基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法.pdf
《基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法.pdf》由会员分享,可在线阅读,更多相关《基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、为提升负荷监测中事件检测与负荷识别的准确性与适应性,提出一种基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法。基于低频数据,根据电器正常运行造成的功率波动与事件启停造成的功率跳变之间的特性差异,提出一种事件检测算法,该算法通过滑动窗内功率波动的差量特征排除波动干扰,实现事件准确定位并获取相关功率数据;建立一种双长短期记忆网络,对不同电器构建专一电器判别单元并进行训练;建立由各判别单元组成的事件识别网络,根据各判别单元输出的概率对事件进行综合判别,实现非侵入式负荷监测。基于测试数据集的仿真结果验证了所提方法的有效性与准确性。关键词:事件检测;非侵入式负荷监测;长短期记忆网络;负荷识别
2、;低频特征中图分类号:TM73 文献标志码:ADOI:10.16081/j.epae.2022120110 引言在“双碳”目标下,数字经济正在推动能源消费结构转型,通过数字化、高度信息化的手段助力能源高效利用,是实现绿色低碳发展的有效途径之一。电力公司也在推出数字化产品以助力低碳发展,产品通过采集能耗数据、精准的监测定位、按需用电等提升能耗管理的效率。在该背景下,负荷监测通过获取电器的详细运行状态数据可以更高效地实现能耗数据的精准监测。相较于侵入式负荷监测,非侵入式负荷监测1(non-intrusive load monitoring,NILM)仅需用户的总线用电数据,而无需对各电器加装传感器
3、,既保护了用户隐私,又降低了成本且更容易推广。目前,NILM 通常采用高频特征27以及低频特征812这2种输入特征进行监测。高频特征指在数千赫兹甚至更高的采样频率下用于负荷监测的特征数据;低频特征指在数秒、数分钟甚至更长的采样间隔下用于负荷监测的特征数据。在利用高频特征方面:文献 3 基于事件检测提取U-I轨迹曲线,利用卷积神经网络对U-I轨迹曲线进行辨识;文献 4 利用事件检测算法对原始波形进行预处理,提取瞬时 V-I 波形,并利用人工神经网络、支持向量机等算法实现NILM;文献 5 提出基于滑动窗的事件探测算法,利用事件检测提取负荷特征并建立特征库,利用反向传播(back propagat
4、ion,BP)神经网络对提取的负荷特征进行识别;文献 6基于功率变化事件得到功率暂态波形,结合动态时间规整算法与动态聚类算法进行辨识,并通过关联分析确定电器的暂态特征;文献 7 基于事件投切算法提取负荷的多种高频特征并建立负荷特征数据库,结合改进最近邻法与支持向量机算法进行负荷辨识。在利用低频特征方面:文献 8 将电器状态、时间、功率信息作为特征,构建深度神经网络,实现负荷分解;文献 9 采用主成分分析法提取负荷特征进行预分类,并利用Fisher算法对负荷进行投影判别,实现负荷辨识;文献 10 考虑用户的时间特性,改进隐马尔可夫模型,并利用维特比算法进行负荷分解;文献 11 采用长短期记忆(l
5、ong short-term memory,LSTM)网络对负荷总功率直接进行能量分解;文献12 在对电器功率特征进行聚类后将其分成不同的集群,对各集群分别采用隐马尔可夫模型进行求解监测。上述关于NILM的研究存在以下问题。1)采用高频特征实现NILM的研究大多采用事件机制,对事件发生时刻的暂态特征进行提取、分析,或基于事件机制提取事件前后负荷在稳态运行时的差异特征,再根据各类特征利用不同算法进行负荷辨识。高频特征蕴含的负荷信息量大,基于高频特征的负荷识别精度高,但采样频率与识别精度呈正相关的关系13且对高频特征的处理较复杂14,这使得高频特征在实际工程应用中存在局限性。2)低频特征蕴含的负荷
6、信息量小,相较于高频收稿日期:20220615;修回日期:20220930在线出版日期:20221213基金项目:国家自然科学基金资助项目(51907097);国家重点研发计划项目(2021YFB4000500);四川省科技计划项目(2020JDRC0049)Project supported by the National Natural Science Foundation of China(51907097),the National Key Research and Development Program of China(2021YFB4000500)and the Science&
