基于IPSO-FHMM的非侵入式负荷分解.pdf
《基于IPSO-FHMM的非侵入式负荷分解.pdf》由会员分享,可在线阅读,更多相关《基于IPSO-FHMM的非侵入式负荷分解.pdf(7页珍藏版)》请在咨信网上搜索。
1、基于 IPSO-FHMM 的非侵入式负荷分解李岢淳,李兵(重庆交通大学数学与统计学院,重庆400074)通信作者:李兵,E-mail:摘要:非侵入式负荷分解是智能用电系统的一个重要环节,可深入分析用户的用电信息,对负荷预测、需求侧管理及电网安全有重要意义.本文提出了一种基于改进粒子群优化因子隐马尔可夫模型(IPSO-FHMM)的非侵入式负荷分解方法.利用高斯混合模型(GMM)对单负荷进行状态聚类,总负载模型由因子隐马尔可夫模型表示.针对Baum-Welch 算法容易收敛于局部极值的问题,将线性递减权重的粒子群优化算法引入到FHMM的参数训练中.使用 AMPds2 数据集进行仿真实验,结果表明,
2、该模型可以有效地提高分解精度.关键词:非侵入式负荷分解;因子隐马尔科夫模型;鲍姆-韦尔奇算法;粒子群算法;高斯混合模型引用格式:李岢淳,李兵.基于 IPSO-FHMM 的非侵入式负荷分解.计算机系统应用,2023,32(8):214220.http:/www.c-s- Load Disaggregation Based on IPSO-FHMMLIKe-Chun,LIBing(SchoolofMathematicsandStatistics,ChongqingJiaotongUniversity,Chongqing400074,China)Abstract:Non-intrusiveloadd
3、ecompositionisanimportantpartoftheintelligentpowerconsumptionsystem,whichcandeeplyanalyzethepowerconsumptioninformationofusersandisofgreatsignificancetoloadforecasting,demandsidemanagement,andpowergridsecurity.Thisstudyproposesanon-intrusiveloaddecompositionmethodbasedontheimprovedparticleswarmoptim
4、izationfactorialhiddenMarkovmodel(IPSO-FHMM).Gaussianmixturemodel(GMM)isusedtoclusterthestatesofindividualloads.ThetotalloadmodelisrepresentedbyanFHMM.SincetheBaum-Welchalgorithmtendstoconvergetothelocalextremum,thePSOalgorithmwithlinearlydecreasingweightsisintroducedintotheparametertrainingofFHMM.S
5、imulationexperimentsusingtheAMPds2datasetshowthatthemodelcaneffectivelyimprovethedecompositionaccuracy.Key words:non-intrusiveloaddisaggregation;factorialhiddenMarkovmodel(FHMM);Baum-Welchalgorithm;particleswarmoptimization(PSO)algorithm;Gaussianmixturemodel(GMM)负荷监测是一种节能技术,可以给消费者和电网公司提供住宅内每个电器的详细用电
6、信息.该技术按照实现方式被分为侵入式和非侵入式.1992 年,Hart 以稳态有功功率和无功功率为特征,提出了最初的 NILM框架1,相对于侵入式负荷监测,NILM 采用家庭的总功率水平作为输入来估计每个设备对总能耗的贡献程度2,大大降低了对用户生活的影响以及装设成本.为提高能源利用效率和智能电网的发展3,响应科学、合理用电的需求,越来越多的研究者致力于提高NILM 的准确性和适用性,由此衍生出诸多模型与算计算机系统应用ISSN1003-3254,CODENCSAOBNE-mail:ComputerSystems&Applications,2023,32(8):214220doi:10.158
