CN117335408A - 一种混合非侵入式负荷辨识方法、设备及存储介质 - Google Patents

一种混合非侵入式负荷辨识方法、设备及存储介质 Download PDF

Info

Publication number
CN117335408A
CN117335408A CN202311386639.3A CN202311386639A CN117335408A CN 117335408 A CN117335408 A CN 117335408A CN 202311386639 A CN202311386639 A CN 202311386639A CN 117335408 A CN117335408 A CN 117335408A
Authority
CN
China
Prior art keywords
load
data
sample
characteristic
identification 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
CN202311386639.3A
Other languages
English (en)
Inventor
赵三珊
刘恋
罗祾
齐晓曼
张鹏飞
陈甜甜
吴丹
黄兴德
王琛
华珉
李文清
贾德香
傅成程
张雪
薛欣然
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.)
State Grid Energy Research Institute Co Ltd
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Energy Research Institute Co Ltd
State Grid Shanghai 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 State Grid Energy Research Institute Co Ltd, State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Energy Research Institute Co Ltd
Priority to CN202311386639.3A priority Critical patent/CN117335408A/zh
Publication of CN117335408A publication Critical patent/CN117335408A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

Landscapes

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

Abstract

本发明涉及一种混合非侵入式负荷辨识方法、设备及存储介质，所述方法包括以下步骤：采集待辨识负荷的电流波形图和负荷特征数据；根据预设的负荷电流样本图和所述电流波形图，得到综合关联度；确定所述负荷特征数据与预设的聚类中心的欧式距离；根据所述欧式距离和所述综合关联度，融合确定负载类型。与现有技术相比，本发明解决在非侵入式负荷检测下，用电特征的提取会存在偏差，导致负荷辨识的精度降低时，通过欧式距离和综合关联度共同检测用电数据的负载类型，以提高负荷辨识精度。

