一种基于多维特征的非侵入式负荷辨识方法与流程

1.本发明涉及一种基于多维特征的非侵入式负荷辨识方法，属于技术领域。


背景技术：

2.在大力发展全球能源互联网的背景下，我国正在有序推进智能电网的建设，实现双向互动的智能用电已经逐渐成为电力系统的主要发展目标，而开展智能用电的关键在于获取电力用户用电负荷监测信息以及对用户用电行为的智能分析。居民用户具有用电行为多样、用户数量大等特点，是智能用电双向互动服务体系主要的服务群体。尽管我国智能电网建设日益完善，但是受技术等多方面因素的限制，我国并未大规模开展对居民用户侧负荷辨识技术的研究，常规用电分析技术已经无法满足灵活互动的智能用电需求，居民用电负荷辨识和智能分析技术亟待完善和创新。
3.居民用电设备负荷辨识主要通过侵入式负荷监测和非侵入式负荷监测两种方式实现。侵入式负荷监测是指在用电负荷上安装硬件监测设备，实时获取每个设备负荷的运行状态与用电量，该方法虽然精确实现负荷监测，但是前期耗费大量的人力与财力并且影响用户的生活，不易维护。非侵入式负荷监测是指直接在主电路上安装非侵入式负荷分解装置，获取总用电负荷的电流、电压与功率信息，根据这些信息识别居民用户内每个用电设备的负荷运行状态。该方法不用深入用户居民内部，仅在外部安装采集设备，相对简单方便，已成为近年来负荷监测研究的主流方向。但是，在实际应用中，现有常规非侵入式负荷监测方法通过改造或新增监测设备实现，面临投入较多、成本较高、涉及范围较广、推广难度较大的困难，还面临智能分析准确性和时效性不能满足实际需求等问题。


