申请实施例中的聚类数据），纵坐标为SSE值（即，本申请实施例中的肘部法则中的组内平方和值），寻找变化量前3的拐点对应的聚类数K（即，本申请实施例中的变化量前的特定位置的聚类数据对应的轮廓系数值）。如图2所示，图2为本发明实施例提供的一种负荷的分解方法中簇内误方差曲线的示意图。
2.绘制轮廓系数曲线，将横坐标设为聚类数K，纵坐标为轮廓系数，针对上一步寻找的3个聚类数，查看轮廓系数值（即，本申请实施例中的变化量前的特定位置的聚类数据对应的轮廓系数值），选择轮廓系数最高的K值作为最终聚类簇；如图3所示，图3为本发明实施例提供的一种负荷的分解方法中聚类簇对应轮廓系数的示意图。
3.建立高斯混合聚类模型（即，本申请实施例中的聚类模型），输出聚类结果。根据聚类结果将每个用电器的多状态转变为多种单状态负荷设备，建立状态编码。
进一步地，可选的，轮廓系数为通过计算样本数据中第一样本与同一类别中其他样本的平均距离，以及第一样本与不同类别的样本平均距离的最小值得到的。
其中，轮廓系数（Silhouette Coefficient），是聚类效果好坏的一种评价方式。最早由 Peter J. Rousseeuw 在 1986 提出。它结合内聚度和分离度两种因素。可以用来在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。
轮廓系数的计算步骤具体如下：
步骤1：假设经过聚类后，针对其中的样本x（即，本申请实施例中的第一样本），计算样本x到同一类别中其他样本（即，本申请实施例中的同一类别中其他样本）的平均距离，记为a(x)；
步骤2：计算样本x到不同类别中其他样本（即，本申请实施例中的不同类别的样本）的平均距离的最小值，记为b(x)；
步骤3：计算x点轮廓系数S(x)；
轮廓系数的取值范围为[-1,1]，越趋近于1表示内聚度和分离度越优。
综上，基于步骤S102中的表3获得的预处理后的总负荷数据，由于每个时间点的总负荷书包含了多个电器的用电数据，因此在步骤S104中对预处理后的总负荷数据通过高斯混合聚类，判断出各用电设备的工作状态数K，得到的每个簇下的有功功率均值作为与之相关联负荷状态的实际值，并对各个用电器的工作状态做标签，将每个用电器每个时刻下所处的工作状态组合，转变为多种单状态负荷设备。其中，在本申请实施例中通过肘部法则和轮廓系数综合评估聚类结果，调整聚类簇数，具体的通过肘部法则和轮廓系数进行计算如上述，这里不再赘述。
可选的，将标记后各用电设备在预设时间点下所处的工作状态的组合，转变为多种单状态负荷设备包括：将标记后各用电设备在预设时间点下所处的工作状态进行组合，得到各用电设备在预设时间点下所处的工作状态组合的状态码；对各状态码下的负荷数据叠加高斯噪声，得到多种单状态负荷设备的设备负荷数据宽表。
具体的，在机器学习过程中，往往存在过拟合现象，模型在训练集表现效果较好，但是在测试集上却表现平平。为了防止过度拟合，提高模型的泛化能力，增加训练集样本量是很好的选择，但在实际过程中，各种标签数据的获得往往存在难度，收集更多的样本也意味着高成本和高耗时。数据增强是一种在数据约束环境下提高机器学习模型性能和准确性的低成本和有效的方法。
由于用户在实际使用设备中，存在多种设备组合运用，故将单一的设备负荷特征进行叠加不同设备，根据不同的状态进行区分，形成每个用电器在每个时刻（即，本申请实施例中的预设时间点）下所处的工作状态组合的状态码，并对负荷数据叠加高斯噪声，得到新的设备负荷数据宽表。
高斯噪声，是指服从高斯分布（正态分布）的一类噪声。向标准数据中加入合适的高斯噪声让数据更加符合实际。
综上，根据步骤S102中的表3中得到的预处理后的总负荷数据，通过肘部法则和轮廓系数得到与有功功率均值相关联符合状态的实际值后，通过对实际值中各用电器的工作状态进行标记，并对标记后的各用电设备在预设时间点下所处的工作状态的组合，得到各用电设备在预设时间点下所处的工作状态组合的状态码，对各状态码下的负荷数据叠加高斯噪声，得到多种单状态负荷设备的设备负荷数据宽表，基于该设备负荷数据宽表得到多种单状态负荷设备。
步骤S106，依据设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果。
可选的，本申请实施例提供的负荷的分解方法还包括：训练预设负荷分解模型，其中，训练预设负荷分解模型包括：
Step1，依据随机森林算法构建用于分类和回归的模型，对设备状态识别结果进行分类，得到类别概率；
具体的，随机森林是一种有监督学习算法，是以决策树为基学习器的集成学习算法，它对bagging算法进行改进，可用于分类和回归问题。构建过程如下：
1.从原始数据集中随机有放回采样取出m个样本生成m个训练集；
2.对m个训练集，分别训练m个决策树模型；
3.对于单个决策树模型，假设训练样本特征的个数为n,每次分裂时根据信息增益/信息增益比/基尼系数，选择最好的特征进行分裂；
4.将生成的多棵决策树组成随机森林，对于分类问题，按照多棵树分类器投票决定最终分类的结果；对于回归问题，由多棵树预测值的均值决定最终预测结果。
Step2，依据基于划分的聚类算法FCM对设备状态识别结果进行聚类，得到的聚类结果；
具体的，基于灰狼算法的模糊聚类：
灰狼优化算法（Grey Wolf Optimizer，GWO）由澳大利亚格里菲斯大学学者Mirjalili 等人于2014年提出来的一种群智能优化算法。该算法受到了灰狼捕食猎物活动的启发而开发的一种优化搜索方法，它具有较强的收敛性能、参数少、易实现等特点。