Description

一种混合非侵入式负荷辨识方法、设备及存储介质
技术领域
本发明涉及智能电网技术领域，尤其是涉及一种混合非侵入式负荷辨识方法、设备及存储介质。
背景技术
电力负荷监控在用电量反馈、用户电力控制和节能方面扮演着至关重要的角色。此外，它也是新型储能市场交易机制及价值评估的重要组成部分，为实现能源可持续发展提供了必要的支持。非侵入式负荷监测(nonintrusive load monitoring，NILM)通过实时监控用户各用电设备的类别、运行状态与耗电情况等信息，为电能高效调度与电网结构优化提供了重要参考依据，同时帮助用户掌握家用电器的运行情况与功耗等信息，为用户的合理用电、需求侧的精细化管理和电能的合理调度提供了重要参考。
国内外学者在非侵入式负荷辨识研究面开展大量工作。NILM的研究最早由Hart于1992年提出，核心是负荷辨识。它无需在每个负载设备中部署分表即可提取设备级电能使用信息，获得用户内部用电设备运行状况及能耗等细颗粒度信息，为能源效率跟踪、家庭自动化等提供支持。
通常每个电力用电设备都具有独特的特征，实现负荷辨识的重要前提是负荷特征的提取。目前主要有基于传统物理定义来描述电力负荷的特征，包括有功/无功功率、电流谐波、阻抗及导纳等，但当实际用电设备的具体种类变化时，基于传统物理量负荷特征的辨识难度和误判率会明显影响。针对传统负荷特征的不足，研究者引入了V-I轨迹及加权改进，可有效反映设备的动态阻抗特性，结果也验证了其有效性。另外，利用小波变换对高频采样电流提取高频信号特征、稳态特征与暂态特征的结合也有助于提高负荷辨识精度。
作为NILM的核心，国内外学者在非侵入式负荷辨识算法方面做了大量工作。如文献“非侵入式电力负荷多目标分解框架”(杨立余，陈昊，黎明，等.电力系统保护与控制，2020，48(6)：100-107)针对优化法所用特征少、效果差问题，提出基于多特征、多目标的辨识方法，在多个负荷同时运行的情况取得了更高的准确率。文献“基于DTW算法与稳态电流波形的非侵入式负荷辨识方法”(祁兵，董超，武昕，等.电力系统自动化，2018，42(3)：70-76)将设备状态转换中的暂态功率及状态改变前后的功率变量作为负荷特征，采用DTW算法进行历史暂态事件波形匹配及动态聚类，改善稳态电流波形误差，该匹配类方法模型较简单、参数少，但主要适用于待辨识的设备数量少、设备间特征差异较明显的情况。文献“一种基于多参量隐马尔可夫模型的负荷辨识方法”(张丽，张涛，张宏伟，等.电力系统保护与控制，2019，47(20):81-90)利用隐马尔可夫模型HMM(hidden Markov model)对总负荷及其内部用电设备建模，进而将NILM设备状态辨识问题表述为HMM模型的解码求解，方法有良好的负荷辨识效果，并在实践取得了应用。文献“基于时间概率分布与电器组合超状态的非侵入式负荷分解”(燕续峰，翟少鹏，何光宇.电力系统自动化，2018，42(24):53-58)考虑了用户行为信息，提取了电器工作状态的时间概率分布，并利用时间概率最大似然估计来实现负荷辨识，方法有效利用了设备运行时间特性，但没考虑相邻时刻联系，对部分用户的辨识准确性较低。基于监督学习的负荷辨识算法则通过分类好的数据训练分类模型，获取最优模型参数，进而实现测试数据负荷辨识，这类方法有决策树、支持向量机、神经网络和贝叶斯分类等，但这类方法需收集各个负荷检测训练数据和进行用电设备标注，对仅有少量设备数据和未知负荷设备时，其识别准确度的变化范围较广。文献“基于电器粗糙归类的无监督NILM结果自主标注”(肖潇,栾文鹏,刘博,王岩,杨劲男,刘子帅,韦尊.中国电机工程学报,2022,42(07):2462-2474)仅利用少量电器的先验知识实现了家庭负荷类别的标注。文献“基于稳态特征和IGWO-FCM模糊聚类的非侵入式负荷监测方法”(杜刃刃,杨超,蒲阳.电测与仪表,2021,58(01):152-157)基于稳态特征和IGWO-FCM模糊聚类提出了非监督的非侵入式负荷监测方法，在零标签样本任务上取得了不错的效果。此外，研究者还采用粒子群算法、遗传算法、PCA特征降维、稀疏编码及近邻传播等方法实现了非监督学习的负荷辨识。这类非监督学习法通过不带标签的设备数据进行聚类，省去了模型训练的过程，具有更广泛的应用场景，近年来被研究者广泛关注。
在负荷调节能力和需求响应方面，文献“基于NACEMD-GRU的组合型日前负荷预测方法”(李正浩.电网与清洁能源,2021,37(6):43-50)引入噪声辅助复数据经验模态分解方法对日前负荷数据进行分解，并建立基于门控循环神经网络单元的深度学习预测模型，得到日前负荷的各分量预测结果。文献“居民用户精细化需求响应建模及其激励策略”(陈张宇，刘东.哈尔滨理工大学学报，2021,26(3)：1-12)构建了居民用户精细化需求响应模型，建立了两个长短期记忆神经网络来对需求响应效益系数进行计算，利用精细化需求响应模型来计算针对不同用户的最优激励。
总体而言，监督型负荷辨识算法依靠预实验获取待监测用户负荷信号形成先验特征数据，再通过待监测负荷特征与先验特征对比实现辨识，其实际中工作量大，且对于未进行预实验的用户设备来说，所用负荷的品牌、工作状态及运行环境繁杂，实际的负荷特征参数与先验特征数据差异较大，难以保证预先训练分类网络的通用性及可分性，辨识准确率明显下降。而非监督型负荷辨识算法迁移性比较强，但非监督型负荷辨识算法的辨识精度较监督型算法低。
因此，有必要研究一种使用更方便，且具有更高负荷辨识精度的新的负荷辨识方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种使用方便、负荷辨识精度高的混合非侵入式负荷辨识方法、设备及存储介质。