7、88/ki.csa.009202http:/www.c-s-中国科学院软件研究所版权所有.Tel:+86-10-62661041基金项目:国家自然科学基金(62273066);重庆市教委科技项目重大项目(KJZD-M202100701);重庆市高校创新研究群体项目(CXQT21021);重庆市研究生联合培养基地项目(JDLHPYJD2021016)收稿时间:2023-02-03;修改时间:2023-03-08,2023-03-20;采用时间:2023-03-30;csa 在线出版时间:2023-05-19CNKI 网络首发时间:2023-05-22214软件技术算法SoftwareTechni
8、queAlgorithm法.通过使用 NILM 技术,电力部门可以为用户提供详细的电力使用情况和个性化的节能建议,保证电网的合理运行.因此,NILM 是一种高效且经济的能源消耗技术框架,对电力用户、电网和整个社会都具有重要意义4,5.负荷分解算法可以分为数学优化方法6,7和机器学习方法8.前者尝试将观察到的功率测量值与(设备特征库中)设备功率信号的可能组合进行匹配,以减少匹配误差作为优化策略7,达到分解目的,但效果并不理想.后者则先处理电器的电气信息,然后通过机器学习算法从数据中学习设备的特征模式,从而实现对负荷的辨识与分解,本文的落脚点在于机器学习方法.根据学习过程是否使用标签信息,可以进一
9、步划分为监督学习813和无监督学习1417两种.通常,监督学习需要已知负载的标签数据,适用于负载类型较少的情况.如文献 8,9 采用支持向量机对负荷功率进行分解,但其训练时间较长,且对噪声敏感.文献 10 通过深度稀疏编码实现负荷分解,文献 11 通过基于簇的稀疏编码以提取多事件场景下所涉及的潜在单个事件,但它们无法被用于实时分解.文献 12 提出了利用域间知识转移的负荷分解方法.文献 13 将随机森林作为负荷分解的学习算法;无监督学习并不需要已知负载的标签数据,只需从数据中挖掘特征的相似性.隐马尔可夫模型(HMM)是一种常用的无监督学习方法,在时间序列数据的分析方面具有很大优势,被广泛应用于
10、电器的能耗序列模拟,其扩展形式,因子隐马尔可夫模型(FHMM)常被应用于 NILM 领域.文献 15 提出了一种基于分段整数二次约束规划的 FHMM 负荷分解模型.文献 16 提出加性因子隐马尔可夫模型,具有较高的分解精度.文献 17 利用迭代模糊 C 均值算法以自适应的方式确定 HMM 的隐状态数.文献 18 对处于启状态的设备建立 FHMM 进行负荷分解.上述文献从不同的角度对基于 FHMM 的负荷模型进行改进,但HMM 的模型训练通常采用的是 Baum-Welch 算法19.这种方法虽然经典且容易实现,但由于其初值选取的随机性,模型参数估计时容易受到局部最优的限制,影响分解结果的精确性.
11、为克服上述缺点,一些学者将粒子群优化算法20同 HMM 相结合,提升学习的效率.文献 21 将粒子群算法(PSO)引入 HMM 的参数训练过程,并用于识别和预测报警信息,文献 22 将自适应粒子群算法融入HMM 中,并用于识别地面装备的退化情况.本文提出一种基于改进粒子群算法优化 FHMM 的非侵入式负荷分解方法,通过线性递减策略动态控制惯性权重,提升 PSO 算法的全局搜索能力,并利用改进的 PSO 算法对因子隐马尔可夫模型的参数学习过程进行优化,使之跳出局部极值点,有效地提升了 FHMM 在负荷分解任务中的表现.1负荷分解模型的建立 1.1 单电力负载模型在不同的运行条件下,电力负载的电流
12、幅值、有功功率和无功功率等电气参数是不同的,但在相同的运行条件下总是表现出固有的特性.通常,电力负荷的运行过程可以看作是一系列的状态转移,这与隐马尔可夫模型是一致的23.根据负载稳态特征的不同,负荷类型可分为ON/OFF 型负荷、FSM 型负荷、CVD 型负荷.其中,ON/OFF 型负荷与 FSM 型负荷并无本质区别,都具有相对稳定的有限工作状态,以上负荷类型可以涵盖大多数家用电器的情况1.单个电器的 HMM 模型示例如图 1 所示.s1关机o10 Wo2200 Wot200 Wot+1300 WoT0 Ws2洗涤st洗涤st+1脱水sT关机图 1单个电器的 HMM 模型示例S=s1,s2,s
13、KQ=q1,q2,qt,qTqt SO=o1,o2,ot,oTqt=(,A,B)电力负载的工作状态通常采用有限状态集:来描述,其中,K 指设备工作状态的个数.离散时间序列表示负载的运行过程,其中,表示设备在时间 t 的状态,T 是运行时间的长度.负载状态的输出有功功率可以用 表示,其中,表示负载在 t 时刻的输出有功功率,或者是一个包含多维负载特性的向量.在该模型中,状态序列 S 是马尔可夫链,状态转移具有Markov 性质,不可观测.因此,单负载模型参数可以表示为.i=p(q1|si)1 i K代表负载处于初始状态的概率,即:,.A=aij,1 i,j KA 代表状态转移概率矩阵,即;202
