一种基于非侵入式智能终端的负荷识别方法与流程

1.本发明属于电力负荷监测领域，具体为一种基于非侵入式智能终端的特征加权knn负荷识别方法。


背景技术：

2.推进用电侧的智能化，其目的在于优化能源结构、改善用电效率以及提高用电安全。目前的电表只能获取到某段时间内的用电总量，并不能清晰全面地体现出用户的用电情况。因此对于电网而言，负荷监测就显得十分必要。非侵入式负荷监测(non-intrusive load monitoring，nilm)，直接在电力入口处加装采集装置，通过算法来分解出各种电器的用电信息。nilm能带来更大的经济效益，并且更易于实现和维护。通过非侵入式负荷监测，电网可以及时地分析用户的用电行为和电器设备能耗情况，对引导用户节能用电和优化用电资源管理都有着重大意义。
3.目前，非侵入式负荷识别基本采用机器学习方法，例如神经网络算法、贝叶斯算法、决策树算法等。神经网络算法用于负荷识别时，准确度高，但需要大量的样本数据来进行模型，且算法结构复杂，运算耗时较长，不适合实时的负荷识别；贝叶斯算法进行负荷识别时，运算过程简单且效率高，然而却忽略了不同特征间的相关性，以及特征权重分配对算法识别结果的影响，实际应用中的识别准确度无法保障；决策树算法在处理负荷不平衡数据集问题时，决策结果会偏向于样本数量较多的类别，容易出现误判。综合而言，目前的负载识别方法大致无法兼顾较高准确度和较好的运算效率，且在处理不平衡数据集和特征权重分配的问题上存在不合理的地方。