本发明的目的可以通过以下技术方案来实现：
一种混合非侵入式负荷辨识方法，包括以下步骤：
采集待辨识负荷的电流波形图和负荷特征数据；
根据预设的负荷电流样本图和所述电流波形图，得到综合关联度；
确定所述负荷特征数据与预设的聚类中心的欧式距离；
根据所述欧式距离和所述综合关联度，融合确定负载类型。
进一步地，所述综合关联度为基于所述预设的负荷电流样本图和所述电流波形图获得的至少两种序列关联度的加权和。
进一步地，所述序列关联度包括灰色关联度和综合关联度。
进一步地，所述聚类中心通过以下步骤确定：
采集用电数据，生成负荷特征样本数据，所述负荷特征样本数据包括多个样本点；
遍历负荷特征样本数据中的每个样本点，进行聚类计算，生成聚类簇，确定所述聚类中心。
进一步地，采用DBSCAN聚类算法进行所述聚类计算。
进一步地，在生成所述负荷特征样本数据后，所述方法还包括：
采用PCA方法对所述负荷特征样本数据进行降维处理，构建负荷特征模板库。
进一步地，根据所述负荷特征模板库中的负荷特征维数采集获得所述待辨识负荷的负荷特征数据。
进一步地，所述确定负载类型包括：
基于所述电流波形图与不同负荷电流样本图的综合关联度，得到第一负载类型；
基于所述负荷特征数据与不同聚类中心的欧式距离，得到第二负载类型；
所述第一负载类型和所述第二负载类型相同时，确定所述负载类型。
本发明还提供一种计算设备，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上所述的混合非侵入式负荷辨识方法。
本发明还提供一种存储介质，其上存储有程序，所述程序被执行时实现如上所述的混合非侵入式负荷辨识方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明通过采集待辨识负荷，提取待辨识负荷电流波形图和待辨识负荷特征数据；采集两方面的负荷数据，能够更全面的对负荷数据进行辨识。具体地，通过待辨识负荷特征数据与聚类中心的欧氏距离，确定负载类型；根据欧式距离值的大小能得出待辨识负荷特征数据的匹配结果，例如，分别计算冰箱、洗衣机、电脑等设备的聚类中心到待辨识负荷特征数据的欧式距离，若冰箱到聚类中心的欧式距离最小，则该待辨识负荷特征数据的负载类型时冰箱。通过待辨识负荷电流波形图与负荷电流样本图的综合关联度，确定负载类型；根据综合关联度分析各待辨识负荷电流波形图在形状和变化趋势上的关联度，其综合关联度值越大，则说明两电流波形较相似。混合两次匹配结果，共同判断待辨识负荷的负载类型，进而提高负荷辨识的精度。
2、本发明针对原始负荷特征数据存在维度较高问题，通过PCA构建了降维负荷特征，降低了计算量，且不同用电设备的特征主元具有相对较明显的类别差异性，提高特征匹配可靠性。
3、本发明采用DBSCAN聚类算法实现聚类中心的确定，具有聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类等优点。
附图说明
图1为本发明采用的融合PCA-DBSCAN的负荷聚类流程示意图；
图2为DBSCAN负荷聚类结果示意图，其中，(2a)为原始样本集，(2b)为标记核心样本点，(2c)为形成簇C1，(2d)为形成簇C2，(2e)为形成簇C3，(2f)为形成簇C4；
图3为本发明的流程示意图；
图4为实施例1中降维前后的负荷特征对比图，其中，(4a)为降维前负荷特征图，(4b)为降维后负荷特征图；
图5为实施例1中负荷稳态特征DBSCAN聚类；
图6为实施例1中负荷暂稳态特征DBSCAN聚类；
图7为待辨识与模板库负荷的电流波形对比，其中，(7a)为微波炉电流，(7b)对应电流模板库波形，(7c)为冰箱电流波，(7d)为负荷电流模板库中冰箱电流波形；
图8为负荷辨识混淆矩阵；
图9为本发明实施例2的装置结构示意图；
图10为本发明实施例2的原理框架示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
现有技术中非侵入式负荷检测主要基于传统物理定义来描述电力负荷的特征，包括有功/无功功率、电流谐波、阻抗及导纳等，但是，当实际用电设备的具体种类变化时，基于传统物理量负荷特征的辨识难度和误判率会明显增大，因此直接影响到后续负荷辨识的精确度。
需要说明的是，非侵入式负荷状态监测是对总负荷电表数据进行分析处理,能够实现对各个用电设备及其工作状态的辨识。例如，非侵入式是对每户进行总负荷检测，如在电表上安装一个负荷检测设备就能够检测到包含电脑、洗衣机、冰箱等设备的总电荷，不再单独对每个设备进行检测。
为了克服这些挑战，本申请提出了一种混合非侵入式负荷辨识方法，在本方法实施前，需要进行以下准备工作。
在具体实施例中，通过采集历史用电数据，生成负荷电流样本图和负荷特征样本数据；根据负荷电流样本图，构建负荷电流模板库；根据负荷特征样本数据，构建负荷特征模板库。
在具体实施例中，各负荷特征样本数据属性之间都存在着相互关联关系，而在高维空间中的负荷特征样本数据过多且具有稀疏性，从而导致负荷特征样本数据中的样本规律难以查找。通过PCA算法进行特征降维，可以减少负荷特征样本数据的数量，并且确保各属性之间相互独立。其中，负荷特征模板库中构建了负荷稳态特征模板库与负荷暂稳态特征模板库。
过高的负荷特征维数不仅会增加负荷辨识算法计算量，同时负荷特征之间存在的冗余信息还可能导致错误的辨识结果。为了减少冗余负荷特征信息的影响，本方法首先采用PCA方法进行有效负荷特性提取和降维，降低数据相关性，最大程度表征有效负荷特性。PCA核心思想是寻找在最小均方意义下最能体现原始样本的投影方法，其具体步骤如下。
