CN116628620A - 一种非侵入式负荷识别计算方法 - Google Patents
一种非侵入式负荷识别计算方法 Download PDFInfo
- Publication number
- CN116628620A CN116628620A CN202310235687.6A CN202310235687A CN116628620A CN 116628620 A CN116628620 A CN 116628620A CN 202310235687 A CN202310235687 A CN 202310235687A CN 116628620 A CN116628620 A CN 116628620A
- Authority
- CN
- China
- Prior art keywords
- current
- event
- data
- voltage
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 16
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012935 Averaging Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000153 supplemental effect Effects 0.000 claims description 3
- 230000002459 sustained effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 239000004745 nonwoven fabric Substances 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 230000035772 mutation Effects 0.000 abstract 2
- 238000003657 Likelihood-ratio test Methods 0.000 abstract 1
- 230000001052 transient effect Effects 0.000 description 14
- 238000012549 training Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 201000003373 familial cold autoinflammatory syndrome 3 Diseases 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R21/00—Arrangements for measuring electric power or power factor
- G01R21/06—Arrangements for measuring electric power or power factor by measuring current and voltage
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明公开了一种非侵入式负荷识别计算方法,为提高负荷识别的准确率,该方法首先对目标用户进行数据采集,获取用电设备的电压、电流数据;运用改进的二维广义似然比检验对电流数据进行事件检测,使用了聚簇移除、导数移除两种误检滤除算法来减少错检和误检的发生。找到事件发生的突变点并存放进事件列表;选用无功电流代替传统V‑I轨迹中的总电流,通过事件列表提取稳态数据后生成V‑无功I轨迹图,将其与由测量所得的电压、电流经过傅立叶分解得到的有功、无功功率进行特征融合后处理为图像特征矩阵;最后将图像特征矩阵输入改进的结合残差块的全卷积网络模型,输出识别结果。
Description
技术领域
本发明属于电器负荷识别技术领域,涉及基于V-无功I轨迹融合有功、无功功率的非侵入式负荷识别方法。
背景技术
非侵入式负荷监测(Non-Intrusive Load Monitoring,简称NILM)技术是智能电网的重要组成部分之一,对于电能的合理规划利用具有重大意义。用户精准地了解自身电能的消耗情况可以协助电网更好地调度电力资源,帮助用户改善用电习惯。由于监督学习高精度的优点,监督学习下的非侵入式负荷识别方法成为非侵入式负荷识别技术中的主流。V-I轨迹作为常见的负荷特征,尽管具有相较其他单一高频特征辨识效果更好的优点,但由于其是通过归一化的电压、电流绘制而成,从原理上无法表征功率特性,同时对于部分拥有相似的V-I轨迹但功率差异较大的家用电器难以区分。此外,现有技术在绘制V-I轨迹前进行事件检测时,通常采用一维广义似然比的方式,对于轻微的电流波动存在漏检的情况,从而导致V-I轨迹缺失,影响最终的负荷识别精度。
发明内容
针对现有技术的不足,本发明提出了一种非侵入式负荷识别计算方法,基于多维事件检测,使用V-无功I轨迹融合有功、无功功率作为负荷特征的,双通道全卷积网络非侵入式负荷识别方法,解决了传统负荷识别方法辨识度低的问题。
一种非侵入式负荷识别计算方法,具体步骤如下:
步骤一、数据采集
针对目标对象所安装的总表和分表统计的电流、电压数据进行采样,对采样数据利用中值滤波进行去噪,删除原始数据中的偏移点,以保证数据的准确性,得到样本数据。
步骤二、事件检测
通过事件检测检测出事件发生的时刻,进而确定V-I轨迹所必须的稳态数据段。为了提高精度,本方法在一维广义似然比检验的基础上,将其拓展到多维信号检测。选用基于Neyman-Pearson准则的广义似然比检验算法来进行事件检测,通过设定事件前窗口与后窗口两个近邻的滑动窗口组成联合窗口,联合窗口在电流矩阵上滑动,当算法决策函数大于所设阈值时,则认为存在事件发生。具体步骤如下:
步骤2.1、从样本数据中选用来自分表的30kHz的电流有效值序列,按照采集的时间顺序依次排列为一维电路序列K,作为事件检测的数据点。设定滑动窗的长度为k个采样点、宽度为2。将电流序列K中的每一个数值均乘以系数0.6,得到新的一维电流序列G,并将其与K头尾对齐排列,组成一个宽度为2、长度为M的二维序列I,Im为二维序列I中的第m个元素。
步骤2.2、设置电器开、关状态分别对应H1、H0假设:
H0假设:二维电流序列内不包含变点,即:
H1假设:二维电流序列内包含变点,即:
决策函数gn为:
其中:
nc为二维序列I中变点发生的时刻,μ0、∑分别为假设检验H0条件下的高斯分布均值和协方差矩阵;μ1a、∑1a分别为假设检验H1条件下变点发生时刻nc之前的均值和协方差矩阵;μ1b、∑1b分别为假设检验H1条件下变点发生时刻nc之后的均值和协方差矩阵。
设置决策阈值h,当决策函数值gn大于等于决策阈值h时,检验H1成立,即序列内包含变点,有事件发生,记录变点发生时刻nc;当决策函数值gn小于决策阈值h时,检验H0成立,即序列内无变点,无事件发生。针对不同电器情况,不断动态调节决策阈值h,以取得更好的事件检测效果。最后将未发生事件的时刻下的电流信息置0,发生事件时刻下的电流信息不作更改,得到序列Ievent。
步骤2.3、现有的事件检测算法依赖阈值的设定,且难以兼具召回与精度。对于设备投切事件引起的长暂态,即功率连续不规律变换所导致的误判没有特别好的解决手段,同时一些非线性设备稳态的波动也容易导致误判,因此在原有的广义似然比暂态事件检测算法基础上使用了聚簇移除、导数移除两种误检滤除算法来对误检事件进行滤除。
在Ievent序列中进行一维无监督聚类,不设定聚类中心数,所有的连续非零值会被聚合为一个簇,认定为一个事件,从而移除电流在同一工作状态下小幅波动导致的误检,得到序列△I。
步骤2.4、通过聚簇分析可以移除由于长投切暂态导致的连续伪事件的误检。这些误检存在的原因是当设备更改其工作状态时,其电气性能会发生变化,并进一步导致汇总测量值发生偏移。如果跳变量超过了阈值,那么基础检测算法会将连续变化误检为事件。但对于具有长暂态且两次检测到的伪事件时间上若存在一定间隔,聚簇分析无法进行移除。所以需要通过导数移除进一步减少有时间间隔的误检。对于具有长投切暂态的设备而言,其暂态持续期内的导数往往因为电流波形的震荡而偏离零值线,并有可能数次穿越零值线后向另一个方向偏离。基于此特性,通过判断检测到的相邻事件之间的导数符号可以对检测事件进行进一步过滤。对于步骤2.3得到的电流序列△I,其非端点的任一电流点△If的一阶导数可由下式计算得到:
t表示相邻两个电流数据的间隔时间。设置导数阈值dth和周期阈值nth。将聚簇移除算法检测到的疑似事件所对应采样点的一阶导数绝对值与导数阈值dth比较,若其一阶导数绝对值大于导数阈值dth,则认定该采样点为非零,否则认定为由噪声导致的导数波动。如果连续导数不为零的周期数大于周期阈值nth,则前后的事件被视为同一个事件。最后比较检测到的相邻事件之间的导数,若其中导数不为零的部分占比大于80%或者连续导数不为零的周期数超过周期阈值nth,则后一个相邻事件将被认定为由同一个长暂态投切事件功率的持续变换导致的,需要移除。通过导数移除算法,可以实现对各种复杂的长暂态误检进行进一步的滤除,且该方法具有普适性,不论长暂态内功率如何波动都可以进行滤除。
步骤三、特征提取
选取的特征为V-无功I轨迹;构建二维图像矩阵来反映不同类型的负荷V-I轨迹特征;获取每个电器不同采样点下的有功、无功功率并存储,再进一步得到无功电流序列;随后提取稳态数据,得到最终平均化后的一个周期的电压、电流数据。
步骤3.1、稳态数据获取
步骤3.1.1、根据步骤二的事件检测结果,针对每一个事件发生前后,各取两段稳态数据Ibefore、Vbefore、Iafter、Vafter,每段数据的时长均为6个周期,周期的起始位置是电压数据第一个正向过零点的位置。
步骤3.1.2、采用线性插值的方式对步骤3.1.1得到的离散稳态数据进行拟合,得到对应的连续波形数据。
步骤3.1.3、对拟合的连续数据Vbefore、Vafter进行FFT分解,得到电压基波的初相位及偏移时间/>其中f表示电压工频。基于原始电压数据点的基波相移,可以准确找到电压的零点,以保证各周期的完整性。
步骤3.1.4、将经过相位对齐后得到的偏移时间Δt加上原始电压数据中的第一个过零正向电压数据点的时间,作为重采样的初始时间tbegin,以初始时间tbegin为起始点对步骤3.1.2拟合的四段电压、电流波形进行重采样,得到4个周期的ibefore、vbefore、iafter、vafter。
