基于降噪自动编码器的家用负荷辨识方法、程序和系统与流程

1.本发明涉及电网负荷辨识技术领域，特别涉及一种基于降噪自动编码器的家用负荷辨识方法、程序和系统。


背景技术：

2.目前家用电能表只能对家庭总用电量进行统计，无法对各类负荷消耗电能进行分类计量。负荷辨识能够使家庭用户和电力公司对用电行为和设备能耗有更好的认识，支撑智能配电网上层应用。另外，随着新能源的增加，需要配电网具备更快速更准确的需求侧响应功能，这一功能的实现也需要依赖于负荷辨识技术。
3.现有的非侵入式负荷辨识方法对于量测数据的要求较高，不论是高频的负荷电流数据还是负荷开启瞬间的暂态波形，都需要对普通电能表进行改造之后才能获得，增加了额外成本。近些年来，有人提出仅依靠低频单一量测进行负荷辨识，例如利用电流有效值进行负荷的判断，或者仅利用稳态时域有功和无功功率进行电器设备开启和关断的判断，然而这些方法有一个共同的缺陷就是当有多个稳态波形类似的负荷同时开启时，辨识效果较差。


技术实现要素：

4.本发明的目的之一是提供一种对量测要求较低且能够较好地分辨稳态功率波形类似负荷的非侵入式家用负荷辨识方法。
5.为了实现上述目的，本发明采用如下技术方案：在该基于降噪自动编码器的家用负荷辨识方法中，将目标设备外的其它设备功率当作噪点或噪声，通过机器学习训练降噪自动编码器提取目标设备的功率特征，在负荷分离阶段，采用滑动窗来分析输入的混合功率信号，使用中值滤波器对滑动窗重叠部分进行处理，将重叠窗的输出值用邻域内所有值的统计中值代替，并按以下步骤进行负荷分离：
6.一、编码网络：
7.1.由一个或多个一维卷积层对原始的总输入功耗数据进行处理，产生一组特征映射；
8.2.每个卷积层依次经过线性激活函数、最大池化层、附加卷积层和池化层，形成全连接多层感知机；
9.3.全连接层经过修正线性单元激活函数处理，结束整个编码过程；
10.二、解码网络：
11.4.对全连接多层感知机通过反卷积进行上采样；
12.5.对步骤4中的结果进行上池化，所述上池化为最大池化的逆过程；
13.6.对步骤5中的结果通过反卷积进行上采样；
14.7.得到解码重构的降噪信号，根据所述解码重构的降噪信号得出目标设备的功耗信息。
15.其中，在步骤2中，通过最大池化操作得到邻近极大值，使分析窗内的激活函数位置更独立并减少特征映射的长度和全连接层元素的个数。
16.其中，在步骤3中，修正线性单元激活函数比较输入与零的大小，输出较大值。
17.具体而言，在训练降噪自动编码器时，是以最小化输出与目标设备的激活函数之间的均方误差为目标，并采用随机梯度下降方法进行训练参数优化。
18.另外，本发明还涉及一种基于降噪自动编码器的家用负荷辨识程序，其存储在连接有数据输入装置的计算机或服务器中并执行上述家用负荷辨识方法中的步骤1至7，程序运行时，通过所述数据输入装置获取目标家庭在设定时间段范围内的有功功率量测数据。
19.进一步地，本发明还提供一种基于降噪自动编码器的家用负荷辨识系统，其包括数据输入装置及运行上述家用负荷辨识程序的服务器，所述数据输入装置连接服务器并将获取的有功功率量测数据传输至运行所述家用负荷辨识程序的服务器。
20.进一步地，上述家用负荷辨识系统还包括用户端，所述用户端与服务器通过通信网络连接，所述服务器将辨识得出的电器设备功耗信息经通信网络发送至相应的用户端。
21.本发明提供了一种全新的非侵入式负荷辨识方法，该方法基于噪声自动编码器原理，仅依赖常规采样速率和单一有功功率量测数据，通过将总混合功率看成是需要处理的图片或录音，把目标设备之外的其它设备(不关心的设备)所产生的功率看成是“噪点”或“噪声”，执行目标变为将目标设备(感兴趣的单个设备)的负荷功率从总混合功率中辨识出来。经实例测试，本发明所涉方法在辨识真实设备功率消耗量和判断设备所处的状态两个方面都具有较高的准确性，尤其值得一提的是，本发明所采用的方法具有通用性好的优点，能够对不同型号、品牌的同种设备进行有效辨识。
附图说明
22.图1为某家庭一天内各个负荷的功率波形；
23.图2为降噪自动编码器架构图；
24.图3为家庭1中三种设备辨识结果；
25.图4为家庭1中洗碗机一天的实际能耗曲线；
26.图5为本发明所涉方法与基于fhmm的辨识方法在负荷辨识准确度方面的比较图；