设样本数为n的p维负荷原始样本数据集如下：
式中，Xi＝(x1i,x2i,…,xni)T(i＝1,2,...,p)，n表示负荷特征样本数据中样本点数量；p表示样本点所在维度；X表示负荷特征原始样本数据集。
根据原始样本数据集计算协方差矩阵∑：
其中， 表示样本数据集的平均值；Xi表示样本数据集中的样本点。
根据协方差矩阵和特征向量，计算得到特征值λ：
Su＝λu (3)
其中，u表示特征向量。
通过特征值大小排序λ1>λ2>λ3>,...,>λp>0，得对应特征向量矩阵U＝[u1,u2,...,up]。由于协方差矩阵求得的特征值是其对应特征向量方向上样本数据的方差，特征值越大说明方差也越大，样本数据在该特征向量方向上分布越分散、信息价值度越高，因此选取较大特征值对应特征向量为负荷样本数据集主成分分量，其相关性较小，能有效降低负荷特征信息的冗余度。为实现负荷特征空间降维，根据累计贡献率选择前m个主成分并求出其对应的特征向量：u1、u2、...、um，则降维主成分矩阵U'为：
根据降维主成分矩阵对负荷特征原始样本数据集进行降维，负荷原始样本数据可降维为：
Z＝U'X (5)
其中，Z为降维后的低维特征空间负荷数据；X为原始高维特征空间，其维度表示原始特征空间中负荷特征量数。
在具体实施例中，可以选取功率因素和1、3、5、7、9次奇次电流谐波幅值作为负荷的稳态特征，同时在稳态特征基础上加入峰值时间、峰值电流、稳态时间及稳态电流作为负荷的暂稳态特征，构建负荷特征模板库，为10维特征向量，选取负荷稳态特征和暂稳态特征的PCA第一主成分及第二主成分，分别构建负荷稳态特征模板库与负荷暂稳态特征模板库。
具体地，选取排序前两个特征值对应的特征向量来实现特征提取和降维：
其中，Y1、Y2表示通过前两个特征值对应的特征向量降维后的数据。
在经过降维处理后，对负荷特征模板库中的各样本图进行聚类处理，以获得预设的聚类中心。
在具体实施例中，通过DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)聚类算法分别对负荷稳态特征模板库和负荷暂稳态模板库中的样本点进行聚类，并提取各聚类簇的聚类中心。负荷特征模板库中的负荷特征样本数据包含多个样本点；遍历负荷特征样本数据中的每个样本点；以样本点为圆心，根据预设半径参数，确定样本点的邻域；确定区域内样本点数量超过预设密度阈值时，则确定样本点为核心点；根据核心点和核心点的邻域，生成聚类簇；根据负荷稳态特征模板库中聚类簇，确定稳态特征聚类中心；根据负荷暂稳态特征模板库中聚类簇，确定暂稳态特征聚类中心。
相对于K均值聚类算法适用于簇几何形状平坦、簇数量不多且大小相对接近的样本集，DBSCAN聚类算法适用于样本间密度具有差异性的数据集，其聚类原理是将样本集中密度明显高于剩余样本的区域定义为一个簇，而将样本中密度相对较低的区域划分为边界和噪声，具有不受聚类簇的形状、大小的影响的特点。具体地，基于DBSCAN聚类算法进行以下步骤：
设置两个邻域参数：ε和MinPts，其中，ε为半径参数，该参数决定了特征空间中两个样本点可以被视为邻居的距离。MinPts为密度阈值，用来衡量密集区域内样本数量的最小值。给定一个待分类数据集I＝{x1,x2,···,xn}，那么DBSCAN聚类的核心定义如下：
(1)ε-邻域：对于xj∈I，其ε-邻域内包含了数据集I内距离xj不超过ε的所有样本点，即Nε(xj)＝{xi∈I|dist(xi,xj)≤ε}。
(2)核心点：若某个样本点xj，其ε-邻域内至少包含了数量为MinPts的样本点，即|Nε(xj)|≥MinPts，那么xj为核心点。
(3)密度直达：若样本点xi和xj的ε-邻域内，xi为核心点，则称xj由xi密度直达。
(4)密度可达：对于样本点xi和xj，若有样本序列P1,P2,···,Pn，其中，P1＝xi，Pn＝xj且Pi+1由Pi密度直达，那么称xj由xi密度可达。
(5)密度相连：对于样本点xi和xj，若存在xk，使得样本点xi和xj都可由xk密度可达，那么称xi和xj密度相连。
(6)边界点：若存在一个样本点是非核心点，但是该样本点到另一个核心点是密度可达的，那么这个样本点为边界点。
(7)簇：关于数据集I，簇依据密度可达推出的最大密度相连的样本数据点集合，那簇C有以下性质：
(8)噪声点：若数据集I的所有聚类簇为C1,C2,···,Ck，但I中某些样本点不属于簇C1,C2,···,Ck中任何一个，那么这些样本点为噪声点，可表示为：
上述融合PCA-DBSCAN聚类的负荷聚类流程如图1所示，该流程具体包括：获取样本集，通过PCA提取主要成分数据，获得待分类数据集I；初始化i＝1，ε＝ε1，MinPts＝MinPtsi；标记I中所有核心点并加入Ω，在Ω内选取任一核心点x；搜寻核心点x所有密度相连样本点，形成聚类簇Ci并清空Ω内Ci的所有核心点；遍历待分类数据集I中的每个样本点，组成聚类簇C1,C2,···,Ck；根据负荷稳态特征模板库中聚类簇，确定稳态特征聚类中心；根据负荷暂稳态特征模板库中聚类簇，确定暂稳态特征聚类中心。DBSCAN负荷聚类结果如图2所示。
实施例1
基于上述预先获得的负荷电流样本图和聚类中心，本实施例提供一种混合非侵入式负荷辨识方法，如图3所示，包括以下步骤：
S1、获取待辨识负荷数据，记录待辨识负荷的电流波形图，并提取获得负荷特征数据。
在具体实施方式中，通过负荷事件检测算法实时检测是否存在负荷事件，在检测到时，执行步骤S1。