步骤3.1.5、将4个周期的电压、电流数据根据采样点顺序进行处理:即(iafter-ibefore)和(vafter+vbefore)/2,切除事件得到事件中负荷的4个周期的电压电流数据,对4个周期的数据中每个周期对应位置的采样点求平均得到最终的一个周期的电压、电流数据。
步骤3.2、V-I轨迹生成
提取负荷在平均化后的一个周期内的电压、电流波形,通过数据归一化将电压、电流波形数据进行线性变换至[0,1]范围内得到归一化后的电压序列v*、电流序列i*;
v(n)*和i(n)*分别表示序列v*、i*中第n个采样点的电压值与电流值。构建一个大小为N×N阶的二维矩阵RN×N,将矩阵中的所有元素置为0,作为初始的V-无功I轨迹矩阵,再通过以下计算将电压、电流波形映射至二维矩阵RN×N中:
RN×N(a,b)=1
其中为向下取整符号;an为矩阵RN×N的行索引,bn为矩阵RN×N的列索引;RN×N(a,b)=1即将矩阵内波形经过的位置置1。将自变量n从1到最后一个样本依次代入计算,即可绘制出V-无功I轨迹矩阵。
步骤3.3、创建混合特征矩阵
运用二进制编码对有功、无功功率特征进行处理,变为二进制数组,添加至V-无功I轨迹矩阵中,将功率特征和V-无功I轨迹矩阵进行整合,构成新的混合特征矩阵,具体步骤如下:
步骤3.3.1、根据下式将不同样本的相同特征归一化至[0,2N-1]范围内
p为样本编号,q为特征编号,Sp,q为归一化后第q个样本的第p个特征值;spmax、spmin分别为第p个特征的最大特征值和最小特征值。
步骤3.3.2、将归一化后的特征值转换为N位二进制数;
步骤3.3.3、构建N×2阶的二维特征矩阵RN×2作为补充特征矩阵,初始状态下的补充特征矩阵内的所有元素均是0;将(N×2)阶二维特征矩阵F添加至V-无功I矩阵M的右侧,拼凑形成N×(N+2)阶的混合特征矩阵,并使用下式将步骤3.3.2转换后的二进制数填入补充特征矩阵F:
c为二进制位索引,范围为[1,N];为第q个样本的补充特征矩阵RN×2的第c行第p列元素值;B()为二进制运行函数,用于将十进制数组转换成二进制数组;Bp.q(c)为第q个样本第p个特征下的二进制特征值的第c位。
步骤四、负荷识别
构建结合了Bi-TCN残差块的全卷积(Fully Convolutional Networks,简称FCN)网络,在Bi-TCN残差块的输出位置依次设置二分类器与上、下双通道。对步骤三得到的N×(N+2)维图像特征矩阵进行降维,得到N×N维的图像特征矩阵后输入Bi-TCN残差块中,再通过二分类器将未知电器分流至上通道,已知电器分流至下通道。未知电器的特征在上通道中经过一维卷积层后直接输出;已知电器的特征在下通道中先经过reshape函数调整输入维度为N×1×N,再依次通过两个卷积块完成编码和解码过程,最终通过Flatten层展平,输出一维的识别结果。
本发明具有以下有益效果:
1、为进一步提升特征的负荷辨识度,在V-I轨迹的基础上融合特征,并且选用无功电流替代传统的V-I轨迹中的总电流,组成混合的特征矩阵。选取V-无功I轨迹作为负荷特征可以弥补采样精度降低导致的电器不同状态区分度低。与传统V-I轨迹图像特征相比,由无功电流构成的轨迹有更高的负荷辨识度,即使具有相似的V-I轨迹的家用电器也能更好区分,负荷识别率显著提升。
2、识别负荷的网络模型采用结合残差块和双通道结构的FCN。残差块中选用将空洞卷积和批标准化来代替扩张卷积和权值归一化,使神经网络获得更大的接收域和更好的特征提取能力。全卷积结构避免了在传统网络体系结构中使用全连接层,具有更有效的可训练权值和更稳定的梯度,并且更容易训练。
3、选用基于多维输入的广义似然比暂态事件检测算法进行事件检测,还加入了误检滤除算法,有效解决了负载设备内的非线性元器件或者大量的电容电感器件引起的稳态的高频扰动以及设备投切的长暂态从而导致的误检,能够显著提高检测到事件的精确率。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例的网络结构示意图;
图3为网络结构中双向TCN(Bi-tcn)残差块结构图。
具体实施方式
以下结合附图对本发明作进一步的解释说明;
如附图1所示为非侵入式负荷识别总体流程,神经网络模型,残差块构成,以及维度运算示意图。
步骤一:采集数据
实际情况中可根据目标对象所安装电表所检测到的总表和分表数据包括电流、电压为样本,采样频率为30kHz,在这里直接选用Plaid数据集中总表、分表数据,随后对数据集中的数据利用中值滤波进行去噪,删除原始数据中的偏移点的同时保证信号的边缘不被模糊,从而提升数据的准确性。
步骤二、事件检测
通过事件检测检测出事件发生的时刻,进而确定V-I轨迹所必须的稳态数据段。为了提高精度,本方法在一维广义似然比检验的基础上,将其拓展到多维信号检测。选用基于Neyman-Pearson准则的广义似然比检验算法来进行事件检测,通过设定事件前窗口与后窗口两个近邻的滑动窗口组成联合窗口,联合窗口在电流矩阵上滑动,当算法决策函数大于所设阈值时,则认为存在事件发生。具体步骤如下:
步骤2.1、从样本数据中选用来自分表的30kHz的电流有效值序列,按照采集的时间顺序依次排列为一维电路序列K,作为事件检测的数据点。设定滑动窗的长度为k个采样点、宽度为2,k选用200。将电流序列K中的每一个数值均乘以系数0.6,得到新的一维电流序列G,并将其与K头尾对齐排列,组成一个宽度为2、长度为M的二维序列I,Im为二维序列I中的第m个元素。
步骤2.2、设置电器开、关状态分别对应H1、H0假设:
H0假设:二维电流序列内不包含变点,即:
H0:I={Im,m=M-k+1,…,M}~N(μ0,∑)
H1假设:二维电流序列内包含变点,即:
决策函数gn为:
其中:
nc为二维序列I中变点发生的时刻,μ0、∑分别为假设检验H0条件下的高斯分布均值和协方差矩阵;μ1a、∑1a分别为假设检验H1条件下变点发生时刻nc之前的均值和协方差矩阵;μ1b、∑1b分别为假设检验H1条件下变点发生时刻nc之后的均值和协方差矩阵。
设置决策阈值h,当决策函数值gn大于等于决策阈值h时,检验H1成立,即序列内包含变点,有事件发生,记录变点发生时刻nc;当决策函数值gn小于决策阈值h时,检验H0成立,即序列内无变点,无事件发生。针对不同电器情况,不断动态调节决策阈值h,以取得更好的事件检测效果。最后将未发生事件的时刻下的电流信息置0,发生事件时刻下的电流信息不作更改,得到序列Ievent。
步骤2.3、现有的事件检测算法依赖阈值的设定,且难以兼具召回与精度。对于设备投切事件引起的长暂态,即功率连续不规律变换所导致的误判没有特别好的解决手段,同时一些非线性设备稳态的波动也容易导致误判,因此在原有的广义似然比暂态事件检测算法基础上使用了聚簇移除、导数移除两种误检滤除算法来对误检事件进行滤除。
在Ievent序列中进行一维无监督聚类,不设定聚类中心数,所有的连续非零值会被聚合为一个簇,认定为一个事件,从而移除电流在同一工作状态下小幅波动导致的误检得到序列△I。
步骤2.4、通过聚簇分析可以移除由于长投切暂态导致的连续伪事件的误检。这些误检存在的原因是当设备更改其工作状态时,其电气性能会发生变化,并进一步导致汇总测量值发生偏移。如果跳变量超过了阈值,那么基础检测算法会将连续变化误检为事件。但对于具有长暂态且两次检测到的伪事件时间上若存在一定间隔,聚簇分析无法进行移除。所以需要导数移除进一步减少有时间间隔的误检。对于具有长投切暂态的设备而言,其暂态持续期内的导数往往因为电流波形的震荡而偏离零值线,并有可能数次穿越零值线后向另一个方向偏离。基于此特性,通过判断检测到的相邻事件之间的导数符号可以对检测事件进行进一步过滤。对于步骤2.3得到的电流序列△I,其非端点的任一电流点△If的一阶导数可由下式计算得到:
t表示相邻两个电流数据的间隔时间。设置导数阈值dth和周期阈值nth。将聚簇移除算法检测到的疑似事件所对应采样点的一阶导数绝对值与导数阈值dth比较,若其一阶导数绝对值大于导数阈值dth,则认定该采样点为非零,否则认定为由噪声导致的导数波动。如果连续导数不为零的周期数大于周期阈值nth,则前后的事件被视为同一个事件。最后比较检测到的相邻事件之间的导数,若其中导数不为零的部分占比大于80%或者连续导数不为零的周期数超过周期阈值nth,则后一个相邻事件将被认定为由同一个长暂态投切事件功率的持续变换导致的,需要移除。通过导数移除算法,可以实现对各种复杂的长暂态误检进行进一步的滤除,且该方法具有普适性,不论长暂态内功率如何波动都可以进行滤除。
步骤三:特征提取
选取的特征为V-无功I轨迹;构建二维图像矩阵来反映不同类型的负荷V-I轨迹特征,运算过程简单且还原效果好;获取每个电器不同采样点下的有功、无功功率并存储,再进一步得到无功电流序列;随后提取稳态数据,得到最终平均化后的一个周期的电压、电流数据。
首先,对于无功电流的获取,本方法基于Fryze功率理论做出计算。根据已测量的瞬时电压v(n)和瞬时电流i(n),运用离散傅立叶变换分别得到电流、电压谐波。
s为谐波次数;X(s)、Y(s)分别为第s次谐波的频域分量。i(n)为第n个电流采样点,v(n)为第n个电压采样点,L为采样点个数。|X(s)|、|Y(s)|表示第s次电流、电压谐波的幅值,因为有功、无功功率的计算需要代入有效值,所以需要取绝对值后乘上系数转换成电流、电压的有效值。
而分别表示了X(s)、Y(s)的第s次谐波的相位,/>为相位差。
可由下式,分别求得有功功率P和无功功率Q。根据经验判断,s取20。
P、Q分别表示有功功率和无功功率,Vs、Is分别表示稳态工作时的电压有效值、电流有效值。对η种不同电器的每个采样时刻下的有功、无功功率分别打上标签存放在Excel中,电器种类的数目η可根据情景自行设置,该标签用于与结果进行匹配。
通过下式,求得有功电流ia(n),最后用瞬时电流i(n)减去有功电流ia(n)得到无功电流ib(n):
ib(n)=i(n)-ia(n)
无功电流获取后,进行轨迹提取:
步骤3.1、稳态数据获取
步骤3.1.1、根据步骤二的事件检测结果,针对每一个事件发生前后,各取两段稳态数据Ibefore、Vbefore、Iafter、Vafter,每段数据的时长均为6个周期,周期的起始位置是电压数据第一个正向过零点的位置。