7、amp;Technology Program of Sichuan Province(2020JDRC0049)电 力 自 动 化 设 备第 43 卷特征,基于低频特征的负荷识别精度较低,目前国内外智能电表大多只支持低频数据的采集,现有研究认为利用低频数据进行NILM,是低成本、特征处理简单的高性价比方式15。但低频数据大多直接用于负荷分解,难以准确定位电器的启停事件点,并且当网络中新增电器时,整个负荷分解网络需要重新进行训练。此外,不同电器的使用频率不同,这会导致训练样本不平衡,从而使得网络难以得到充分训练。综上,本文提出一种基于低频功率差量特征事件检测的 NILM 方法。首先,通过分析用电
8、功率波动与事件启停间的差异,提出一种基于低频功率数据的事件检测算法;然后,利用双LSTM网络,建立各电器的专一判别单元,并建立基于专一判别单元的负荷综合识别网络,实现负荷监测;最后,通过算例验证本文事件检测算法与负荷识别网络的有效性与正确性。1 事件检测事件检测算法通过对用户功率的跳变情况进行监测与识别可以获取电器启停的关键点,从而为后续的电器识别奠定基础。文献 16 提出一种NILM曲线拟合方法,可对事件准确定位到总功率的暂态区段与稳态区段,但难以排除功率波动。文献 5 设计基于滑动窗的事件探测算法,能对事件投切位置进行定位且能避免系统噪声和小功率波动的干扰,但在大功率电器的波动与事件准确定
9、位之间存在矛盾。部分电器在正常运行时造成的功率波动为数十或数百瓦,小功率电器在启停时造成的功率跳变为数十瓦,在基于低频特征的事件检测中难以区分用户功率变化是电器正常运行造成的功率波动,还是电器启停造成的功率跳变,为此,本文提出如附录A图A1所示的事件检测算法。该算法利用电器正常运行造成的功率波动本身存在连续性且功率上下波动之间存在相似性的特性,通过设置判断条件对该功率波动进行排除。此外,事件启停过程的暂态区段短暂,低频数据无法体现事件的暂态特征,一旦小功率电器发生启停事件,经过功率跳变后的功率曲线往往趋于稳定而不会产生较大的功率波动,这与大的功率波动的特点存在差异性,利用该差异性可对大的功率波
10、动与小功率电器启停造成的功率跳变进行区分。以开启事件的检测过程为例,算法流程中的滑动窗设置如图1所示。以Pm为中心点,将其与前、后各4个点共同构成滑动窗,其中,Pm与Pm+1用于监测是否发生功率突增,Pm周围的8个点用于判断功率突增是否为电器正常运行造成的。若滑动窗未监测到电器开启事件,则向后移动 1 格并继续监测,否则记录事件并向后移动 5 格跳过该段,避免重复判断。对功率突增的判断公式如式(1)和式(2)所示。u=Pm+1-Pm(1)u1(2)式中:u为功率突增量;1为第一阈值,其值较小,通常为数十瓦,本文取为40 W,用于触发后续检测判断机制。当用户用电功率突增满足式(1)和式(2)时,
11、该功率突增可能是电器开启造成的,也可能是电器正常运行造成的,需要进行进一步判断。首先,利用功率波动的相似性,判断功率突增前是否存在相似大小的功率突降,从而判断该功率突增是否为已开启电器发生功率暂降后的回升,判断条件如式(3)所示。|Pm-3+i-Pm-4+i-u|1u i=0,1,2,3(3)式中:1为相似系数,本文取为0.3。若不满足式(3)所示的条件,则表明所监测到的功率突增前没有类似大小的功率下降,该功率突增并非已开启电器发生功率暂降后的回升,可进行进一步判断,如式(4)所示。u2(4)式中:2为第二阈值,其值较大,通常为数百至数千瓦,本文取为500 W。若功率突增满足式(4)所示的条件
12、,则表明该功率突增较大,可以判断该功率突增是大功率电器开启所造成的,否则表明该功率突增较小,还需通过Pm之后的点进行进一步判断,如式(5)所示。Pm+2+i-Pm+1+i2u i=0,1,2(5)式中:2为相似系数,本文取为-0.4。若满足式(5)所示的条件,则表明功率在突增后维持稳定,没有出现明显下降,可以判断该功率突增是小功率电器开启所造成的,否则判断该功率突增是已开启的大功率电器正常运行造成的。最后,Pm所在位置即为事件发生点,将P=Pm-9,Pm-8,Pm+9作为原始功率序列。图1事件滑动窗工作过程Fig.1Working process of event sliding window
