非侵入式负荷分解方法及系统技术方案

本发明专利技术提供了一种非侵入式负荷分解方法及系统，涉及电力系统自动化分析技术领域。本发明专利技术的技术方案首先通过获取半监督字典学习模型的训练集，然后构建半监督字典学习模型，再基于上述获取的训练集训练半监督字典学习模型，最后基于训练后的半监督字典学习模型实现用电设备的负荷分解。本发明专利技术的技术方案利用较少的有标记电表数据和大量未标记的电表数据实现非侵入式负荷分解，有效避免了侵入式负荷分解方法需要高硬件成本和数据量大的问题，同时降低了数据采集、数据存储和数据处理的难度，并且有效提高了非侵入式负荷分解的准确率。率。率。

【技术实现步骤摘要】
非侵入式负荷分解方法及系统


[0001]本专利技术涉及电力系统自动化分析
，具体涉及一种非侵入 式负荷分解方法及系统。

技术介绍

[0002]近年来，随着智能电网的不断发展，电力公司和电力用户之间的 信息交互愈加频繁，通过对电力数据的分析和挖掘，电力公司可以更 好地为电力用户提供优质的服务，同时电力用户也可以更好地参与需 求侧管理。负荷分解技术是实现对电力用户电器层级电力能耗数据分 析的重要方法，其分为侵入式和非侵入式负荷分解两种，而相比于侵 入式负荷分解，非侵入式负荷分解由于可以有效降低电力公司和电力 用户的安装和维护成本，且安全可靠，在工程实用性方面具有明显优 势。
[0003]现有的非侵入式负荷分解技术多采用整数规划、状态估计和基于 监督学习的机器学习等方法。基于状态估计的非侵入性负荷分解方法 通常采用隐形马尔科夫模型构建模拟用电设备实际运行的数学模型， 通过对各数学模型进行参数估计和最优状态估计以实现非侵入式的能 量分解；基于监督学习的非侵入性负荷分解技术，即使用模式识别的 方法进行负荷分解，实际上就是通过学习各用电设备的负荷特征模式， 达到识别负荷的目标。
[0004]但状态估计类的负荷分解方法需要求解状态模型参数，需要大量 的训练数据集才能获得良好的分析效果；而基于监督学习方法所构建 的负荷分解模型分解精度与有标签数据的数据量相关，而获取大量有 标记的数据需要花费大量的人力物力；基于整数规划的非侵入式负荷 分解方法，处理负荷识别问题时求解效率低，对于涉及多种电器设备 同时运行的情况，缺少有效的高精度分解方法。综上，现有的非侵入 式负荷分解方法存在数据采集耗时费力但负荷分解精度不高的问题。