S2、根据预设的负荷电流样本图和所述电流波形图，得到综合关联度。
通常负荷电流波形的形状和变化趋势越接近，其关联度越大，负荷电流波形匹配实质是时间序列的关联性度量。因此，在获得某负荷电流波形后，可通过与负荷电流模板库进行关联分析，通过查找关联度最大的带标签负荷电流波形可给出待辨识负荷的设备标签，实现负荷辨识。在具体实施方式中，本方法针对负荷电流波形匹配问题，综合考虑待辨识负荷电流波形的形状和变化情况，结合灰色关联度(邓氏关联度)和斜率关联度，提出一种基于综合关联分析的负荷电流波形匹配方法。
设待辨识负荷电流波形序列为x0＝[x0(1),x0(2),…,x0(k)]，负荷电流模板中波形序列为x1＝[x1(1),x1(2),…,x1(k)]。进行无量纲处理后，通过下式计可算待辨识负荷电流波形与负荷电流模板中电流波形序列的关联系数：
式中，x'0(m),x'1(m)分别为待辨识负荷电流波形序列、负荷电流模板序列的去量纲值，ρ为分辨系数，通常设置为0.5；λi(m)为关联系数，其中1≤m≤k，k为序列数。
则待辨识负荷电流波形与负荷电流模板中电流波形的灰色关联度：
此外，考虑到不同负荷在相同监测时段内的电流曲线变化情况往往存在较明显差异，而同一负荷在不同监测时段内的电流曲线变化情况则较接近，电流斜率可反映时间序列的变化情况。因此，本方法加入斜率关联度以进一步表征待辨识负荷电流波形与负荷电流模板波形序列的关联度。待辨识负荷电流波形序列x0和负荷电流模板波形序列x1在点k处的斜率关联系数ξ(k)为：
式中△x(k)(k＝2,3,...,n)是负荷电流模板中电流波形序列在时刻k-1到k的斜率，△y(k)(k＝2,3,...,n)是待辨识负荷电流波形序列在时间点k-1到时间点k的斜率。定义电流波形斜率关联度ε为：
该斜率关联度ε与待辨识负荷电流波形序列x0、负荷电流模板中电流波形序列x1的空间相对位置无关，反映监测时段斜率关联系数的均值。
最后，定义待辨识负荷电流波形序列为x0和负荷电流模板波形序列x1的综合关联度η：
η＝αε+(1+α)γ1 (14)
式中，α为权重系数，取值范围为[0,1]。
S3、确定所述负荷特征数据与预设的聚类中心的欧式距离。
具体地，根据负荷特征模板库，确定待辨识负荷特征到负荷稳态特征聚类中心和暂稳态特征聚类中心的欧式距离。在确定欧式距离时，待辨识负荷特征数据与负荷特征模板库中的聚类中心的欧式距离相较于其他设备，其值最小，且差距显著，则确定其负载类型。
S4、根据所述欧式距离和所述综合关联度，融合确定负载类型。
具体地，通过综合非监督DBSCAN负荷聚类和有监督的关联分析负荷辨识，改善负荷辨识效果。通过综合关联度匹配到待辨识负荷电流波形图的第一负载类型和欧式距离匹配到待辨识负荷特征数据的第二负载类型，若第一负载类型和第二负载类型匹配到相同设备，则确定负载类型，最终完成负荷辨识。例如，根据综合关联度匹配到的待辨识负荷电流波形图的第一负载类型是冰箱，根据欧式距离匹配到的待辨识负荷特征数据的第二负载类型是冰箱，则确定该待辨识负荷的负载类型为冰箱，若第一负载类型是冰箱，第二负载类型是电脑，则忽略。
实验验证及结果分析：
本实施例以家庭用电数据对上述方法进行验证。
(1)降维处理
首先采用PCA算法对负荷稳态特征与暂稳态特征分别进行特征降维，因整个负荷特征降维结果数据较多，这里选取了10种负荷的稳态特征降维结果进行分析，对比结果如图4所示。
由图4结果可发现，稳态负荷特征经过PCA降维后，稳态特征从6维降至2维，降维后不同用电设备的特征主元具有相对较明显的类别差异性，同时可有效降低负荷辨识计算复杂度，有利于提高负荷辨识效率。暂态特征降维结果类似。
(2)负荷辨识
经过上述负荷特征降维后，本发明选取负荷稳态和暂态特征的PCA第一及第二主成分，分别构建负荷稳态特征模板库与负荷暂稳态特征模板库。然后采用DBSCAN算法分别对稳态特征模板库和暂稳态特征模板库中的样本数据进行聚类。负荷稳态特征模板库和暂稳态特征模板库聚类结果如图5和图6所示。
由图5和图6可知，负荷特征模板库中同一用电设备的特征样本经DBSCAN聚类能较好形成聚类簇，且降维特征空间下分布较紧密，不同用电设备的特征聚类簇在该特征空间中存在清晰的界线，相互交叉重叠很小，可为后续负荷特征匹配提供了有效保障。此外，为了量化待辨识负荷与负荷特征模板库中各负荷特征的相似度，本发明提取了负荷稳态和暂稳态特征模板库的聚类中心，以便于计算待辨识负荷与负荷特征模板库中每个聚类中心的欧式距离，结果如表1。
表1稳-暂态负荷特征聚类中心
(2)负荷特征匹配
冰箱同时具有稳态与暂态特征，微波炉仅具有稳态特征，由于版面所限，选取这两种负荷实验结果测试验证负荷辨识的有效性，结果如表2所示。
表2待辨识负荷与各负荷聚类中心的欧式距离分析
由表2结果可知，冰箱的降维特征与特征模板库中该类型设备的聚类中心欧式距离为0.12，相较于距其它设备聚类中心的欧式距离，其值最小，且差距显著。微波炉的降维特征与特征模板库中该类型设备聚类中心的欧式距离为0.14，相较于距其它设备聚类中心的欧式距离，其值最小，且差距显著。实验结果表明，DBSCAN负荷特征聚类及负荷特征匹配算法可较好完成待辨识负荷工作。
(3)负荷电流波形匹配
完成DBSCAN负荷特征聚类及负荷特征匹配之后，为进一步强化负荷辨识结果准确性，进行负荷电流波形匹配，结果如图7所示。
为了进一步量化待辨识负荷与负荷电流模板库中各电流波形的相似度，采用前文所述的综合关联分析方法计算其综合关联度。给出了微波炉与冰箱电流波形与模板库各电流波形的综合关联度值如表3所示。