技术实现要素：

4.本发明的目的在于克服现有技术中的不足，提供一种基于多维特征的非侵入式负荷辨识方法，解决现有智能分析准确性和时效性不能满足实际需求等问题。
5.为达到上述目的，本发明是采用下述技术方案实现的：
6.本发明提供了一种基于多维特征的非侵入式负荷辨识方法，包括：
7.获取目标时间段内的总电器数据并进行预处理；
8.将预处理后的数据输入预构建的非侵入式负荷辨识模型中进行负荷辨识获取辨识结果；
9.所述非侵入式负荷辨识模型的构建过程包括：
10.基于电气设备的物理特征构建非侵入式负荷辨识模型的输入；
11.基于电气特征以及门控机制构建电气设备开关状态分类子网模型；
12.基于电气特征以及注意力机制构建电气设备负荷回归子网模型；
13.基于社会特征以及滑动窗口机制构建用户社会特征回归子网模型；
14.结合电气设备开关状态分类子网模型、电气设备负荷回归子网模型以及用户社会特征回归子网模型的输出，构建输入的非侵入式负荷辨识模型；
15.获取用电设备的电气特征数据、物理特征数据和用户的社会特征数据；
16.对电气特征数据、物理特征数据和社会特征数据分别进行标注并生成训练集；
17.通过训练集对非侵入式负荷辨识模型进行训练和参数优化得到最终的非侵入式负荷辨识模型。
18.可选的，所述物理特征包括：
19.运行状态改变低于预设值、单次运行周期高于预设值且功率拨动幅度小于预设值的用电设备记为0；
20.运行状态改变大于等于预设值、单次运行周期低于等于预设值且功率拨动幅度大于等于预设值的用电设备记为1。
21.可选的，所述基于电气设备的物理特征构建非侵入式负荷辨识模型的输入包括：
22.若物理特征为0，则采用序列到序列模型，所述序列到序列模型以滑动窗口的方式对单一时刻的用电设备的功率进行多次预测并求平均值，以预测平均值作为非侵入式负荷辨识模型的输入；
23.若获取的标注信息为1，则采用序列到点模型，所述序列到点模型以滑动窗口的方式对单一时刻的用电设备的功率仅进行一次预测，以预测值作为非侵入式负荷辨识模型的输入。
24.可选的，所述电气特征包括：
25.使用标准化方式将用电设备在相应时刻的功率转化为均值为0、标准差为1的分布：
[0026][0027]
其中，y
t
为t时刻功率的电气特征，x
t
为t时刻功率的数值，μ和σ分别为功率的数值分布期望值和标准差。
[0028]
可选的，所述基于电气特征以及门控机制构建电气设备开关状态分类子网模型包括：
[0029]
根据电气特征确定电气设备的开关状态：
[0030][0031]
其中，为第i个用电设备在t时刻的开关状态，为第i个用电设备在t时刻的电气特征，threshold为用电设备的开关预设门限值；
[0032]
开关状态的神经网络映射为：
[0033][0034]
其中，为第i个用电设备的功率到开关状态的映射；
[0035]
基于神经网络映射生成开关状态分类子网模型：
[0036][0037]
其中，为第i个用电设备在t时刻的功率，为个用电设备在t时
刻的开关状态的映射，
⊙
为特征乘积；
[0038]
所述电气设备开关状态分类子网模型的编码器网络包括六层一维卷积神经网络，采用elu作为激活函数，用于提取设备开关状态与总功率之间的映射关系；解码器网络主要包括三层全连接神经网路，上层采用simoid激活函数，输出对开关状态的分解结果。
[0039]
可选的，所述基于电气特征以及注意力机制构建电气设备负荷回归子网模型包括：
[0040]
获取用电设备每个时刻的注意力权重：
[0041][0042]etj
＝f(σ
t-1
,hj)
[0043]etk
＝f(σ
t-1
,hk)
[0044]
将注意力权重作为编码器所有隐藏状态的加权综合：
[0045][0046]
其中，hj为编码阶段的转换函数，σ
t-1
为解码阶段的转换函数，f(
·
)为计算hj的缩放重要性的学习函数，α
tj
为t时刻开关状态分类子网模型输出对应的权重，t用电设备的数量。
[0047]
可选的，所述物理特征包括：
[0048]
对数据型数据采用最小最大缩放，将其归一化到[0,1]区间：
[0049]z′
＝(z-min)/(max-min)
[0050]
其中，z为当前数据型数据的数据值，z
′
为当前数据型数据的物理特征，max和min为当前数据型数据的最大值和最小值；所述数据型数据包括用户家庭人口、用户房屋面积、用户房屋气温；
[0051]
对非数据型数据通过人工确定物理特征，所述非数据型数据保护用户房屋结构。
[0052]
可选的，所述基于社会特征以及滑动窗口机制构建用户社会特征回归子网模型包括：采用与电气设备负荷回归子网模型窗口大小一致的滑动窗口机制构建，用户社会特征回归子网模型通过五层一维卷积神经网络层对社会特征进行特征提取和信息精炼，其输出的特征图输入到多层全连接神经网络进行处理，最终输出为一定长度的隐状态序列。
[0053]
与现有技术相比，本发明所达到的有益效果：
[0054]
本发明提供的一种基于多维特征的非侵入式负荷辨识方法，在从居民电表采集的分钟级用电设备的电气特征基础上，引入用电设备的物理特征和居民用户的社会特征，进行分钟级非侵入式负荷辨识。根据电气设备的物理特征确定模型的输入输出类型，以提高负荷辨识结果的准确性。对于运行状态相对稳定、单次运行周期较长、且功率波动幅度较小的电气设备，使用序列到序列模型，以滑动窗口的方式对单一时间点多次预测求平均值。对于运行状态改变频繁、单次运行周期较短、且功率波动幅度较大的电气设备，使用序列到点模型，以滑动窗口的方式对单一时间点仅预测一次。对于人口数量较多的家庭，大型电器如洗衣机、热水器等使用频率可能相对较高；在气温较高的时期，空调的使用频率可能较高；
对于地域靠北的家庭，空气加湿器等电器的使用频率可能相对较高。此类社会特征可对最终负荷辨识结果产生正向影响。每种特征数据都会进行单独预处理，如缩放、标准化等，最后输出数据至联合层，将社会特征与电气特征进行融合，通过全连接层输出负荷辨识结果，提高了分钟级数据负荷辨识的准确性。
附图说明
[0055]
图1是本发明实施例提供的一种基于多维特征的非侵入式负荷辨识方法流程图；
[0056]
图2是本发明实施例提供的非侵入式负荷辨识模型的构建过程流程图；
[0057]
图3是本发明实施例提供的非侵入式负荷辨识模型的工作原理示意图。
具体实施方式
[0058]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0059]
实施例一：
[0060]
如图1所示，本发明提供了一种基于多维特征的非侵入式负荷辨识方法，包括以下步骤：
[0061]