14、3年第32卷第8期http:/www.c-s-计 算 机 系 统 应 用SoftwareTechniqueAlgorithm软件技术算法215aij=p(qt=sj|qt1=si).表示该负载从状态 i 到状态 j的转移概率.B=bk(ol),1 k M,1 l T bk(ol)=p(ot=nk|qt=si)sinkB 指的是观测概率矩阵,即;表示 t 时刻 状态的输出观测值为的概率.1.2 基于 FHMM 的总负荷模型i NQi=qi1,qi2,qit,qiTOi=oi1,oi2,oit,oiTOi=(,A,B)i=p(q11,q21,qN1)p(qt|qt1)=p(q1t,q2t,qNt|
15、q1t1,q2t1,qNt1)p(Ot|qt)=p(Ot|q1t,q2t,qNt)OtFHMM24可用于建立具有多电力负载的负荷分解模型并进行分析25.在这里,每个设备都可基于 HMM建立负荷模型:对于负荷,采用两个序列来对模型进行描述,其中表示设备运行状态,表示观测序列.较之单个 HMM,FHMM 中的无法被观测.电力入口处的总功率序列 O 则可以观测.总负荷模型如图 2 所示.总负荷模型的参数可定义为,其中,代表负载处于初始状态的概率,由所有电器的隐含状态在初始时刻的概率决定,即:.A 代表状态转移概率矩阵,其中.B 指的是观测概率矩阵,表示在某状态下对应总输出的概率,其中,指的是 t 时
16、刻的观测序列.负载 1q11q12o1o1o22o22q22o21q21qT1oT1qT2oToT2o11负载 2观测序列图 2总负荷的 FHMM 模型2模型求解 2.1 基于 GMM 的负荷状态聚类2Q=q1,q2,qt,qT1,2,T21,22,2T电器每个工作状态的功率可认为服从均值为、方差为的高斯分布26.利用 K-means 进行状态聚类受功率波动的影响较大27.故本文采用高斯混合聚类模型来确定负荷状态,并建立其状态集合,该状态集合服从均值为,方差为的混合高斯分布.GMM 聚类假设数据是由潜在概率分布的混合产生的,其中每个分量代表不同的类别,因此,可基于 GMM 聚类的方法确定各负荷
17、设备的状态集合.GMM 包括 M 个高斯分布模型的加权和:p(x)=Mm=1mp(x|m)=Mm=1mN(xm|m,m)(1)mp(x|m)mm其中,M 为模型个数,为第 m 个高斯分布的权重,为第 m 个高斯分布的概率密度函数,其均值为,观测向量的协方差矩阵为.mmm通常采用 EM 算法估计 GMM 的参数.先假定数据的类别,然后根据迭代估计出 GMM 的权值、均值、协方差,其步骤如下所示.(1)E 步:计算后验概率:(znm)=mN(xn|n,n)Mi=1iN(xn|i,i)(2)(znm)mmm(2)M步:根据E步计算的后验概率再计算、.(3)计算对数似然函数:L(p(x)=Mm=1lo
18、gMm=1mN(xn|m,m)(3)(4)重复迭代直到似然函数的值收敛.2.2 负荷模型的参数估计O=o1,o2,ot,oTQi=qi1,qi2,qit,qiTOi=oi1,oi2,oit,oiT基于 FHMM 的负荷分解可以描述为:在时段 T 内,对于包含 N 个负载的负荷对象,在已知模型参数和总负荷观测序列的条件下,求解每个负载的最优状态序列和对应的负荷序列,求解最优状态序列可视为解码问题,采用 Viterbi 算法28求解.0模型参数的估计方法可分为无监督和有监督两种.无监督方法直接利用总负荷功率数据训练模型,而非利用单个设备的功率数据.本文中单个设备的工作状态为隐变量,故采用无监督方法
19、对模型参数进行估计.Baum-Welch 算法作为一种典型方法常被用于解决这类问题,根据初始参数迭代估计出最优的参数.根据 HMM 的前/后向算法可知:t(i)=p(qt=si,O|)p(O|)=t(i)t(i)Tj=1t(i)t(j)(4)计 算 机 系 统 应 用http:/www.c-s-2023年第32卷第8期216软件技术算法SoftwareTechniqueAlgorithmt(i,j)=p(qt=si,qt+1=sj,O|)p(O|)=t(i)aijbjot+1t(j)Tj=1t(i)t(j)(5)t(i)sit(i,j)sisj其中,代表 t 时刻隐状态 的概率,代表 t 时刻
