一种基于单分类结合模糊宽度学习的负荷识别方法

1.本发明涉及非侵入式负荷监测技术领域。


背景技术：

2.电力是推进工业社会发展的主要能源之一。随着智能电力的发展以及人们节能意识的增强，社会对电能质量的要求日益提高。在智能电网的建设中，非侵入式负荷监测(non-intrusive load monitoring,nilm)具有较高的研究价值和广阔的应用前景。nilm通过用户负荷信息挖掘，可以有效缓解能源危机，节能减耗，提高经济效益。不同于侵入式方法，nilm技术通过在主电能输入端安装监测设备来获取总用电信息从而识别用户的负荷类型和工作状态，提高了测量设备安全性，具有成本低、维护方便等优点。对电网公司来说，nilm的智能电表技术能够对电力需求进行预测并为决策者提供决策依据，强化了用户对电网的调节功能，有助于智能电网的建设；运用数据分析以及人工智能技术能够提高电力预测模型的精度，为用电规划提供可靠依据，达到降低用电损耗的目的。对电力用户而言，nilm能够根据能耗、分时电价、电能计量等信息，得到有效的节能措施。因此，nilm是今后电力测量方向发展的主流趋势，在电力需求侧管理技术发展以及智能电网的建设上具有重要意义。
3.目前较为主流的nilm方法包括：基于组合优化的负荷识别，基于模式识别的负荷识别，基于概率模型的负荷识别，基于深度学习的负荷识别。上述方案中，基于组合优化以及概率模型的负荷识别算法对时变负荷具有较好的识别效果，但随着负荷类别增多，模型求解复杂度急剧升高。深度学习算法具有出色的数据挖掘能力，能够有效提高负荷识别模型的识别率，但其网络结构复杂，需要训练大量的网络参数。上述方案中，目前研究大都只考虑了基于已知样本的负荷识别，但未知负荷检测能力是非侵入式负荷设备在实际环境能够稳定运行的最低要求；同时考虑到非侵入式负荷监测算法的可实现性，需要权衡分类模型的复杂度以及分类能力。
4.针对传统负荷识别算法无法应对未知负荷接入的情况以及模型模型复杂度较高的问题，本发明公开了一种基于单分类结合模糊宽度学习的负荷识别方法，能够检测未知负荷，有利于提升负荷分类模型的鲁棒性。