s1、获取目标时间段内的总电器数据并进行预处理；
[0062]
s2、将预处理后的数据输入预构建的非侵入式负荷辨识模型中进行负荷辨识获取辨识结果；
[0063]
如图2所示，非侵入式负荷辨识模型的构建过程包括：
[0064]
s101、基于电气设备的物理特征构建非侵入式负荷辨识模型的输入；
[0065]
s102、基于电气特征以及门控机制构建电气设备开关状态分类子网模型；
[0066]
s103、基于电气特征以及注意力机制构建电气设备负荷回归子网模型；
[0067]
s104、基于社会特征以及滑动窗口机制构建用户社会特征回归子网模型；
[0068]
s105、结合电气设备开关状态分类子网模型、电气设备负荷回归子网模型以及用户社会特征回归子网模型的输出，构建输入的非侵入式负荷辨识模型；
[0069]
s106、获取用电设备的电气特征数据、物理特征数据和用户的社会特征数据；
[0070]
s107、对电气特征数据、物理特征数据和社会特征数据分别进行标注并生成训练集；
[0071]
s108、通过训练集对非侵入式负荷辨识模型进行训练和参数优化得到最终的非侵入式负荷辨识模型。
[0072]
(1)具体的：
[0073]
物理特征包括：
[0074]
运行状态改变低于预设值、单次运行周期高于预设值且功率拨动幅度小于预设值的用电设备记为0；
[0075]
运行状态改变大于等于预设值、单次运行周期低于等于预设值且功率拨动幅度大于等于预设值的用电设备记为1。
[0076]
基于电气设备的物理特征构建非侵入式负荷辨识模型的输入包括：
[0077]
若物理特征为0，则采用序列到序列模型，序列到序列模型以滑动窗口的方式对单
一时刻的用电设备的功率进行多次预测并求平均值，以预测平均值作为非侵入式负荷辨识模型的输入；
[0078]
若获取的标注信息为1，则采用序列到点模型，序列到点模型以滑动窗口的方式对单一时刻的用电设备的功率仅进行一次预测，以预测值作为非侵入式负荷辨识模型的输入。
[0079]
(2)具体的：
[0080]
电气特征包括：
[0081]
使用标准化方式将用电设备在相应时刻的功率转化为均值为0、标准差为1的分布：
[0082][0083]
其中，y
t
为t时刻功率的电气特征，x
t
为t时刻功率的数值，μ和σ分别为功率的数值分布期望值和标准差。
[0084]
可选的，基于电气特征以及门控机制构建电气设备开关状态分类子网模型包括：
[0085]
根据电气特征确定电气设备的开关状态：
[0086][0087]
其中，为第i个用电设备在t时刻的开关状态，为第i个用电设备在t时刻的电气特征，threshold为用电设备的开关预设门限值；
[0088]
开关状态的神经网络映射为：
[0089][0090]
其中，为第i个用电设备的功率到开关状态的映射；
[0091]
基于神经网络映射生成开关状态分类子网模型：
[0092][0093]
其中，为第i个用电设备在t时刻的功率，为个用电设备在t时刻的开关状态的映射，
⊙
为特征乘积；
[0094]
电气设备开关状态分类子网模型的编码器网络包括六层一维卷积神经网络，采用elu作为激活函数，用于提取设备开关状态与总功率之间的映射关系；解码器网络主要包括三层全连接神经网路，上层采用simoid激活函数，输出对开关状态的分解结果。
[0095]
基于电气特征以及注意力机制构建电气设备负荷回归子网模型包括：
[0096]
获取用电设备每个时刻的注意力权重：
[0097][0098]etj
＝f(σ
t-1
,hj)
[0099]etk
＝f(σ
t-1
,hk)
[0100]
将注意力权重作为编码器所有隐藏状态的加权综合：
[0101][0102]
其中，hj为编码阶段的转换函数，σ
t-1
为解码阶段的转换函数，f(
·
)为计算hj的缩放重要性的学习函数，α
tj
为t时刻开关状态分类子网模型输出对应的权重，t用电设备的数量。
[0103]
(3)具体的：
[0104]
物理特征包括：
[0105]
对数据型数据采用最小最大缩放，将其归一化到[0,1]区间：
[0106]z′
＝(z-min)/(max-min)
[0107]
其中，z为当前数据型数据的数据值，z
′
为当前数据型数据的物理特征，max和min为当前数据型数据的最大值和最小值；数据型数据包括用户家庭人口、用户房屋面积、用户房屋气温；
[0108]
对非数据型数据通过人工确定物理特征，非数据型数据保护用户房屋结构。
[0109]
基于社会特征以及滑动窗口机制构建用户社会特征回归子网模型包括：采用与电气设备负荷回归子网模型窗口大小一致的滑动窗口机制构建，用户社会特征回归子网模型通过五层一维卷积神经网络层对社会特征进行特征提取和信息精炼，其输出的特征图输入到多层全连接神经网络进行处理，最终输出为一定长度的隐状态序列。
[0110]
如图3所示，本实施例的工作原理如下：
[0111]
(1)采用tensorflow、sklean、numpy等机器学习开源框架构，按照如图3所示模型结构，构造分钟级非侵入式负荷辨识模型。
[0112]
(2)根据电器设备的物理特征，确定电器设备的运行模式，对于运行状态相对稳定、单次运行周期较长、且功率波动幅度较小的电气设备，使用序列到序列模型；对于运行状态改变频繁、单次运行周期较短、且功率波动幅度较大的电气设备，使用序列到点模型。
[0113]
(3)结合门控机制构建电气设备开关状态分类子网模型。
[0114]
(4)结合注意力机制构建电气设备负荷回归子网模型。
[0115]
(5)引入社会特征，构建用户社会特征回归子网模型。
[0116]
(6)综合电气特征和社会特征，连接三类子网输出的隐状态序列，完成整体模型构建。
[0117]
(7)针对为不同类型电器设备构建的负荷辨识模型，进行参数单独设定和调整，如时间窗口的长度等，针对运行周期较短的电气设备，设定一个较小的时间窗口；针对运行周期较长的电气设备，适当调大时间窗口，其他参数同理。
[0118]
(8)部署分钟级非侵入式负荷辨识系统，完成一体化的数据接收、处理、导入等流程，并将辨识结果实时展示在可视化界面。
[0119]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术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，本技术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。
[0120]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。