27.图6为家庭1数据训练得到的网络对家庭2设备的辨识结果比较图；
28.图7为tracebase中三种设备的识别结果图；
29.图8为15000
‑
25000秒时间段内台式电脑负荷辨识结果比较图。
具体实施方式
30.为了便于本领域技术人员更好地理解本发明相对于现有技术的改进之处，下面结合附图和实施例对本发明作进一步的说明。
31.总体而言，考虑到一个家庭在大部分时间内存在多种用电设备同时开启的情况，因此其总有功功率由各个电器设备的分功率组合而成，本实施例中要做的就是提取各个用电设备的功率特征，将其从混合的总功率中分离出来，而这种分离的过程可以看成是图像处理或者语音识别中的降噪处理。典型的降噪处理包括消除旧照片中的噪点，或去除一段声音中的噪音，甚至为一张图片中不清晰部分进行填充。负荷辨识的本质就是负荷分离，可
以将总混合功率看成是需要处理的图片或录音，其它不关心的设备所产生的功率看成是“噪点”或“噪音”。训练降噪自动编码器(denoising autoencoder,dae)的目的是在一个充满噪音的输入里分离出“干净”的目标信号。通过dae将含有噪声的输入信号映射成隐藏代理从而构造解码输出向量z＝g
θ
′
(y)。降噪自动编码器的结构如图2所示，其中，为原始输入x增加随机噪声得到的信号，f
θ
为编码器，y为编码映射后的中间代理，g
θ
′
为解码器，z为重构输入，l
h
(x,z)为重构损失，用来衡量重构误差，参数θ和θ
′
经过训练用来最小化训练过程中的平均重构误差，也就是使输出z尽可能的接近原来的未被“污染”的输入向量x，z是一个的确定性函数。
32.在负荷分离阶段，本实施例中采用滑动窗来分析输入的混合功率信号y(t)，滑动窗的长度由对应电器设备的使用时间决定。对于一个由多种设备同时开启得到的混合功率，滑动窗必然出现重叠的现象。通常的解决手段是使用重叠部分的平均值来重构此重叠窗口。这样会存在一个问题，那就是当一个设备的开启时间仅有一小部分包含在此重叠窗口中时，负荷辨识的结果会明显高于实际的功率使用值，并且随着窗口的滑动，辨识得到的误差将进一步增大。在这里，本实施例使用中值滤波器对重叠部分进行处理，即重叠部分的输出信号是y(t)经过中值滤波后得到的结果。具体的，由于重叠窗口功率变化比较平缓，因此重叠窗的输出值可以用邻域内所有值的统计中值来代替，这个邻域称之为窗(window)，窗的大小根据实际的混合功率特性来确定即可。
33.下面分别对本实施例的负荷辨识的各步骤详细进行说明。
34.一、基于降噪自动编码器的负荷辨识。
35.在本实施例中非侵入式负荷辨识的问题可以用下式(1)表示：
[0036][0037]
其中，y
i
(t)表示单个用电设备的电气量值，这个电气量值可以是功率，也可以是电压或者电流，不失一般性，可以将其认为是有功功率值。y(t)表示此家庭的总用电量，e(t)表示总的量测误差，在这里认为量测误差为0，n表示此家庭的用电设备个数。因此，根据式(1)可以看出，非侵入式负荷辨识问题就是在只知道总负荷功率y(t)的情况下利用算法得出单个电器设备的功耗值y
i
(t)。进一步，将负荷分解转变为降噪问题，如下式所示：
[0038]
y(t)＝y
k
(t) c
k
(t),k＝1,2,...,n
ꢀꢀ
(2)；
[0039][0040]
其中，c
k
(t)表示除了设备k以外的其它所有设备的功率之和，y
k
(t)表示需要分离的负荷k。因此需要得到感兴趣的负荷(目标负荷)k所消耗的有功功率值，只需要将c
k
(t)从总负荷y(t)中进行分离，分离步骤如下：
[0041]
1、编码网络：
[0042]
1.1由一个或多个一维卷积层对原始的总输入功率值进行处理，产生一组特征映射。
[0043]
1.2每个卷积层依次经过线性激活函数，最大池化层，附加卷积层和池化层，最终
形成全连接多层感知机。
[0044]
1.3全连接层经过修正线性单元(relu)激活函数处理结束整个编码过程。
[0045]
2、解码网络：
[0046]
2.1对全连接多层感知机通过反卷积进行上采样。
[0047]
2.2对2.1中结果进行上池化(最大池化的逆过程)。
[0048]
2.3继续对2.2中结果通过反卷积进行上采样。