技术实现思路

[0005](一)解决的技术问题
[0006]针对现有技术的不足，本专利技术提供了一种非侵入式负荷分解方法 及系统，解决了现有的非侵入式负荷分解方法存在数据采集耗时费力 但负荷分解精度不高的问题。
[0007](二)技术方案
[0008]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0009]第一方面，本专利技术提供了一种非侵入式负荷分解方法，所述方法 包括：
[0010]获取功率数据，基于所述功率数据获取半监督字典学习模型的训 练集；
[0011]构建半监督字典学习模型；
[0012]基于所述训练集训练所述半监督字典学习模型；
[0013]基于训练后的所述半监督字典学习模型进行负荷分解。
[0014]优选的，获取半监督字典学习模型的训练集，具体包括：
[0015]采集电力用户T时段的功率数据，获取长度为T的功率信号P(t)；
[0016]将功率信号P(t)分成T/k个长度为k的子序列，其中l个子序列共 同构成有标签数据集D
L
，其余u个子序列共同构成无标签数据集D
U
； 其中，T/k＝u+l，l≤u，T，k，u，l均为正整数；
[0017]由所述有标签数据集D
L
和所述无标签数据集D
U
共同构成所述模 型训练集。
[0018]优选的，所述半监督字典学习模型的目标函数为：
[0019][0020]其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
[0021]X
L
表示有标签数据集D
L
中的序列集合；
[0022]X
U
表示无标签数据集D
U
中的序列集合；
[0023]T表示电力用户用电的时间段；
[0024]D＝[D1,D2,...,D
C
]为对应不同电器功率曲线构建的字典；
[0025]Z＝[Z1,Z2,...,Z
C
]为不同电器功率曲线的稀疏编码；
[0026]为有标签数据的重构误差项；
[0027]为无标签数据的重构误差项；
[0028]α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为 (0,1)；
[0029]f(E)为有监督学习过程中的局部约束函数；
[0030]为用于增强字典判别行的标签约束项；
[0031]表示预测结果标签矩阵；
[0032]Y表示有标签序列的真实标签矩阵；
[0033]U表示对角矩阵；
[0034]s.t||d
i
||2＝1为约束项。
[0035]优选的，有监督学习过程中的所述局部约束函数f(E)用公式表示 为：
[0036]f(E)＝tr(S
ω
(E))-tr(S
B
(E))+β1||E
⊙
W||；
[0037][0038][0039][0040]其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；
[0041]T为电力用户用电的时间段；
[0042]S
ω
(E)为类内散度矩阵；
[0043]S
B
(E)为类间散度矩阵；
[0044]tr(S
ω
(E))表示类内散度矩阵的迹；
[0045]tr(S
B
(E))表示类间散度矩阵的迹；
[0046]β1为平衡参数，β1取值范围为(0,1)；
[0047]E
i
＝[e
ij
]为样本原子误差矩阵；
[0048]E＝[E
i
]为局部自适应矩阵；
[0049]W为重构系数矩阵，W＝[w1,w2,...,w
n
]，其中w
i
表示样本的重构稀疏 向量；
[0050]e
ij
为样本与第i个字典中第j个原子之间的距离；
[0051]d
ij
表示字典D
i
的第j个原子；
[0052]σ为控制参数；
[0053]q
i
为E
i
的均值矩阵；
[0054]q为E的均值矩阵；
[0055]k
i
表示原子的个数。
[0056]优选的，基于训练后的所述半监督字典学习模型进行负荷分解， 具体包括：
[0057]求解所述半监督字典学习模型的目标函数；
[0058]求解稀疏恢复问题，确定待分解用电设备的负荷系数；
[0059]基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功 耗。
[0060]优选的，所述求解稀疏恢复问题，确定待分解用电设备的负荷系 数，包括运用以下公式：
[0061]r
i
＝||x-D
i
Z
i
||；
[0062]其中，r
i
表示残差；
[0063]x表示待分解的功率数据对应本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非侵入式负荷分解方法，其特征在于，所述方法包括：获取功率数据，基于所述功率数据获取半监督字典学习模型的训练集；构建半监督字典学习模型；基于所述训练集训练所述半监督字典学习模型；基于训练后的所述半监督字典学习模型进行负荷分解。2.如权利要求1所述的方法，其特征在于，获取功率数据，基于所述功率数据获取半监督字典学习模型的训练集，具体包括：采集电力用户T时段的功率数据，获取长度为T的功率信号P(t)；将功率信号P(t)分成T/k个长度为k的子序列，其中l个子序列共同构成有标签数据集D
L
，其余u个子序列共同构成无标签数据集D
U
；其中，T/k＝u+l，l≤u，T，k，u，l均为正整数；由所述有标签数据集D
L
和所述无标签数据集D
U
共同构成所述模型训练集。3.如权利要求2所述的方法，其特征在于，所述半监督字典学习模型的目标函数为：3.如权利要求2所述的方法，其特征在于，所述半监督字典学习模型的目标函数为：其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；X
L
表示有标签数据集D
L
中的序列集合；X
U
表示无标签数据集D
U
中的序列集合；T表示电力用户用电的时间段；D＝[D1,D2,...,D
C
]为对应不同电器功率曲线构建的字典；Z＝[Z1,Z2,...,Z
C
]为不同电器功率曲线的稀疏编码；为有标签数据的重构误差项；为无标签数据的重构误差项；α1和γ1为所述目标函数的平衡参数，α1和γ1取值范围均为(0,1)；f(E)为有监督学习过程中的局部约束函数；为用于增强字典判别行的标签约束项；表示预测结果标签矩阵；Y表示有标签序列的真实标签矩阵；U表示对角矩阵；为约束项。4.如权利要求3所述的方法，其特征在于，有监督学习过程中的所述局部约束函数f(E)用公式表示为：f(E)＝tr(S
ω
(E))-tr(S
B
(E))+β1||E
⊙
W||；
其中，i表示第i个电器，i＝{1,2,3,...,C}，C表示电器总个数；T为电力用户用电的时间段；S
ω
(E)为类内散度矩阵；S
B
(E)为类间散度矩阵；tr(S
ω
(E))表示类内散度矩阵的迹；tr(S
B
(E))表示类间散度矩阵的迹；β1为平衡参数，β1取值范围为(0,1)；E
i
＝[e
ij
]为样本原子误差矩阵；E＝[E
i
]为局部自适应矩阵；W为重构系数矩阵，W＝[w1,w2,...,w
n
]，其中w
i
表示样本的重构稀疏向量；e
ij
为样本与第i个字典中第j个原子之间的距离；d
ij
表示字典D
i
的第j个原子；σ为控制参数；q
i
为E
i
的均值矩阵；q为E的均值矩阵；k
i
表示原子的个数。5.如权利要求2所述的方法，其特征在于，基于训练后的所述半监督字典学习模型进行负荷分解，具体包括：求解所述半监督字典学习模型的目标函数；求解稀疏恢复问题，确定待分解用电设备的负荷系数；基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗。6.如权利要求5所述的方法，其特征在于，所述求解稀疏恢复问题，确定待分解用电设备的负荷系数，包括运用以下公式：r
i
＝||x-D
i
Z
i
||；其中，r
i
表示残差；x表示待分解的功率数据对应的序列；D
i
为根据第i个电器的功率曲线构建的字典；Z
i
为第i个电器功率曲线的稀疏编码。7.如权利要求5所述的方法，其特征在于，基于所述负荷系数进行负荷分解，得到所述待分解用电设备的功耗...

【专利技术属性】
技术研发人员：周开乐，李鹏涛，焦建玲，杨善林，丁涛，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：