算法原理：
狼群中有α、β、γ三只狼做头狼，其中α是狼王，β、γ分别排第二、第三，β、γ都要听α的，γ要听β的。这三匹狼指导者其他的狼寻找猎物。狼群寻找猎物的过程就是我们寻找最优解的过程。
GWO具体优化过程包含了社会等级分层、跟踪、包围和攻击猎物和寻找猎物。但其核心行为只有捕猎。为了模拟灰狼的搜索行为，假设α、β、γ具有较强识别潜在猎物的能力，因此，在每次迭代过程中，保留当前种群中最好的三只狼（α、β、γ），然后根据他们的位置信息来更新其他搜索代理的位置。
FCM算法是基于对目标函数的优化基础上的一种数据聚类方法。聚类结果是每一个数据点对聚类中心的隶属程度，该隶属程度用一个数值来表示。该算法允许同一数据属于多个不同的类。它是一种无监督的模糊聚类方法，在算法实现过程中不需要人为的干预。
FCM算法步骤：
①用值0,1之间的随机数初始化隶属度矩阵U。
②计算各聚类中心$$ {c_i},i = 1,...,c
③计算价值函数，如果它小于某个确定的阈值，或它相对上次价值函数值得改变量小于某个阈值，则算法停止。
④计算新的隶属度矩阵U，返回步骤（2）。
将负荷特征通过灰狼算法计算迭代，输出α狼位置为最佳位置，将其作为FCM的初始聚类中心，进行FCM建模，输出聚类簇标签。
Step3，对类别概率和聚类结果进行拼接得到模型输入参数；
具体的，Stacking算法负荷识别：
本申请实施例提供的负荷的分解方法将第一层中随机森林产生的类别概率（本申请实施例中的Step1）、模糊C均值聚类的结果（本申请实施例中的Step2）进行拼接，作为第二层随机森林次级学习器的输入并进行训练。
输入：非侵入式负荷分解数据集S=｛（X1，Y1），（X2,Y2）,..(Xn,Yn)｝其中Xi为总有功
功率和无功功率组成，Yi表示与Xi所对应的状态码，n为样本数。
输出：各用电设备的工作状态。
Step4，将模型输入参数进行训练，得到训练好的负荷分解模型。
综上，结合步骤Step1至Step4，算法步骤：
①在训练上采用优化的FCM聚类算法和随机森林进行参数寻优，得出各算法的最佳模型结果以及各算法进行交叉验证实验的结果。
②将FCM聚类结果和随机森林输出的结果概率值构成新的数据集，作为第二层随机森林次级学习器的输入并训练模型。
③使用训练好的Stacking模型对测试集进行分类。
通过基于灰狼算法的FCM模型，能有效提高因为初始中心位置不准确而导致的聚类失败，同时FCM算法能很好的识别大功率设备的运行状态，再配合stacking模型，能有效的识别小功率设备的运行。
本申请实施例提供的负荷的分解方法通过优化的FCM模型算法，大大提高聚类效率。同时，stacking算法基于第一层树模型结果再次建模，有效提高最终准确率。
可选的，本申请实施例提供的负荷的分解方法还包括：对用电行为分析结果通过评价指标进行评估，其中，评价指标包括：准确率、精确率、召回率和F1 Score中至少一种。
具体的，对于分类问题，有准确率、精确率、召回率、F1 Score等评价指标。
准确率：分类模型正确分类的样本数（包括正例与反例）与样本总数的比值。
精确率(precision)：模型正确分类的正例样本数与总的正例样本总数（即正确分类的正例样本数目与错误分类的正确样本数目之和）的比值。
召回率(recall，也称为查全率)：模型分类正确的正例样本数与分为正确类的样本总数（分类正确的正例和分类正确的反例之和）的比值。
F1分数（F1 Score），是统计学中用来衡量二分类模型精确度的一种指标。一般来说，高的精确率往往意味着低召回率，而高召回率会导致低精确率，F1 Score同时兼顾了分类模型的精确率和召回率。F1分数可以看作是模型精确率和召回率的一种调和平均，它的最大值是1，最小值是0。
综上，本申请实施例提供的负荷的分解方法提供非侵入式负荷分解技术，在用户入口处加装非侵入式负荷监测装置，通过分析采集到的总负荷数据，进行负荷识别和用电行为分解，进而得到用户家中每个或每类用电设备准确的用电信息。
由于设备工作原理的不同导致设备具有不同的负荷特征，负荷特征又可分为稳态特征和暂态特征。当前已有的非侵入式负荷分解大多基于暂态数据，相比于稳态特征，暂态特征记录的数据虽然特征信息较多，但是对于硬件的要求较高，需要高频采样，实际采集存在一定的困难，故基于稳态数据运行的模型更具备落地实施条件。本申请实施例提供的负荷的分解方法中数据基于低频采样获得的A/B/C相电流，瞬时有功功率，瞬时无功功率，正向有功总电量，功率因素等数据，采用集成模型算法，对用户负荷进行分解。
综上，由于步骤S104中是将依据多种单状态负荷设备确定为设备状态识别结果，因此基于设备负荷数据宽表中得到的多种单状态负荷设备，通过预设负荷模型进行处理，最终得到用电行为分析结果，即，对各用电设备的工作状态通过评价得到的用电行为分析结果。其中，构建“预设的负荷模型”的过程为上述步骤S106中的Step1至Step4，这里不再赘述。
本发明实施例提供了一种负荷的分解方法。对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；依据设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果，从而能够有效的识别小功率设备的运行的技术效果。