技术实现要素：

4.本发明提出一种基于非侵入式智能终端的特征加权knn负荷识别方法，该方法识别准确度较高、运算简便、便于植入硬件，且采用加权的方式改善了负荷识别中不平衡数据集和特征权重分配造成的问题，使得识别结果更加合理准确。
5.本发明方案包括以下步骤：
6.步骤s1：采集原始负荷数据。该负荷识别方法是基于非侵入式智能终端实现的，该智能终端为非侵入式系统中的采集模块，其内部集成算法可获取实时的秒级电流、电压、谐波、相位、功率有效值，定时上传15分钟时间粒度的数据序列，大幅降低主站通信量和计算量。利用智能终端采集单一负荷以及组合负荷工作时的负荷数据。
7.步骤s2：稳定段数据提取。对步骤s1中采集的数据利用双边累计和算法进行投切点检测，根据投入点tm和切入点t
p
定位到负荷稳定段数据，即[tm 60,t
p
60]区间内的数据。
[0008]
步骤s3：数据预处理。依据智能终端采集的负荷数据，取每一类负荷15分钟内的数据平均值，利用欧氏距离进行数据筛选，即计算每一类数据与各类数据平均值的欧式距离，剔除距离较大的数据。
[0009]
步骤s4：稳态特征集建立。根据步骤s3得到的各类负荷稳定段数据提取负荷特征，
其中电流有效值、三次谐波、五次谐波包含在步骤s3保留的稳定段数据中，利用提取的各电器特征值构建稳态特征集。伏安比系数、谐波畸变系数、有功功率的计算公式分别下：
[0010][0011]
其中，v
rmsk
为电压有效值，i
rmsk
为电流有效值；
[0012][0013]
式中，ih为第h次谐波电流平均有效值，i1为基波电流平均有效值，ih为谐波电流含量。
[0014][0015]
其中v
rmsk
为电压有效值，i
rmsk
为电流有效值，为电压与电流的相位差，为了避免出现负数而影响算法的识别效果，因此取有功功率的绝对值作为特征。
[0016]
步骤s5：负荷识别。对未知负荷按步骤s3来提取稳态特征，采用改进特征加权knn算法，计算未知负荷稳态特征和已知负荷稳态特征集之间的改进加权欧氏距离，取距离最相近的结果作为未知负荷的识别结果。
[0017]
进一步地，步骤s5中的负荷识别方法采用了改进加权的方式，包括以下步骤：
[0018]
步骤s5-1：根据熵权法，计算特征集中各特征样本的特征权重，knn算法中的特征加权欧氏距离计算公式为：
[0019][0020]
其中，x
t
为待测数据x
tj
的集合，xi为特征集，x
ij
为特征集中的数据；ωj表示第j个特征的特征权重。
[0021]
步骤s5-2：依据特征加权欧氏距离选出未知负荷c的k个近邻
[0022]
步骤s5-3：表决权重为特征集中各类样本的数量倒数，以表决权重改变knn算法投票表决的规则，即：
[0023]
weight(cj)＝1/size(cj)
[0024]
其中size(cj)表示j类样本cj所包含的特征总数量。将公式(4)带入到knn算法投票表决的过程中，则未知负荷与类别ci的相似度计算公式为：
[0025][0026][0027]
其中，表示未知负荷的前k个近邻的集合；ci表示集合中的任意一类样本。
[0028]
步骤s5-4：对特征集中各类样本与未知负荷之间的相似度进行排序统计，取相似度最大的作为识别结果。
[0029]
进一步地，步骤s5-1中，使用熵权法计算特征权重，包括以下步骤：
[0030]
s5-1-1：数据归一化处理。已有n类样本，每个样本包含了d个具体特征值，对每个特征x
id
(i＝1,2
…
n)进行正向化，正向化后的特征记为x
ij
，则标准化矩阵z中每一个元素z
ij
的计算公式如下：
[0031][0032]
max{|x
1j
|
…
|x
nj
|}和min{|x
1j
|
…
|x
nj
|}代表正向化d维特征值中的最大值与最小值。
[0033]
s5-1-2：计算每一个特征值所占比重。计算特征值的比重，以概率的形式呈现,计算公式为：
[0034][0035]
s5-1-3：计算每一项特征值的熵值。利用概率p
ij
来计算第j特征值的信息熵ej，公式为：
[0036][0037]
s5-1-4：计算每一项特征值的权重。根据信息熵，可以得到每一项特征值指标的权重ωj为：
[0038][0039]
其中，dj＝1-ej表示信息效用值。
[0040]
本发明中，步骤s3中考虑到原始负荷数据的不合理性，通过计算各类数据与平均值之间的欧氏距离来进行数据预处理，既降低了后续负荷识别的计算量，也提高了负荷识别的准确度。
[0041]
本发明的有益效果是：首先，根据各特征值的特征权重改进了knn算法的欧式距离公式，增加了相似负荷特征之间的区别度；其次，针对特征集的不平衡，通过表决权重的带入，改进了投票表决的规则，增加了少数类样本的表决权，确保了负荷识别的合理性；最后，结合特征加权和表决加权进行负荷识别，提高了负荷识别的准确度，且算法易于植入采集装置。
附图说明
[0042]
图1为稳态特征提取流程图。
[0043]
图2为发明的特征加权结合表决加权计算相似度的流程图。
[0044]
图3为发明的整体负荷识别流程图。
[0045]
图4为两种算法负荷识别的micro-f1得分。
[0046]
图1所示流程图，包含了数据筛选以及负荷事件检测。两种算法分别为：
[0047]
算法1：原knn算法；
[0048]
算法2：采用特征加权结合表决加权的knn算法，记为vfknn。
具体实施方式
[0049]
以下结合附图具体说明本发明技术方案。
[0050]
实施例：
[0051]
如图1-4，基于数据采集和稳态特征提取的非侵入式负荷识别系统由市电交流供电系统、电能计量设备、智能终端采集器、主站服务器、客户端以及各类负荷(实例选用电饭煲、冰箱 空调、锂电池、空调 锂电池、冰箱 空调 锂电池等5种单个及组合负荷)组成，其中主站服务器主要负责存储智能终端采集的数据，而客户端则负责对主站服务器中的数据进行处理和应用。
[0052]
步骤s1：从主站服务器中获取对于5种负荷的历史电流、电压、谐波、相位和功率数据，客户端电脑上，经由图1所示的过程提取电流有效值、伏安比系数、谐波畸变系数、三次谐波、五次谐波和有功功率等6种稳态特征值，由特征值构建负荷识别的稳态特征集，部分稳态特征集如下表1；
[0053]
表1：根据实施例中几种负荷的历史数据建立的部分特征集。
[0054][0055]
步骤s2：投入任意实施例1中的5种负荷中的一种作为待测负荷c，同样经由图1所示的数据处理流程提取出待测负荷稳态特征。
[0056]
步骤s3：对应图2特征加权部分计算步骤s1中的特征集的各特征权重，电流有效值、伏安比系数、谐波畸变系数、三次谐波、五次谐波和有功功率的权重分别为：ω1＝0.054，ω2＝0.4856，ω3＝0.2120，ω4＝0.1035，ω5＝0.0858，ω6＝0.0588。利用特征权重计算待测负荷和特征集的特征加权欧式距离，按照最近原则进行排序，选出待测负荷的前k个近邻，组成集合
[0057]
步骤s4：根据图2中表决加权部分计算特征集中各负荷的表决权重，对应实施例1
中罗列的负荷顺序依次为：weight1＝0.0971，weight2＝0.0139，weight3＝0.0153，weight4＝0.0145，weight5＝0.0137，weight6＝0.0081，weight7＝0.0097，weight8＝0.0063。结合步骤s3得到的待测负荷近邻集合和表决权重，本发明提出改进特征加权knn方法得到的相似度为：
[0058][0059][0060]
最后，与待测负荷相似度最大的负荷即为判定结果，应当为5种组成特征集的负荷中的一种，具体各类负荷的识别结果如表2：
[0061]
表2：实施例中的具体负荷识别结果
[0062]