步骤3.1.2、采用线性插值的方式对步骤3.1.1得到的离散稳态数据进行拟合,得到对应的连续波形数据。
步骤3.1.3、对拟合的连续数据Vbefore、Vafter进行FFT分解,得到电压基波的初相位及偏移时间/>其中f表示电压工频。基于原始电压数据点的基波相移,可以准确找到电压的零点,以保证各周期的完整性。
步骤3.1.4、将经过相位对齐后得到的偏移时间Δt加上原始电压数据中的第一个过零正向电压数据点的时间,作为重采样的初始时间tbegin,以初始时间tbegin为起始点对步骤3.1.2拟合的四段电压、电流波形进行重采样,得到4个周期的ibefore、vbefore、iafter、vafter。
步骤3.1.5、将4个周期的电压、电流数据根据采样点顺序进行处理:即(iafter-ibefore)和(vafter+vbefore)/2/2,切除事件得到事件中负荷的4个周期的电压电流数据,对4个周期的数据中每个周期对应位置的采样点求平均得到最终的一个周期的电压、电流数据。
步骤3.2、V-I轨迹生成
提取负荷在平均化后的一个周期内的电压、电流波形,通过数据归一化将电压、电流波形数据进行线性变换至[0,1]范围内得到归一化后的电压序列v*、电流序列i*;
v(n)*和i(n)*分别表示序列v*、i*中第n个采样点的电压值与电流值。构建一个大小为N×N阶的二维矩阵RN×N,将矩阵中的所有元素置为0,作为初始的V-无功I轨迹矩阵,再通过以下计算将电压、电流波形映射至二维矩阵RN×N中:
RN×N(a,b)=1
其中为向下取整符号;an为矩阵RN×N的行索引,bn为矩阵RN×N的列索引;RN×N(a,b)=1即将矩阵内波形经过的位置置1。将自变量n从1到最后一个样本依次代入计算,即可绘制出V-无功I轨迹矩阵。
步骤3.3、创建混合特征矩阵
运用二进制编码对有功、无功功率特征进行处理,变为二进制数组,添加至V-无功I轨迹矩阵中,将功率特征和V-无功I轨迹矩阵进行整合,构成新的混合特征矩阵,具体步骤如下:
步骤3.3.1、根据下式将不同样本的相同特征归一化至[0,2N-1]范围内
p为样本编号,q为特征编号,Sp,q为归一化后第q个样本第p个特征值;spmax、spmin分别为第p个特征下最大特征值和最小特征值。
步骤3.3.2、将归一化后的特征值转换为N位二进制数;
步骤3.3.3、构建N×2阶的二维特征矩阵RN×2作为补充特征矩阵,初始状态下的补充特征矩阵内的所有元素均是0;将(N×2)阶二维特征矩阵F添加至V-无功I矩阵M的右侧,拼凑形成N×(N+2)阶的混合特征矩阵,并使用下式将步骤3.3.2转换后的二进制数填入补充特征矩阵F:
c为二进制位索引,范围为[1,N];为第q个样本的补充特征矩阵RN×2的第c行第p列元素值;B()为二进制运行函数,用于将十进制数组转换成二进制数组;Bp.q(c)为第q个样本第p个特征下的二进制特征值的第c位。
步骤四:网络运算
发明提出了一种改进的FCN网络,如图2所示,改进的全卷积网络结合了如图3所示的Bi-TCN残差块,使用全连接结构并且增设了双通道来判别已知与未知电器。改进的结合Bi-TCN残差块的FCN网络比传统的卷积神经网络更不受输入大小的影响,也避免了在传统网络体系结构中使用全连接层。该新的基于FCN的建模方法具有更有效的可训练权值和更稳定的梯度,并且更容易训练。为了运算方便,将融合后的32×(32+2)维的图像特征矩阵降维变成32×34维的图像特征矩阵再整个输入残差块。Bi-TCN残差块有2个残差单元,每个残差单元按先后顺序包括Non-casual dilated、Batch Normalization、ReLU、Dropout。选用的空洞卷积层相比于标准卷积层大大增加了接受域且能更好地预测结果,BatchNormalization层解决消失梯度和爆炸梯度同时也增加了学习速度,激活函数选用ReLU函数,其中Dropout层中通过binomial函数,生成由0,1构成并以神经元个数为长度的一维度向量,0代表神经元被暂时屏蔽无法像后续的神经元传递信息,从而减少运算量来达到防止过拟合的目的。最终输出与输入尺寸一致的特征向量。
经过残差块后设有二分类器分流未知已知电器。若为未知电器则进入上通道,经过一维卷积层后直接输出;若为已知电器则进入下通道,下通道由编码、解码两个卷积块构成,先用reshape函数调整输入的维度为32×1×32。
将得到的图像矩阵按比例分为训练集和测试集和预测级把数据集按照6:2:2的比例随机分为训练集、验证集和测试集。将训练集数据输入卷积网络,损失函数为交叉熵函数,经过多次反向传播修正网络内部权重参数直到小于设定的阈值后停止,再用训练集和验证集数据训练决定最终模型。最后将测试集数据输入已训练好的网络,沿着卷积块不断减小输入维数,最终通过Flatten层展平,将多维数组变成一维数组。得到算法最终运算结果。
步骤五:输出结果与标签对比以及性能评估
经网络运算后,双通道相叠加得到14位二进制数组串,将其与步骤一中已存储标签进行对比。如果首位置1,第二位置0则为标签未存储的电器类别,认定为未知电器。如果首位置0,第二位置1则可根据剩余12位中置1的位数与标签库相对应,成功识别电器种类,并得到电器的开关状态。第3-12位分别表示的电器如下表所示。
