基于图信号处理的负荷用电特征监测分析方法与流程

1.本发明涉及数据挖掘分析领域，具体涉及一种基于图信号处理的负荷用电特征监测分析方法。


背景技术：

2.能源是当今社会运作和发展不可或缺的资源，而随着全球经济的快速发展，社会各个行业和家庭用户对电能数量和质量的需求日渐增长，为了节约电能，合理安排用电计划，缓解社会能源压力、实现能源的可持续发展，提出了用电负荷特征分析。
3.近些年来，国内外学者对提出了许多针对负荷用电特征监测与分析的方法。现有的针对家庭用户的负荷监测技术包括侵入式负荷特征监测分析和非侵入式负荷特征监测分析。侵入式的方法要求在每一个需监测的电器上安装测量装置单独进行监测，该方法可以准确直观的获得各个电器的用电情况，但是会受到硬件设备条件的限制。侵入式的方法要求在每一个需监测的电器上安装测量装置单独进行监测，该方法可以准确直观的获得各个电器的用电情况，但是会受到硬件设备条件的限制。非侵入式技术只需在电力线入口处安装带有数字通信的监测装置，采集线路总端的电气参数。该方法精度稍低，但硬件成本大大降低，在智能电网建设中有更强的实用性。通过对总电气参数进行分解与识别，计算分析得到家庭内各个负荷的投切状态和工作时间，从而完成负荷用电特征监测分析。图信号处理是如今数据挖掘领域的研究热点，对于分析负荷用电数据的拓扑结构和行为特征有很强的实用性。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于图信号处理的负荷用电特征监测分析方法，以解决上述问题。
5.为实现上述目的，本发明采用如下技术方案：
6.一种基于图信号处理的负荷用电特征监测分析方法，包括以下步骤：
7.s1：获取用户总有功功率数据，并构建图邻接矩阵；
8.s2：采用合并k均值聚类算法对目标设备负荷曲线的先验信息进行聚类，构图信号；
9.s3：利用增广拉格朗日迭代算法迭代求解图信号的重构无约束优化函数，重构出用电设备未知部分的图信号：
10.s4：将图信号还原为功率信号，若所有负荷均完成图信号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行s1。
11.进一步的，所述邻接矩阵a是由图结构的边的权重组成的n
×
n矩阵，具体为：定义邻接矩阵中的元素a
ij
＝exp(
‑
||x
i
‑
x
j
||2/ρ2)，并将邻接矩阵a进行归一化处理得到其中x
i
和x
j
为图顶点的数值，ρ为比例参数，||
·
||2表示平方；λ
max
为邻接矩
阵特征值绝对值的最大值。
12.进一步的，所述步骤s2具体为：
13.s11：初始化k值设置为经过经典k均值聚类之后，利用不同聚类中心的相应最大聚类半径的圆互相交叠的比例来确定不同聚类之间是否合并；
14.s12:当两个聚类合并时，更新合并后的聚类结构；
15.s13:循环s11
‑
s12，直至所有聚类之间不满足合并条件。
16.进一步的，所述合并k均值聚类算法输出的不同组的聚类都有相应的最大值和最小值，构建阈值向量：
17.m＝[m1,m2,...,m
δ
]
[0018]
其中m
a
和m
a 1
分别大于等于算法a类聚类的最小值和最大值，δ为算法输出的聚类类别数；
[0019]
则用电设备已知的先验信息的图信号用公式表示：
[0020][0021]
式中，表示用电设备l在时刻i的图信号值，i＝1,2,
…
q。为用电设备在时刻i的先验用电数据。对于未知的n
‑
q点的图信号值，则设其数值为0，那么设备l的先验图信号可表示为
[0022]
进一步的，所述步骤s3具体为：
[0023]
s31:初始化输入参数，包括邻接矩阵a，正则化参数ρ，归一化参数γ，最大迭代次数k和迭代中止门限ξ；
[0024]
s32:当约束得到全局最优解为：
[0025][0026]
如果则迭代结束，输出计算的重构图信号结果s。
[0027]
进一步的，所述步骤s4具体为：对求解得到的设备图信号值的集合s进行差分逆运算得到：
[0028][0029]
当一个设备的用电功率被完整重构时，从总功率信号中去除该时序信号，以降低其他设备负荷曲线重构时的干扰；
[0030]