表3电流波形综合关联度分析结果
由表3可知，冰箱电流波形与电流模板库中对应设备标签的电流波形综合关联度为0.97，明显大于与其它设备标签的电流关联度值；微波炉电流波形与电流模板库中对应设备标签的电流波形之间的综合关联度为0.94，其值也明显高于其他值。负荷电流匹配结果有效验证了负荷电流波形匹配方法的有效性。
(4)负荷辨识实验
为了验证本发明所提负荷辨识算法对多种不同类型负荷的辨识效果，分别选取上述实验涉及到的10种负荷各100个样本数据进行实验验证。其中，10种负荷的编码为：冰箱(0)，吸尘器(1)，电风扇(2)，电脑(3)，电吹风(4)，加热器(5)，微波炉(6)，洗衣机(7)，空调(8)，白炽灯(9)。
图8为负荷辨识结果的混淆矩阵。辨识召回率、准确率和F1-score等性能指标如表4所示。
表4负荷辨识结果评价
由表4负荷辨识结果可知，各类负荷辨识结果的各项指标都在91％以上，负荷辨识的总体召回率、准确率、F1-score均为96％以上。这也验证了所提融合DBSCAN与综合关联分析的混合非侵入式负荷辨识方法具有良好的辨识效果。
为进一步验证本发明所提负荷辨识算法性能，选取其它同样基于PLAID数据集的负荷辨识方法进行对比分析，结果如表5所示：
表5与其它方法的负荷辨识结果对比分析
由表5对比分析结果可知，本方法负荷辨识准确率达到96.2％，相较于对比算法有了较大的提高。
以浙江某小区综合负荷辨识为例，2022年夏季最大负荷2110千瓦，其中，空调1370千瓦，冰箱320千瓦，微波炉90千瓦，电脑80千瓦，洗衣机20千瓦，电视15千瓦，其他215千瓦。综合负荷调节能力1272千瓦，按2小时4元/千瓦的需求响应补贴计算，该小区参加需求响应的补贴需求约为5088元。
上述方法如果以软件功能单元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，本发明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)执行本发明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。
实施例2
本实施例提供了一种混合非侵入式负载辨识装置，如图9所示，包括：第一采集模块、生成模块102、第一匹配模块103、第二匹配模块104和辨识模块105。其中，第一采集模块101采集待辨识负荷电流波形图和待辨识负荷特征数据；生成模块102根据预设的负荷特征样本数据，生成聚类中心；第一匹配103模块根据预设的负荷电流样本图和所述待辨识负荷电流波形图，得到综合关联度；第二匹配模块104确定所述待辨识负荷特征数据与所述聚类中心的欧式距离；辨识模块105根据所述欧式距离和所述综合关联度，确定负载类型。
在优选的实施方式中，该装置还包括：第二采集模块、波形存储模块和特征存储模块；第二采集模块采集用电数据，生成所述负荷电流样本图和负荷特征样本数据；波形存储模块存储负荷电流样本图，构建负荷电流模板库；特征存储模块存储负荷特征样本数据，构建负荷特征模板库。
上述装置实现融合DBSCAN聚类算法与综合关联度的混合非入侵式负荷辨识方法，其原理框架如图10所示，主要包括四部分：创建负荷电流模板库、创建负荷特征模板库、生成待辨识负荷电流波形和生成待辨识负荷特征数据：
在本实施例中，首先采集用电数据，根据不同负荷电流波形图，构建负荷电流模板库。
在本实施例中，根据用电数据中不同特征的样本数据，得到负荷特征模板库；通过PCA算法对样本数据进行降维，再通过DBSCAN聚类算法对降维后的样本数据进行聚类，提取各聚类簇中心。
具体地，确定样本数据的协方差矩阵；确定协方差矩阵的特征值；对特征值进行排序，得到特征向量矩阵；根据特征向量矩阵，选取预设数量的特征向量，对样本数据进行降维。
具体地，样本数据中包括多个样本点；遍历样本数据中的每个样本点；以样本点为圆心，根据预设半径参数，确定样本点的邻域；确定区域内样本点数量超过预设密度阈值时，则确定样本点为核心点；根据核心点和核心点的邻域，生成聚类簇；根据聚类簇，确定聚类中心。
在本实施例中，提取待辨识负荷数据，生成待辨识负荷电流波形；根据综合关联度，将待辨识负荷电流波形与负荷电流模板库中的数据进行匹配，得到设备的第一负载类型。
具体地，根据负荷电流样本图和待辨识负荷电流波形，生成负荷电流模板波形序列和待辨识负荷电波形序列；根据负荷电流模板波形序列和待辨识负荷电波形序列，生成关联系数；对关联系数求和，得到负荷电样本图与所述待辨识负荷电流波形灰色关联度；确定负荷电流模板波形序列的斜率和待辨识负荷电波形序列的斜率；根据负荷电流模板波形序列、待辨识负荷电波形序列、负荷电流模板波形序列的斜率和待辨识负荷电波形序列的斜率，得到斜率关联度系数；根据斜率关联度系数，得到斜率关联度；根据斜率关联度、灰色关联度和预设权重，得到综合关联度；根据综合关联度，得到各设备的第一负载类型。
在本实施例中，提取待辨识负荷特征数据，通过PCA算法对待辨识负荷特征数据进行降维处理；根据待辨识负荷特征数据到聚类中心的欧式距离，确定第二负载类型。
在本实施例中，将第一负载类型和第二负载类型进行对比，结果相同，则完成负荷辨识。
本申请的另一个实施例中，提供一种计算设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令，所述处理器执行所述计算机指令时实现上述实施例中任一项所述负载辨识方法的步骤。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。