为了评价负荷识别的性能,本文通过识别准确率Precision来评估系统性能。Precision表示正确识别为开状态的样本数占所有被分类为开状态的样本数的比例。
/>
tp为状态为开的样本被正确预测的数量;fp为状态为关的样本被错误预测的数量。准确率越高,代表识别精度越高。
以下为控制变量下的结果对比:
算法识别精度 | |
本发明所提算法 | 93.6% |
传统FCN网络模型 | 91.9% |
传统V-I轨迹融合有功、无功功率 | 90.7% |
可以看出本申请所提出的改进算法对已知和未知负荷的识别准确率均有明显提高。
Claims (7)
1.一种非侵入式负荷识别计算方法,其特征在于:具体包括以下步骤:
步骤一、数据采集
针对目标对象所安装的总表和分表统计的电流、电压数据进行采样,对采样数据利用中值滤波进行去噪,删除原始数据中的偏移点,得到样本数据;
步骤二、事件检测
选用基于Neyman-Pearson准则的广义似然比检验算法对样本数据进行事件检测,通过设定事件前窗口与后窗口两个近邻的滑动窗口组成联合窗口,联合窗口在电流矩阵上滑动,当算法决策函数大于所设阈值时,则认为存在事件发生,保存事件发生的时刻;
步骤三、特征提取
构建二维图像矩阵来反映不同类型的负荷V-I轨迹特征;获取每个电器不同采样点下的有功、无功功率并存储,再进一步得到无功电流序列;随后提取稳态数据,得到最终平均化后的一个周期的电压、电流数据;
步骤四、负荷识别
构建结合了Bi-TCN残差块的FCN网络,在Bi-TCN残差块的输出位置依次设置二分类器与上、下双通道;对步骤三得到的图像特征矩阵进行降维后输入Bi-TCN残差块中,再通过二分类器将未知电器分流至上通道,已知电器分流至下通道;未知电器的特征在上通道中经过一维卷积层后直接输出;已知电器的特征在下通道中先经过reshape函数调整输入维度为N×1×N,再依次通过两个卷积块完成编码和解码过程,最终通过Flatten层展平,输出一维的识别结果。
2.如权利要求1所述一种非侵入式负荷识别计算方法,其特征在于:步骤2的具体过程为:
步骤2.1、从样本数据中选用来自分表的30kHz的电流有效值序列,按照采集的时间顺序依次排列为一维电路序列K,作为事件检测的数据点;设定滑动窗的长度为k个采样点、宽度为2;将电流序列K中的每一个数值均乘以系数0.6,得到新的一维电流序列G,并将其与K头尾对齐排列,组成一个宽度为2、长度为M的二维序列I,Im为二维序列I中的第m个元素;
步骤2.2、设置电器开、关状态分别对应H1、H0假设:
H0假设:二维电流序列内不包含变点,即:
H1假设:二维电流序列内包含变点,即:
决策函数gn为:
其中:
nc为二维序列I中变点发生的时刻,μ0、∑分别为假设检验H0条件下的高斯分布均值和协方差矩阵;μ1a、∑1a分别为假设检验H1条件下变点发生时刻nc之前的均值和协方差矩阵;μ1b、∑1b分别为假设检验H1条件下变点发生时刻nc之后的均值和协方差矩阵;
设置决策阈值h,当决策函数值gn大于等于决策阈值h时,检验H1成立,即序列内包含变点,有事件发生,记录变点发生时刻nc;当决策函数值gn小于决策阈值h时,检验H0成立,即序列内无变点,无事件发生;针对不同电器情况,不断动态调节决策阈值h,以取得更好的事件检测效果;最后将未发生事件的时刻下的电流信息置0,发生事件时刻下的电流信息不作更改,得到序列Ievent。
3.如权利要求1或2所述一种非侵入式负荷识别计算方法,其特征在于:对于通过广义似然比得到的事件检测结果Ievent,进一步使用聚簇移除、导数移除两种误检滤除算法进行滤除。
4.如权利要求3所述一种非侵入式负荷识别计算方法,其特征在于:首先在Ievent序列中进行一维无监督聚类,不设定聚类中心数,所有的连续非零值会被聚合为一个簇,认定为一个事件,从而移除电流在同一工作状态下小幅波动导致的误检,得到电流序列△I;
然后计算电流序列△I中非端点的任一电流点△If的一阶导数ΔIf’:
t表示相邻两个电流数据的间隔时间;设置导数阈值dth和周期阈值nth;将聚簇移除算法检测到的疑似事件所对应采样点的一阶导数绝对值与导数阈值dth比较,若其一阶导数绝对值大于导数阈值dth,则认定该采样点为非零,否则认定为由噪声导致的导数波动;如果连续导数不为零的周期数大于周期阈值nth,则前后的事件被视为同一个事件;最后比较检测到的相邻事件之间的导数,若其中导数不为零的部分占比大于80%或者连续导数不为零的周期数超过周期阈值nth,则后一个相邻事件将被认定为由同一个长暂态投切事件功率的持续变换导致的,需要移除。
5.如权利要求1所述一种非侵入式负荷识别计算方法,其特征在于:步骤3的具体过程为:
步骤3.1、稳态数据获取
步骤3.1.1、根据步骤二的事件检测结果,针对每一个事件发生前后,各取两段稳态数据Ibefore、Vbefore、Iafter、Vafter,每段数据的时长均为6个周期,周期的起始位置是电压数据第一个正向过零点的位置;
步骤3.1.2、采用线性插值的方式对步骤3.1.1得到的离散稳态数据进行拟合,得到对应的连续波形数据;