20、隐状态为,t+1 时刻隐状态为的概率.参数估计的过程如下.(0)=(0),A(0),B(0)(1)设定初始值:.(2)按以下公式进行迭代:n+1i=1(i)(6)an+1ij=T1t=1t(i,j)T1t=1t(i)(7)bn+1i(k)=T1t=1Iot=nkt(i)T1t=1t(i)(8)?logp(O|n+1)logp(O|n)?p(O|n)n设置迭代条件:,当收敛时,得到的就是模型的参数.由于 Baum-Welch 算法容易陷入局部最优,本文考虑将粒子群算法与 Baum-Welch 算法相结合,对上文中参数的训练过程进行优化.xi(t)vi(t)pbestgbestPSO 算法是 Ke
21、nnedy 等人20提出的一种进化优化算法.它通过对鸟类的社会行为进行模拟来寻找优化问题的全局最优值,并已应用于诸多科学领域2931.在 PSO 中,每个粒子就是一个解,代表着该粒子目前的位置,种群的解由一个群体组成.为寻到最优解,也即粒子的最佳位置,PSO 以迭代的方式不断更新群体中所有具有速度向量的粒子的位置,直到满足终止条件.假设粒子 i 的位置由一个 K 维向量表示,其对应的速度向量为.每次迭代时记录粒子的最佳位置,并进行信息共享,筛选整个群体当前的最好位置,然后根据以下规则来对速度和位置进行更新:vi(t)=vi(t1)+c1r1(pbestxi(t1)+c2r2(gbestxi(t
22、1)(9)xi(t)=xi(t1)+vi(t)(10)c1c2r1r2其中,是惯性权重,其作用是放缩上一时刻的速度,决定了对当前速度继承程度,是学习因子,是0,1 上满足均匀分布的随机数.用标准的粒子群算法求解优化问题时,如果开始时 的取值较大,则粒子的全局搜索能力会被加强,代价是局部搜索能力减弱,不易得到精确解;如果开始时的取值较小,则可以增强粒子的局部搜索能力,代价是全局搜索能力削弱,这样做有利于算法的收敛,但是也有收敛慢、容易陷入局部最优解的弊端.选取合适的惯性权重值对提高算法性能而言至关重要.针对这种情况,引入一种随着迭代次数增加而线性递减的惯性权重,在搜索过程中根据迭代次数的增加而对
23、惯性权重不断进行调整,即:=maxT(maxmin)Tm(11)maxminTm其中,是最大迭代次数时对应的惯性权重,指的是初始时刻的惯性权重,T 是当前的迭代次数,是最大迭代次数.依据如此规则更新惯性权重,使得粒子在初始阶段具有较强的搜索能力,在后期又能够得到相对精确的结果,进而使得算法性能提升.xiP(O|)f()=P(O|)P(O|)方便起见,将粒子 i 的位置坐标 表示为 FHMM的模型参数.适应度函数由产生观测序列 O 的概率函数来确定,即,由于通常较小,而且只代表模型输出概率值的相对大小,故本文将上述函数两边取对数后作为适应度函数.本文所提出的 IPSO-FHMM 算法的流程如算法
24、 1.算法 1.IPSO-FHMM01)初始化:依据训练规模,随机生成 N 组模型参数;012)依据 Baum-Welch 算法,基于初始参数训练 N 组参数;3)将这 N 组参数作为粒子,根据式(9)与式(10),通过比较每次更新后的适应度值的大小来调整粒子的位置和速度.4)根据式(11),调整惯性权重,以调整粒子的搜索能力.Tm5)确定最大训练次数,设定最小允许误差值.当训练次数达到上限时,状态估计值对应的参数就是全局最优参数.2.3 负荷状态的估计O=o1,o2,ot,oT在确定了 FHMM 的最优参数之后,可以通过Viterbi 算法求解概率最大路径.观测序列已知,则目标函数可等价为状
25、态序列和观测序列的联合概率最大化:t(q)=maxp(q1,q2,qT,o1,o2,oT|)(12)递推可知:2023年第32卷第8期http:/www.c-s-计 算 机 系 统 应 用SoftwareTechniqueAlgorithm软件技术算法217t+1(q)=maxt(p)apqbq(ot+1)(13)bq(ot+1)sqot+1qTQ=q1,q2,qT其中,是状态为条件下观测为的概率.根据迭代结束时得到的最优状态组合进行路径回溯,最终可得最佳状态序列.3实验结果与分析本文选用公开数据集 AMPds232进行非侵入式负荷分解,这是一个低频数据集,采样周期为 1min,监测持续时间为
- 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 IPSO FHMM 侵入 负荷 分解
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。