Claims (10)

1.一种混合非侵入式负荷辨识方法，其特征在于，包括以下步骤：
采集待辨识负荷的电流波形图和负荷特征数据；
根据预设的负荷电流样本图和所述电流波形图，得到综合关联度；
确定所述负荷特征数据与预设的聚类中心的欧式距离；
根据所述欧式距离和所述综合关联度，融合确定负载类型。
2.根据权利要求1所述的混合非侵入式负荷辨识方法，其特征在于，所述综合关联度为基于所述预设的负荷电流样本图和所述电流波形图获得的至少两种序列关联度的加权和。
3.根据权利要求2所述的混合非侵入式负荷辨识方法，其特征在于，所述序列关联度包括灰色关联度和综合关联度。
4.根据权利要求1所述的混合非侵入式负荷辨识方法，其特征在于，所述聚类中心通过以下步骤确定：
采集用电数据，生成负荷特征样本数据，所述负荷特征样本数据包括多个样本点；
遍历负荷特征样本数据中的每个样本点，进行聚类计算，生成聚类簇，确定所述聚类中心。
5.根据权利要求4所述的混合非侵入式负荷辨识方法，其特征在于，采用DBSCAN聚类算法进行所述聚类计算。
6.根据权利要求4所述的混合非侵入式负荷辨识方法，其特征在于，在生成所述负荷特征样本数据后，所述方法还包括：
采用PCA方法对所述负荷特征样本数据进行降维处理，构建负荷特征模板库。
7.根据权利要求6所述的混合非侵入式负荷辨识方法，其特征在于，根据所述负荷特征模板库中的负荷特征维数采集获得所述待辨识负荷的负荷特征数据。
8.根据权利要求1所述的混合非侵入式负荷辨识方法，其特征在于，所述确定负载类型包括：
基于所述电流波形图与不同负荷电流样本图的综合关联度，得到第一负载类型；
基于所述负荷特征数据与不同聚类中心的欧式距离，得到第二负载类型；
所述第一负载类型和所述第二负载类型相同时，确定所述负载类型。
9.一种计算设备，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的混合非侵入式负荷辨识方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的混合非侵入式负荷辨识方法。
CN202311386639.3A 2023-10-24 2023-10-24 一种混合非侵入式负荷辨识方法、设备及存储介质 Pending CN117335408A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311386639.3A CN117335408A (zh) 2023-10-24 2023-10-24 一种混合非侵入式负荷辨识方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311386639.3A CN117335408A (zh) 2023-10-24 2023-10-24 一种混合非侵入式负荷辨识方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117335408A true CN117335408A (zh) 2024-01-02