步骤3.1.3、对拟合的连续数据Vbefore、Vafter进行FFT分解,得到电压基波的初相位及偏移时间/>其中f表示电压工频;基于原始电压数据点的基波相移,可以准确找到电压的零点,以保证各周期的完整性;
步骤3.1.4、将经过相位对齐后得到的偏移时间Δt加上原始电压数据中的第一个过零正向电压数据点的时间,作为重采样的初始时间tbegin,以初始时间tbegin为起始点对步骤3.1.2拟合的四段电压、电流波形进行重采样,得到4个周期的ibefore、vbefore、iafter、vafter;
步骤3.1.5、将4个周期的电压、电流数据根据采样点顺序进行处理:即(iafter-ibefore)和(vafter+vbefore)/2,切除事件得到事件中负荷的4个周期的电压电流数据,对4个周期的数据中每个周期对应位置的采样点求平均得到最终的一个周期的电压、电流数据;
步骤3.2、V-I轨迹生成
提取负荷在平均化后的一个周期内的电压、电流波形,通过数据归一化将电压、电流波形数据进行线性变换至[0,1]范围内得到归一化后的电压序列v*、电流序列i*;
v(n)*和i(n)*分别表示序列v*、i*中第n个采样点的电压值与电流值;构建一个大小为N×N阶的二维矩阵RN×N,将矩阵中的所有元素置为0,作为初始的V-无功I轨迹矩阵,再通过以下计算将电压、电流波形映射至二维矩阵RN×N中:
RN×N(a,b)=1
其中为向下取整符号;an为矩阵RN×N的行索引,bn为矩阵RN×N的列索引;RN×N(a,b)=1即将矩阵内波形经过的位置置1;将自变量n从1到最后一个样本依次代入计算,即可绘制出V-无功I轨迹矩阵;
步骤3.3、创建混合特征矩阵
运用二进制编码对有功、无功功率特征进行处理,变为二进制数组,添加至V-无功I轨迹矩阵中,将功率特征和V-无功I轨迹矩阵进行整合,构成新的混合特征矩阵,具体步骤如下:
步骤3.3.1、根据下式将不同样本的相同特征归一化至[0,2N-1]范围内
p为样本编号,q为特征编号,Sp,q为归一化后第q个样本的第p个特征值;spmax、spmin分别为第p个特征的最大特征值和最小特征值;
步骤3.3.2、将归一化后的特征值转换为N位二进制数;
步骤3.3.3、构建N×2阶的二维特征矩阵RN×2作为补充特征矩阵,初始状态下的补充特征矩阵内的所有元素均是0;将(N×2)阶二维特征矩阵F添加至V-无功I矩阵M的右侧,拼凑形成N×(N+2)阶的混合特征矩阵,并使用下式将步骤3.3.2转换后的二进制数填入补充特征矩阵F:
c为二进制位索引,范围为[1,N];为第q个样本的补充特征矩阵RN×2的第c行第p列元素值;B()为二进制运行函数,用于将十进制数组转换成二进制数组;Bp.q(c)为第q个样本第p个特征下的二进制特征值的第c位。
6.如权利要求1所述一种非侵入式负荷识别计算方法,其特征在于:基于Fryze功率理论计算无功电流。
7.如权利要求1或6所述一种非侵入式负荷识别计算方法,其特征在于:针对瞬时电压v(n)和瞬时电流i(n)运用离散傅立叶变换分别得到电流、电压谐波:
其中s为谐波次数,X(s)、Y(s)分别为第s次谐波的频域分量;i(n)为第n个电流采样点,v(n)为第n个电压采样点,L为采样点个数;|X(s)|、|Y(s)|表示第s次电流、电压谐波的幅值,分别表示了X(s)、Y(s)的第s次谐波的相位,/>为相位差;
有功功率P和无功功率Q的计算方法为:
Vs、Is分别表示稳态工作时的电压有效值、电流有效值;无功电流ib(n)的计算公式为:
ib(n)=i(n)-ia(n)
其中ia(n)表示有功电流,i(n)表示瞬时电流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310235687.6A CN116628620A (zh) | 2023-03-13 | 2023-03-13 | 一种非侵入式负荷识别计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310235687.6A CN116628620A (zh) | 2023-03-13 | 2023-03-13 | 一种非侵入式负荷识别计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628620A true CN116628620A (zh) | 2023-08-22 |
Family
ID=87625435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310235687.6A Pending CN116628620A (zh) | 2023-03-13 | 2023-03-13 | 一种非侵入式负荷识别计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628620A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117630476A (zh) * | 2024-01-26 | 2024-03-01 | 上海懿尚生物科技有限公司 | 一种适用于动物实验室的用电负荷实时监测方法及系统 |
-
2023