技术实现要素：

5.有鉴于此，本发明提供一种基于单分类结合模糊宽度学习的负荷识别方法，在有效提高动态环境下负荷识别模型的稳定性的前提下，具有较高的识别率和识别速率。
6.本发明采取的技术方案为：
7.基于单分类结合模糊宽度学习的负荷识别方法，包括以下步骤：
8.s1：对采集的负荷电流进行预处理，通过小波去噪减小噪声干扰；
9.s2：检测负荷电流的变化量，判断是否有投切事件发生(若无投切事件发生则继续执行s2)
10.s3：检测到投切事件发生后，分离系统当前事件，并通过傅里叶变换提取负荷电流的1-9次奇次谐波幅值，构建特征印记；
11.s4：基于各类负荷的特征印记构建负荷特征库，并基于建立的特征库训练模糊宽度学习系统；
12.s5：计算待测样本数据的类内距离以及待测距离，利用单分类k近邻算法判断样本是否为已知类别样本。
13.s6：对检测为已知样本的负荷利用模糊宽度学习系统进行分类。
14.进一步，所述步骤s1具体为：通过示波记录仪采集负荷运行的电流数据，对采集的电流数据进行预处理，利用小波阈值去噪滤除电流信号中的高频环境噪声。
15.进一步，所述步骤s2具体为：对电流信号相邻采样点的幅值进行检测，当电流差值大于阈值时检测为投切事件发生，需要对当前负荷事件进行分离识别。
16.进一步，所述步骤s3具体为：检测到负荷投切事件发生，基于稳态电流波形的可加性，利用投切前5个周期电流信号和投切后5个周期电流信号的差值分离当前负荷事件。基于分离的电流波形通过傅里叶变换提取1-9次奇次谐波构建负荷特征印记。
17.进一步，所述步骤s4具体为：基于负荷特征库训练模糊宽度学习系统。
18.(1)模糊宽度学习系统主要由模糊系统、增强节点、系统输出三部分组成。模糊宽度学习在宽度学习的基础上引入一组一阶ts模糊子系统代替特征节点，与传统神经网络通过增加层数来获得对非线性问题更好的逼近效果不同，fbls充分利用模糊系统以及非线性激活函数的非线性近似能力来达到这一目的。因此，fbls在取得相同逼近效果的情况下具有更简单的网络结构，大大降低了模型复杂度，具有较强的可实现性。
19.(2)模糊宽度学习通过伪逆计算权值参数，系统输出由模糊系统和增强层输出两部分组成。
20.进一步，所述步骤s5具体为：基于负荷特征数据库，对于待测样本，根据欧式距离计算待测样本的待测距离和类内距离，通过比较待测距离和类内距离判断样本是否为已知类别样本，计算公式如下所示：
[0021][0022][0023]
式中，d1,d2分别为待测距离与类内距离a
(l)
,b
(l)
为待测样本a和样本b的第l维特征，p为p范数，本发明基于欧式距离计算特征距离，即p＝2。c负荷特征库中距离样本b最近的k
nn
个样本点所组成的数据集合，k
nn
值为30，x为集合c中的负荷样本数据。
[0024]
进一步，所述步骤s6具体为：利用模糊宽度学习系统进行分类，得到负荷识别结果：
[0025]
首先通过ts模糊系统获得模糊系统输出以及中间向量，然后将中间向量作为模糊宽度学习系统增强层的输入，通过非线性变换获得增强层输出，最后根据已知的输出矩阵，通过伪逆计算模糊宽度学习系统的权值参数。
[0026]
本发明的有益效果在于：本发明通过单分类算法进行未知负荷检测，提高了负荷分类模型的鲁棒性；通过模糊宽度学习系统进行负荷分类，提高了模型的识别速率。
附图说明
[0027]
图1:基于单分类结合模糊宽度学习的负荷辨识流程图
[0028]
图2:实施例中负荷电流与谐波特征示意图
[0029]
图3:模糊宽度学习系统结构示意图
具体实施方式
[0030]
为使本发明的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实施例对本发明作进一步详细的说明。
[0031]
本发明提供了一种基于单分类结合模糊宽度学习的负荷识别方法，其实施步骤包括：
[0032]
s1：通过示波记录仪采集负荷运行的电流数据，对采集的电流数据进行预处理，利用小波阈值去噪滤除电流信号中的高频环境噪声，小波阈值去噪的实现方式为：
[0033]
(1)利用小波分解将电流信号分解到各尺度不同频段中
[0034]
(2)把每一尺度中属于噪声的小波系数去掉，保留并增强属于信号的小波系数。
[0035]
(3)利用小波逆变换将处理后的小波系数重构得出去噪后的负荷电流信号。
[0036]
s2：检测负荷电流的变化量，判断是否有投切事件发生(若无投切事件发生则继续执行s2)，设阈值为h，当电流信号相邻采样点的差值大于阈值时检测为事件发生，阈值的确定为最小功率负荷电流的1/5。
[0037]
s3：检测到投切事件发生后，分离系统当前事件，并通过傅里叶变换提取负荷电流的1-9次奇次谐波幅值，构建特征印记，奇次谐波提取方式如下式所示：
[0038][0039]
式中，直流部分为a0，信号的偶部为ancos(nωk)，信号的奇部为bncos(nωk)
[0040]
s4：基于负荷特征库，训练模糊宽度学习系统，其结构如图3所示，模糊宽度学习系统通过伪逆计算网络权值，如下式所示：
[0041]
w＝(gω|em)
o[0042]
式中，w为网络权值矩阵，g为服从[0,1]均匀分布的模型参数矩阵，ω为模糊系统的激活加权权重矩阵em为增强层输出矩阵o为已知的输出类别矩阵，通过伪逆快速计算模型参数，利与模型更新。
[0043]
s5：对于待测样本提取谐波特征，如图3所示，然后基于负荷特征库进行检测，判断是否为特征库已知的负荷类别，检测方法为：
[0044]
(1)计算特征库与样本a距离最近的样本b之间的特征距离，记为待测距离；再计算特征库中与样本b距离最近的k
nn
个样本点的特征距离，取平均值作为类内距离，距离计算如下式所示：
[0045][0046]
(2)当待测距离小于类内距离为已知样本，否则为未知样本。
[0047]
s6：针对检测为已知类别的负荷样本，利用已训练的模糊宽度学习系统进行分类，如下式所示：
[0048]
y＝xw
[0049]
式中，y为系统输出，x为系统输入，即负荷分类结果，w为通过伪逆已求得的网络参数。