13、第 8 期周步祥,等:基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法2 数据处理数据处理可以将事件检测获取的原始功率序列进行预处理,排除电器短时间内频繁开启对事件识别造成的干扰,从而提高识别的准确度。首先,对事件发生前的大范围功率波动进行处理,排除事件发生前其他电器启停造成的影响,处理方法如式(6)所示。Pm-i-1=Pm-1|Pm-i-1-Pm-1|1Pm-1;i=0,1,8(6)式中:1为相似系数。式(6)通过限制大于特定值的功率波动点,在保留目标电器小范围功率波动特征的同时,排除其他电器启停造成的影响。然后,对事件发生后的大范围功率波动进行处理,处理方法如式(7)所示。Pm
14、+1+i=Pm+iPm-Pm+1+i2()Pm-Pm-1或 Pm+1+i-Pm+i 3()Pm-Pm-1 i=0,1,8(7)式中:2、3为波动与功率突增值之间的相似系数。可以看出,相较于事件发生前的功率序列处理方法,事件发生后的功率序列处理方法对功率的向上波动给予了更高的阈值,以避开开启事件造成的功率上升。最后,将处理后的功率序列减去该序列中的最小值即可得到用于网络识别的功率序列P。3 识别网络利用事件检测算法在事件定位后获取不同用电设备在事件发生前后的时间功率序列,其中包含了电器启停时及启停前后的多种特征。LSTM网络作为循环神经网络的一种改进网络,具有很强的特征提取能力,且特别适用于处理
15、时间序列数据17,因此,本文基于LSTM网络构建事件识别网络,用于启停事件的识别。3.1网络结构针对神经网络在处理多分类问题时存在的扩展能力不足、训练收敛速度较慢、对未知电器难以分类等问题,本文构建基于专一电器判别单元的事件识别网络。该网络将识别任务下发至各专一电器判别单元,再根据各单元输出的概率结果对电器启停类型进行综合判别,最终得到分类结果。3.1.1专一电器判别单元专一电器判别单元作为事件识别网络的子网络,经过训练后可用于判断输入的启停事件功率序列属于某一特定类别电器的概率。专一电器判别单元网络框架如图2所示。图中:t表示当前单元,t-1表示前一个单元;Xt为当前单元t的输入;ht为当前
16、单元t的输出;ht-1为前一个单元t-1的输出;Ct为当前单元t的状态;Ct-1为前一个单元t-1的状态。专一电器判别单元网络的输入为经过数据处理后的启停事件功率序列,输出为某一特定电器类别以及功率序列属于该类别电器的概率。网络包括输入层、LSTM网络层、Dropout层、全连接层、激活函数层和分类层。输入层用于接收经过处理后的事件检测功率序列并将其传递给下一层;LSTM网络层由与功率序列长度相同的若干个计算单元构成,以当前单元为例,当前单元的输入为输入层传递的Xt、前一个单元输出的功率特征ht-1和单元状态Ct-1,输出为功率特征ht和单元状态Ct,其他单元以此类推;Dropout层临时删除
17、部分LSTM网络单元,以防止模型过拟合;全连接层将 LSTM 网络层提取的功率特征通过加权求和的方式进行映射,并输出2个范围在(-,+)之间的实数,用于判别功率序列是否属于某一特定类别的电器;激活函数层在全连接层的基础上将2个实数映射到(0,1)范围内,分别表示功率序列属于、不属于某一特定类别电器的概率;分类层通过对激活函数层的输出值进行判断,输出分类结图2专一电器判别单元网络框架Fig.2Framework of specific appliancediscrimination unit network电 力 自 动 化 设 备第 43 卷果与从属概率。3.1.2事件识别网络事件识别网络在单
18、个判别单元的基础上对启停功率序列所属的电器类别进行综合判别,负荷识别网络框架如图 3 所示。图中:N 为电器设备总数;Yi()PVi(i=1,2,N)为输入功率序列 P 属于电器i的概率,Vi 表示电器i,P Vi 表示输入功率序列P属于电器i;Wi(i=1,2,N)为专一电器i判别单元的可信度,其值等于对该单元进行测试时单元的判别正确率,可信度高的单元在网络输出的综合判别中具有更重要的位置。在事件识别网络中,将启停功率序列P同时输入各电器判别单元中,由每个判别单元判别该功率序列属于本类电器的概率,再由概率判别器对启停功率序列所属的电器类型进行综合判别,概率判别器的工作原理如式(8)所示。S=