本发明实施例提供一种负荷的分解装置，图4为本发明实施例提供的一种负荷的分解装置的示意图，如图4所示，本申请实施例提供的负荷的分解装置包括：预处理模块42，用于对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；识别模块44，用于从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；分级模块46，用于依据设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果。
本发明实施例提供了一种负荷的分解装置。对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；从预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；依据设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果，从而能够有效的识别小功率设备的运行的技术效果。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
Claims (9)
1.一种负荷的分解方法，其特征在于，包括：
对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；
从所述预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；
依据所述设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果；
其中，所述对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据包括：
通过低频采样从电力系统中获取所述总负荷数据；
通过中值滤波法对所述总负荷数据进行滤波，得到所述预处理后的总负荷数据；
其中，所述总负荷数据包括：A/B/C相电流电压、瞬时有功功率、瞬时无功功率和正向有功总电量。
2.根据权利要求1所述的负荷的分解方法，其特征在于，所述从所述预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果包括：
依据所述预处理后的总负荷数据通过高斯混合聚类，确定各用电设备的工作状态数；
将所述各用电设备的工作状态数中每个簇的有功功率均值作为与所述有功功率均值相关联符合状态的实际值；
依据所述实际值对所述各用电器的工作状态进行标记，并将标记后所述各用电设备在预设时间点下所处的工作状态的组合，转变为多种单状态负荷设备；
依据所述多种单状态负荷设备确定为所述设备状态识别结果。
3.根据权利要求2所述的负荷的分解方法，其特征在于，所述依据所述预处理后的总负荷数据通过高斯混合聚类，确定各用电设备的工作状态数包括：
通过肘部法则和轮廓系数确定高斯混合模型聚类簇，并依据所述高斯混合模型聚类簇建立聚类模型；
通过所述聚类模型对所述预处理后的总负荷数据进行处理，得到所述各用电设备的工作状态数。
4.根据权利要求3所述的负荷的分解方法，其特征在于，所述通过肘部法则和轮廓系数确定高斯混合模型聚类簇，并依据所述高斯混合模型聚类簇建立聚类模型包括：
绘制簇内误方差曲线，得到变化量前的特定位置的聚类数据，其中，所述簇内误方差曲线中横坐标设为聚类数，纵坐标设为所述肘部法则中的组内平方和值；
绘制轮廓系数曲线，得到所述变化量前的特定位置的聚类数据对应的轮廓系数值，将所述轮廓系数值最大的聚类数据确定为最终聚类簇；其中，所述轮廓系数曲线中横坐标设为聚类数，纵坐标设为轮廓系数；
依据所述最终聚类簇建立所述聚类模型。
5.根据权利要求4所述的负荷的分解方法，其特征在于，
所述轮廓系数为通过计算样本数据中第一样本与同一类别中其他样本的平均距离，以及所述第一样本与不同类别的样本平均距离的最小值得到的。
6.根据权利要求2所述的负荷的分解方法，其特征在于，所述将标记后所述各用电设备在预设时间点下所处的工作状态的组合，转变为多种单状态负荷设备包括：
将标记后所述各用电设备在预设时间点下所处的工作状态进行组合，得到所述各用电设备在预设时间点下所处的工作状态组合的状态码；
对各状态码下的负荷数据叠加高斯噪声，得到多种单状态负荷设备的设备负荷数据宽表。
7.根据权利要求1所述的负荷的分解方法，其特征在于，所述方法还包括：
训练所述预设负荷分解模型，其中，所述训练所述预设负荷分解模型包括：
依据随机森林算法构建用于分类和回归的模型，对所述设备状态识别结果进行分类，得到类别概率；
依据基于划分的聚类算法FCM对设备状态识别结果进行聚类，得到的聚类结果；
对所述类别概率和所述聚类结果进行拼接得到模型输入参数；
将所述模型输入参数进行训练，得到训练好的负荷分解模型。
8.根据权利要求1所述的负荷的分解方法，其特征在于，所述方法还包括：
对所述用电行为分析结果通过评价指标进行评估，其中，所述评价指标包括：准确率、精确率、召回率和F1 Score中至少一种。
9.一种负荷的分解装置，其特征在于，包括：
预处理模块，用于对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据；
识别模块，用于从所述预处理后的总负荷数据中进行设备状态识别，得到设备状态识别结果；
分级模块，用于依据所述设备状态识别结果通过预设负荷分解模型进行处理，得到用电行为分析结果；