[0049]
2.4得到解码重构的降噪信号，根据该解码重构的降噪信号即可得出目标设备的功耗信息。
[0050]
具体而言，在上述步骤1.2中，通过最大池化操作得到邻近极大值，从而使得分析窗内的激活函数位置更为独立，另外还可以减小特征映射的长度和全连接层元素的个数。通过修正线性单元(relu)激活函数比较输入与零的大小，输出较大值，从而避免分解之后的负荷功率出现负值。上述降噪自动编码器训练网络的目标是最小化输出与要分离设备的激活函数之间的均方误差(mse)，采用随机梯度下降(sgd)方法进行训练参数优化。需要指出的是，不同于传统的dae需要人为的在输入数据中加入噪声数据，在本实施例中只需要将非目标对象的设备功率作为噪声。因此，在本实施例中所采用非侵入式负荷辨识手段并不等同于传统的图片或声音降噪，而是将降噪作为训练标准并更好地学习如何提取有用的特征，从而更好地构造高层级的代理。
[0051]
二、实例测试。
[0052]
1、数据集的选择。
[0053]
目前，国内外有多个针对非侵入式负荷辨识研究的开源数据集，常用的有以下几个：
[0054]
(1)redd数据集。其全称为reference energy disaggregation dataset，由麻省理工大学j.kolter和m.johnson开发，是第一个针对nilm研究的数据集。redd数据集提供了采样频率为15khz的高频数据和采样频率为0.5hz及1hz的低频数据。其中总共记录了10个家庭，119天，268个设备，1t的用电数据。图1为redd数据集的一个示例，展示了某家庭一天内各个设备的用电情况。redd数据集可以用excel进行处理，操作方便，数据下载网址为：http：//redd.csail.mit,edu.
[0055]
(2)tracebase数据集。tracebase数据集由德国darmstadt大学a.reinhardt等开发，监测和记录了十多个家庭和办公室，31种不同类型设备，122个设备，1270条负荷用电数据。表1是一段时间内某微波炉的用电情况，左边条目为时间，最右边两个数分别表示1秒钟和8秒钟时间内的平均有功功率消耗量。tracebase数据集也是以excel表格形式进行存储，数据条目格式如下所示，数据下载网址为：http：//www.tracebase.org.
[0056]
05/01/201220：47：36；1373；478
[0057]
05/01/201220：47：37；1378；648
[0058]
05/01/201220：47：38；1382；994
[0059]
05/01/201220：47：40；1378；1149
[0060]
05/01/201220：47：41；1378；1301
[0061]
通过redd和tracebase两个数据集实测数据对前面提及的降噪自动编码器网络进行训练，测试结果与基于因子的隐马尔科夫模型(fhmm)的辨识方法进行比较。所有的代码
采用python语言，并利用nilmtk和pandas工具对数据进行分析。神经网络训练环境为win10家庭版，intel i5
‑
10210u处理器，8g内存，nvidia geforce mx110显卡。
[0062]
2、测试指标。
[0063]
对测试结果的评价分为两个方面：能量分解的准确性和设备状态判断的正确性。在能量分解方面评价指标有：真实度，准确度和f1指数，分别用p
i(e)
和表示。前两个指标的具体计算公式如式(4)和(5)所示：
[0064][0065][0066]
其中，表示分离出来的能量信号，y
i
(t)表示设备的真实能耗，t表示总样本数。为了分析两种方法的总体表现性能，可以通过计算全部设备的平均真实度和准确度进行对比，计算方式如下：
[0067][0068][0069]
r
(e)
和p
(e)
分别表示考虑所有设备负荷分辨的真实度和准确度而求出的平均值，反映了非侵入式负荷辨识方案的总体性能。而度量指标是真实度和准确度的几何平均值，计算如下：
[0070][0071]
另外，本实施例中还定义负荷辨识的标准误差nep，用来表示辨识后得到的设备能耗与标准能耗之间的偏差之和，这个偏差和通过总的真实设备能耗进行标准化，其计算公式为：