若所有负荷号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行s1。本发明与现有技术相比具有以下有益效果：
[0031]
本发明利用图信号处理的方法挖掘了负荷用电数据的拓扑结构，非侵入式地监测和分析了负荷的用电特征和情况，对需求侧管理部署具有很强的实用性。
附图说明
[0032]
图1为本发明一实施例中某家庭实际总用电数据曲线；
[0033]
图2为本发明一实施例中负荷用电特征分析输出结果；
[0034]
图3为本发明的方法流程示意图。
具体实施方式
[0035]
下面结合附图及实施例对本发明做进一步说明。
[0036]
请参照图3，本发明提供一种基于图信号处理的负荷用电特征监测分析方法，包括以下步骤：
[0037]
s1：利用用户总有功功率数据构建图邻接矩阵a，这是由图结构的边的权重组成的n
×
n矩阵。
[0038]
加权邻接矩阵，一般有两种加权方式：以欧式距离加权和以高斯核函数加权。高斯核函数是机器学习中最常用的核函数，能很好地降低顶点之间的差异性；
[0039]
优选的的，在本实施例中，定义邻接矩阵中的元素 a
ij
＝exp(
‑
||x
i
‑
x
j
||2/ρ2)将邻接矩阵a进行归一化处理得到
[0040]
s2：利用合并k均值聚类算法对目标设备负荷曲线的先验信息进行聚类，构建图信号阈值向量和先验图信号。合并k均值算法的初始化k值设置为经过经典k均值聚类之后，利用不同聚类中心的相应最大聚类半径的圆互相交叠的比例来确定不同聚类之间是否合并。当两个聚类合并时，更新合并后的聚类结构，不断重复这一过程，直至所有聚类之间不满足合并条件。算法输出的不同组的聚类都有相应的最大值和最小值，取适当的数值构建阈值向量：
[0041]
m＝[m1,m2,...,m
δ
]
[0042]
用电设备已知的先验信息的图信号可以用公式表示：
[0043][0044]
s3：利用增广拉格朗日迭代算法迭代求解图信号的重构无约束优化函数，获得全局最优解。
[0045]
优选的的，在本实施例中，初始化输入参数，包括邻接矩阵a，正则化参数ρ，归一化参数γ，最大迭代次数k和迭代中止门限ξ。
[0046]
当约束得到全局最优解为：
[0047][0048]
从而重构出用电设备未知部分的图信号s；
[0049]
s4：将图信号还原为功率信号，若所有负荷均完成图信号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行s1。求解
得到的设备图信号值的集合s为经过差分操作后的分类标签值，无法直接进行设备稳定运行工作的有功功率重构。对s进行差分逆运算得到：
[0050][0051]
当一个设备的用电功率被完整重构时，从总功率信号中去除该时序信号，以降低其他设备负荷曲线重构时的干扰。若所有负荷号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行s1。
[0052]
实施例1：
[0053]
本实施例选取开源redd数据库中house 2某两天内的用电数据进行先验数据采集与负荷信号重构，包括微波炉、冰箱、烤箱、洗碗机、电灯、烘干机6个电器。具体包括以下步骤：
[0054]
s1、利用图1中用户总有功功率数据构建图邻接矩阵a。
[0055]
s2、利用合并k均值聚类算法对目标设备负荷曲线的先验信息进行聚类，构建图信号阈值向量m＝[m1,m2,...,m
δ
]和先验图信号
[0056]
s3、利用增广拉格朗日迭代算法迭代求解图信号的重构无约束优化函数。初始化输入参数，如邻接矩阵a，正则化参数ρ，归一化参数γ，最大迭代次数k和迭代中止门限ξ。
[0057]
当约束得到全局最优解为：
[0058][0059]
从而重构出用电设备未知部分的图信号s；
[0060]
s4、将图信号还原为功率信号，若所有负荷均完成图信号重构，则输出全部特征分析结果，否则，将该功率信号从总功率信号中除去得到新的总功率信号，返回执行s1。
[0061]
当所有设备的用电曲线都重构完成，即完成了负荷的用电特征监测与分析，输出结果如图2所示。
[0062]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。