其中，所述对采集到的总负荷数据进行预处理，得到预处理后的总负荷数据包括：通过低频采样从电力系统中获取所述总负荷数据；通过中值滤波法对所述总负荷数据进行滤波，得到所述预处理后的总负荷数据；其中，所述总负荷数据包括：A/B/C相电流电压、瞬时有功功率、瞬时无功功率和正向有功总电量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310553044.6A CN116304762A (zh) | 2023-05-17 | 2023-05-17 | 负荷的分解方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310553044.6A CN116304762A (zh) | 2023-05-17 | 2023-05-17 | 负荷的分解方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116304762A true CN116304762A (zh) | 2023-06-23 |
Family
ID=86798075
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310553044.6A Pending CN116304762A (zh) | 2023-05-17 | 2023-05-17 | 负荷的分解方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116304762A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993424A (zh) * | 2019-03-26 | 2019-07-09 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
| CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
| CN110363231A (zh) * | 2019-06-27 | 2019-10-22 | 平安科技（深圳）有限公司 | 基于半监督深度学习的异常识别方法、装置及存储介质 |
| CN111428816A (zh) * | 2020-04-17 | 2020-07-17 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
| CN111506618A (zh) * | 2019-12-11 | 2020-08-07 | 国网重庆市电力公司北碚供电分公司 | 一种结合lightgbm-stacking算法的异常用电行为分析方法 |
| CN112331230A (zh) * | 2020-11-17 | 2021-02-05 | 平安科技（深圳）有限公司 | 一种欺诈行为识别方法、装置、计算机设备及存储介质 |
| CN113159361A (zh) * | 2020-12-03 | 2021-07-23 | 安徽大学 | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 |
| CN113902136A (zh) * | 2021-11-17 | 2022-01-07 | 贵州电网有限责任公司 | 一种基于电力指纹特征和集成学习机制的负荷识别方法 |
| CN115758249A (zh) * | 2022-11-24 | 2023-03-07 | 国网江苏省电力有限公司信息通信分公司 | 一种非侵入负荷辨识方法及装置 |
-
2023
- 2023-05-17 CN CN202310553044.6A patent/CN116304762A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993424A (zh) * | 2019-03-26 | 2019-07-09 | 广东艾胜物联网科技有限公司 | 一种基于宽度学习算法的非干涉式负荷分解方法 |
| CN110298396A (zh) * | 2019-06-25 | 2019-10-01 | 北京工业大学 | 基于深度学习多特征融合的高光谱图像分类方法 |
| CN110363231A (zh) * | 2019-06-27 | 2019-10-22 | 平安科技（深圳）有限公司 | 基于半监督深度学习的异常识别方法、装置及存储介质 |
| CN111506618A (zh) * | 2019-12-11 | 2020-08-07 | 国网重庆市电力公司北碚供电分公司 | 一种结合lightgbm-stacking算法的异常用电行为分析方法 |
| CN111428816A (zh) * | 2020-04-17 | 2020-07-17 | 贵州电网有限责任公司 | 一种非侵入式负荷分解方法 |
| US20230024007A1 (en) * | 2020-04-17 | 2023-01-26 | Guizhou Power Grid Company Limited | A non-invasive load decomposition method |
| CN112331230A (zh) * | 2020-11-17 | 2021-02-05 | 平安科技（深圳）有限公司 | 一种欺诈行为识别方法、装置、计算机设备及存储介质 |