- 2023-03-13 CN CN202310235687.6A patent/CN116628620A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117630476A (zh) * | 2024-01-26 | 2024-03-01 | 上海懿尚生物科技有限公司 | 一种适用于动物实验室的用电负荷实时监测方法及系统 |
CN117630476B (zh) * | 2024-01-26 | 2024-03-26 | 上海懿尚生物科技有限公司 | 一种适用于动物实验室的用电负荷实时监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
Abdelsalam et al. | Characterization of power quality disturbances using hybrid technique of linear Kalman filter and fuzzy-expert system | |
Abdelsalam et al. | Classification of power system disturbances using linear Kalman filter and fuzzy-expert system | |
Munshi et al. | Unsupervised nonintrusive extraction of electrical vehicle charging load patterns | |
Gao et al. | Power quality disturbance classification under noisy conditions using adaptive wavelet threshold and DBN-ELM hybrid model | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
CN116628620A (zh) | 一种非侵入式负荷识别计算方法 | |
CN110263944A (zh) | 一种多变量故障预测方法和装置 | |
Abdulhai et al. | Spatio-temporal inductance-pattern recognition for vehicle re-identification | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
Zou et al. | Series arc fault detection based on dual filtering feature selection and improved hierarchical clustering sensitive component selection | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
CN117272102A (zh) | 一种基于双注意力机制的变压器故障诊断方法 | |
Han et al. | Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing | |
Li et al. | Adaptive S transform for feature extraction in voltage sags | |
CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
Tehrani et al. | Frequency-based multi task learning with attention mechanism for fault detection in power systems | |
CN117172601A (zh) | 一种基于残差全卷积神经网络的非侵入式负荷监测方法 | |
Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
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 | |
CN115112989B (zh) | 基于低频数据的非侵入式负荷监测方法 | |
Wang et al. | Power quality disturbance recognition method in park distribution network based on one-dimensional vggnet and multi-label classification | |
CN114676783A (zh) | 一种基于单分类结合模糊宽度学习的负荷识别方法 | |
CN115169418A (zh) | 基于改进小波阈值法的开关柜局部放电识别方法和系统 | |
CN115825602A (zh) | 一种综合多元信息相似性分析的负荷辨识方法及系统 |
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 |