[0072][0073]
设备状态的判定是指对设备开/关状态的判断，具体可以分解成四个指标，真阳性(tp)，假阳性(fp)，假阴性(fn)和真阴性(tn)。四个指标的具体定义如下：
[0074][0075]
[0076][0077][0078]
在式(10)
‑
(13)中，s
i
(t)和分别表示设备i在时刻t的真实状态和辨识状态，on和off表示设备“开”和“关”两种状态。基于设备状态的辨识真实度和准确度定义为：
[0079][0080]
同样，考虑所有设备状态判断辨识的真实度和准确度，得到指标：
[0081][0082]
进而得到基于设备状态判断的指数：
[0083][0084]
另外，本实施例还利用马修斯相关系数来作为辨识准确度指标，其定义为：
[0085][0086]
总体马修斯相关系数为：
[0087][0088]
mcc的值介于[
‑
1,1]区间，数值越大表示辨识越准确，数值为0表示随机预测辨识。
[0089]
3、测试结果。
[0090]
3.1redd数据集。
[0091]
在redd数据集中，选取家庭1和家庭2数据作为测试对象。数据每3秒钟更新一次，因此在一天时间内总共包含28800条数据。为了验证本实施例所涉负荷辨识方法的有效性，分别对家庭1的10种电器设备和家庭2的8种电器设备的负荷分解效果进行了测试和比较。其中，家庭1的10种电器设备分别为烤箱，冰箱，洗碗机，消毒柜，灯，烘干机，微波炉，浴霸，电热器，火炉；家庭2的8种电器设备分别为厨房电器1，厨房电器2，灯，火炉，微波炉，烘干机，冰箱，洗碗机。在数据训练的过程中，考虑到设备在不同时间段里可能表现出不同的功率波形，因此对于每一种设备，选取10天的数据进行训练，另外10天数据进行测试与验证，因此总共需要576000条数据。在redd数据集中，所有的10种电器设备的功率消耗数据都超过了60万条。
[0092]
为简化表述，仅对家庭1中三种电器设备的功率分解结果进行了展示，分别是洗碗机，冰箱和灯。如图3所示，图中横坐标为时间，单位是秒，由于希望能够更好的观察本实施例所涉方法和fhmm辨识方法的负荷识别效果，仅截取设备开启时间段的功率波形，因此横坐标时间只持续6000秒，即2000个数据点。在图3中，最上面的波形表示负荷的实际功率曲
线，中间波形表示本实施例所涉方法的负荷辨识结果，底端波形表示fhmm辨识方法的负荷辨识结果。
[0093]
需要说明的是，常用的家庭电器设备从运行状态进行划分可以分为三类：单一状态类，连续变化类和多状态类。所谓单一状态类是指设备开启后只有一个稳定的状态，功率一般维持不变，比如灯，烧水壶，微波炉灯等；连续变化类是指设备在开启/关断的过程中功率会有一个连续升高/降低的过程，比如电视机(功率变化50w
‑
75w)，电脑(80w
‑
100w)等；多状态类是指设备在运行过程中有多个功率状态，比如冰箱，洗衣机，洗碗机，烘干机等。在这三类电器设备中，单一状态类和连续变化类的辨识相对简单，而多状态类由于其功率在不同状态阶段差别很大，很容易与其它设备混淆。从图3中可以看到，对于属于单状态类的灯，两种方法的辨识效果都较好，能够很好的反映设备的开启和关断状态，且功率消耗值的判断也较为准确。而对于属于多状态类的洗碗机和冰箱，本发明所涉方法的负荷辨识效果更好，具体表现在两个方面：1.能更精确的分解出真实的设备功率消耗值；2.能更准确的判断设备所处的不同状态阶段，从而减小误判的几率。
[0094]
图4为家庭1中洗碗机在某一天中的使用情况，其使用时间在10000
‑
12000秒区间，对此区间进行放大并对两种算法的辨识结果进行比较，如图5所示。从图中可以很清楚的看到本发明所涉方法仅仅在高功率运行状态下有少许抖动，抖动误差不超过5％，且能够很好的贴合状态之间的切换过程。而基于fhmm的辨识方法总体上来看对于功率的辨识结果偏高，幅度接近20％，而且不能准确的表现负荷的切换过程。
[0095]
下表1对两种方法的4个指标进行了比较，这四个指标在3.1中进行了定义和阐述，它们分别是表示能耗辨识准确性的(越大越好)，表示设备状态判断准确性的(越大越好)，表示功率辨识结果与实际值偏差的nep(越小越好)，以及表示状态判断准确性的马修斯相关系数mcc(越接近1越好)。为简化表述，表中只列出了5种设备的指标比较情况，从表中可以看出，本发明所涉方法得到的所有指标均优于fhmm方法，表最右侧列出了总体表现值，黑色加粗表示指标表现较好。