Family

ID=89290194

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311386639.3A Pending CN117335408A (zh) 2023-10-24 2023-10-24 一种混合非侵入式负荷辨识方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117335408A (zh)

Similar Documents

Publication Publication Date Title
Gopinath et al. Energy management using non-intrusive load monitoring techniques–State-of-the-art and future research directions
Wang et al. Load profiling and its application to demand response: A review
Wang et al. An improved K-Means clustering algorithm
Munshi et al. Unsupervised nonintrusive extraction of electrical vehicle charging load patterns
Fang et al. Nonintrusive appliance identification with appliance-specific networks
Lu et al. A weekly load data mining approach based on hidden Markov model
Zhu et al. Novel K-Medoids based SMOTE integrated with locality preserving projections for fault diagnosis
CN111177216A (zh) 综合能源消费者行为特征的关联规则生成方法及装置
Rehman et al. Low complexity non-intrusive load disaggregation of air conditioning unit and electric vehicle charging
Humala et al. Universalnilm: A semi-supervised energy disaggregation framework using general appliance models
CN108520310A (zh) 基于G-L混合噪声特性v-支持向量回归机的风速预报方法
Qu et al. A residual convolutional neural network with multi-block for appliance recognition in non-intrusive load identification
Dinesh et al. Residential power forecasting based on affinity aggregation spectral clustering
CN117315434A (zh) 一种基于时序成像和深度学习的非侵入式负荷辨识方法
Han et al. Non‐intrusive load monitoring by voltage–current trajectory enabled asymmetric deep supervised hashing
CN113094448B (zh) 住宅空置状态的分析方法及分析装置、电子设备
CN113762355B (zh) 一种基于非侵入式负荷分解的用户异常用电行为检测方法
Wang et al. Evsense: A robust and scalable approach to non-intrusive ev charging detection
CN116780537A (zh) 非侵入式负荷监测方法、装置、存储介质
do Carmo Correa et al. Automated non-intrusive load monitoring system using stacked neural networks and numerical integration
CN117335408A (zh) 一种混合非侵入式负荷辨识方法、设备及存储介质
Panapakidis et al. Three-stage clustering procedure for deriving the typical load curves of the electricity consumers
You et al. New PSO‐SVM Short‐Term Wind Power Forecasting Algorithm Based on the CEEMDAN Model
Li et al. Dynamic time warping optimization-based non-intrusive load monitoring for multiple household appliances
Tito et al. Image segmentation-based event detection for non-intrusive load monitoring using Gramian Angular Summation Field

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