| CN113159361A (zh) * | 2020-12-03 | 2021-07-23 | 安徽大学 | 基于VDM和Stacking模型融合的短期负荷预测方法及系统 |
| CN113902136A (zh) * | 2021-11-17 | 2022-01-07 | 贵州电网有限责任公司 | 一种基于电力指纹特征和集成学习机制的负荷识别方法 |
| CN115758249A (zh) * | 2022-11-24 | 2023-03-07 | 国网江苏省电力有限公司信息通信分公司 | 一种非侵入负荷辨识方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| HUI LIU ET AL.: "An improved non-intrusive load disaggregation algorithm and its application", 《SUSTAINABLE CITIES AND SOCIETY》, pages 1 - 35 * |
| 史佳琪，张建华: "基于多模型融合Stacking集成学习方式的负荷预测方法", 《中国电机工程学报》, vol. 39, no. 14, pages 2 - 5 * |
| 张文韬: "基于边缘计算的电动车入户充电检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 038 - 519 * |
| 张顺淼，陈铭龙: "基于注意力机制与 ConvBiLSTM的非侵入式负荷分解", 《福建工程学院学报》, vol. 18, no. 4, pages 1 - 4 * |
| 梁国邦: "基于非监督机器学习的实用家庭非侵入式负荷检测与辨识系统", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 042 - 964 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107766929B (zh) | 模型分析方法及装置 | |
| CN111614491B (zh) | 一种面向电力监控系统安全态势评估指标选取方法及系统 | |
| CN111860692B (zh) | 一种基于K-mediod的物联网环境下的异常数据检测方法 | |
| CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
| CN106485089B (zh) | 谐波用户典型工况的区间参数获取方法 | |
| CN111556016B (zh) | 一种基于自动编码器的网络流量异常行为识别方法 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN110795690A (zh) | 风电场运行异常数据检测方法 | |
| CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
| CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
| CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
| CN112529638B (zh) | 基于用户分类和深度学习的服务需求动态预测方法及系统 | |
| CN109902754A (zh) | 一种高效的半监督多层次入侵检测方法及系统 | |
| CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
| CN114897085A (zh) | 一种基于封闭子图链路预测的聚类方法及计算机设备 | |
| CN115081515A (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
| CN114416423A (zh) | 一种基于机器学习的根因定位方法和系统 | |
| CN113094448B (zh) | 住宅空置状态的分析方法及分析装置、电子设备 | |
| CN116365519B (zh) | 一种电力负荷预测方法、系统、存储介质及设备 | |
| CN111797899A (zh) | 一种低压台区kmeans聚类方法及系统 | |
| CN116304762A (zh) | 负荷的分解方法和装置 | |
| CN115017988A (zh) | 一种用于状态异常诊断的竞争聚类方法 | |
| CN114881176A (zh) | 一种基于自适应优化随机森林的非侵入式负荷识别方法 | |
| Qin | Software reliability prediction model based on PSO and SVM | |
| CN113487080A (zh) | 一种基于风速分类的风速动态场景生成方法、系统及终端 |
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: 20230623 |
|
| RJ01 | Rejection of invention patent application after publication |