19、0 maxW1Y1,W2Y2,WNYNiWiYi且WiYi=maxW1Y1,W2Y2,WNYN(8)式中:S为概率判别器的输出;为概率阈值,本文取为0.5。式(8)表示:当各专一电器判别单元输出的概率均小于时,可认为网络输入的启停功率序列不属于任何一类已知的电器;否则,将所有判别单元中最大概率所属的电器类别作为网络输出的电器类别。值得注意的是,各家庭的电器类别和数量不同,且同类电器之间也存在差异性,判别功率序列是否属于已有类别的电器有利于识别网络的扩展。可将被判定为未知电器功率序列的数据进行保存,在未来数据量充足时将其用于训练新的判别单元,即当监测对象具有新增电器时,可以利用监测到的新增电器功
20、率序列训练新的电器判别单元,并将其加入网络中,以实现识别网络的扩展,整个事件识别网络无需重新进行训练。3.2网络训练训练样本数据来自事件检测后经过数据处理的功率序列P,其中每个单一判别网络的训练样本数据均由50%的特定类别电器数据与50%的其他类别电器数据随机构成。训练标签为1或0。验证集样本由各电器样本等比例构成。在训练中,各参数设置情况如下:LSTM1隐含层层数为128;LSTM2隐含层层数为100;每层LSTM的Dropout比率为0.2;全连接层输出参数为2;求解器为 Adam;学习率为 0.001;最大轮数为 300;梯度阈值为1。4 算例分析本文采用目前广泛使用的公开数据集 英国家
21、用电器级电力记录(UK recording domestic appliance-level electricity,UK-DALE)18、参考能量分 解 数 据 集(reference energy disaggregation data set,REDD)19中的低频数据进行训练和测试,其中数据集UK-DALE的采样间隔为6 s,数据集REDD的采样间隔为 1 s,需对数据集 REDD 进行降采样处理,使得数据采样间隔均为6 s。本文算例选取多种家庭常用电器进行监测,如冰箱、灯、电饭煲、水壶、微波炉、空调等。4.1事件检测各种电器正常运行时的功率从数十瓦到数千瓦不等,大功率电器的正常功率波
22、动也有数百瓦,在事件检测判断中,小功率电器启停造成的功率跳变与大功率电器正常运行造成的功率波动容易混淆,影响后续的负荷识别。同时,事件发生点的定位准确与否直接关系到负荷特征的提取,从而也影响后续的负荷识别。选取文献 16 算法作为对比算法 1 以及文献5 算法作为对比算法2,将这2种事件检测算法与本文的事件检测算法进行对比,结果如图 4 所示。图 4(a)为某天 24 h 的负荷总功率波形,图 4(b)(d)、(f)功率波形对应图 4(a)中的区段 1,图 4(e)、(g)功率波形对应图4(a)中的区段2。算法1基于滑动窗内功率曲线的斜率值进行拟合,得到曲线斜率拟合值Si,通过设置功率阈值得到
23、拟合值阈值Sth,在事件发生时刻,斜率会陡升降,因此,当曲线斜率拟合值Si大于阈值Sth时,认定有事件发生。该算法能较准确地定位事件的发生时刻,并排除电器正常运行造成的较为平缓的功率波动,但难以排除电器正常运行造成的较大的功率波动,如图4(b)所示,当存在电器正常运行造成的较大的功率波动时,由于该功率波动与小功率电器启停造成的功率跳变非常相似,直接通过由功率阈值得到的拟合值阈值Sth难以对其进行区分,部分电器正常运行造成的功率波动与实际事件均会被判断为有事件发生,导致误判。可以通过增大阈值Sth排除电器正常运行造成的较大的功率波动,如图4(c)所示,小图3负荷识别网络框架Fig.3Framew
24、ork of load identification network第 8 期周步祥,等:基于低频功率差量特征与双长短期记忆网络的非侵入式负荷监测方法功率电器启停事件斜率拟合值Si不会触发阈值Sth,部分小功率电器启停造成的功率跳变会被当作电器正常运行造成的功率波动而被排除,导致漏判。在算法2下,事件发生时刻功率的陡升降会使得滑动窗内的方差Svar陡增,而滑动窗内均值Smean却不会陡增,利用这一特点设置判定条件Svar Smean(0,1 为阈值控制系数)来判断滑动窗内发生了功率跳变,再利用滑动窗前段功率均值与后段功率均值之差来判断该跳变是由事件发生导致的,该算法在排除电器正常运行造成的功率
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 低频 功率 特征 长短 记忆 网络 侵入 负荷 监测 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。