[0096]
表1 redd数据集几种设备辨识效果指标比较
[0097][0098]
由于家用电器设备型号多种，不同型号的设备的用电行为可能存在差别。为了测试方法的通用性，我们对家庭1、家庭3、家庭4的数据进行训练，训练得到的网络对家庭2的集合功率进行分解。图6表示利用家庭1的数据进行网络训练之后对家庭2中的各个设备进行辨识的结果，为简化表述，只展示了三种设备的比较结果，分别是火炉，微波炉和消毒柜。图中最上端波形表示负荷的实际功率曲线，中间波形表示本发明的负荷辨识结果，底端波
形表示基于fhmm方法的负荷辨识结果。从图中可以看出对于单一状态的微波炉和消毒柜，两种方法都能较好的对设备进行辨识，而对于具有多状态的火炉，本发明明显要优于fhmm方法。
[0099]
3.2tracebase数据集。
[0100]
tracebase数据集包含31种不同类型设备，122个设备，1270条负荷用电数据，数据采集间隔1
‑
2秒钟。本实施例中利用两种方法对其中的20种设备进行了辨识，选取电视机，台式电脑和电熨斗的辨识结果进行展示，如图7所示。同样的，图中最上端波形表示负荷的实际功率曲线，中间波形表示本发明的负荷辨识结果，底端波形表示fhmm方法的负荷辨识结果。从图中可以看到，在辨识真实设备功率消耗量和判断设备所处的不同阶段两个方面，本发明都具有明显优势。
[0101]
图8对台式电脑在15000秒到25000秒时间段内两种方法的辨识效果进行了比较。从图中可以看到本发明所涉方法的抖动误差不超过4％，且能够很好的贴合状态之间的切换过程，而fhmm辨识方法在负荷启停时刻判断不准，且总体辨识出的负荷功率偏高。表2对两种方法的4个指标进行了比较，从表中可以看出，本发明得到的所有指标均优于fhmm方法，表最右侧列出了总体表现值。
[0102]
表2 tracebase数据集几种设备辨识效果指标比较
[0103][0104][0105]
综上，本实施例中提供了一种仅依赖常规采样速率单一有功功率量测的非侵入式负荷辨识方法，该方法基于噪声自动编码器原理，将总混合功率看成是需要处理的图片或录音，其它不关心的设备所产生的功率看成是“噪点”或“噪声”，执行目标变为将感兴趣的单个设备的负荷功率从总混合功率中辨识出来。
[0106]
在实例测试中，利用redd和tracebase数据集对所提供的方法与fhmm方法进行了负荷辨识效果比较(功率辨识与状态判断两个方面，共四个具体指标)，测试结果表明，本发明所涉方法在辨识真实设备功率消耗量和判断设备所处的状态两个方面都具有明显优势，并且本发明所涉方法还通用性更好的优点，能够对不同型号、品牌的同种设备进行有效辨识。
[0107]
需要说明的是，在上述实施例中，上述基于降噪自动编码器的家用负荷辨识方法可以通过计算机程序来实现，将计算机程序存储在连接有数据输入装置的计算机或服务器中，程序运行时，通过数据输入装置获取目标家庭在设定时间段范围内的有功功率量测数据并执行前述步骤1.1至2.4。更进一步，还可以设计一种基于降噪自动编码器的家用负荷辨识系统，该系统中包括数据输入装置、运行上述家用负荷辨识程序的服务器和用户端，数
据输入装置连接服务器并将获取的有功功率量测数据传输至运行家用负荷辨识程序的服务器，用户端与服务器通过通信网络连接，服务器将辨识得出的电器设备功耗信息经通信网络发送至相应的用户端。本领域技术人员应当明白，用户端的数量不限，系统可以为不同的家庭配置不同网络地址编码/设备编码的用户端，这样的话，服务器就可以将得出的电器设备功耗信息准确发送至对应家庭的用户端上。
[0108]
上述实施例为本发明较佳的实现方案，除此之外，本发明还可以其它方式实现，在不脱离本技术方案构思的前提下任何显而易见的替换均在本发明的保护范围之内。
[0109]
为了让本领域普通技术人员更方便地理解本发明相对于现有技术的改进之处，本发明的一些附图和描述已经被简化，并且为了清楚起见，本技术文件还省略了一些其它元素，本领域普通技术人员应该意识到这些省略的元素也可构成本发明的内容。