一种在线家庭负荷用电组合识别与耗电预测的方法技术

本发明专利技术公开一种在线家庭负荷用电组合识别与耗电预测的方法，利用时

【技术实现步骤摘要】
一种在线家庭负荷用电组合识别与耗电预测的方法


[0001]本专利技术属于家庭用电
，特别是涉及一种在线家庭负荷用电组合识别与耗电预测的方法。

技术介绍

[0002]现有的针对家庭负荷用电组合识别与耗电预测的方法主要存在的技术问题是：实际家用负荷种类繁多，工作状态复杂多样，现有的负荷采集技术进行在线数据采集误差大，并且数据在降维过程中易造成原始信号特征量的丢失；使用数学优化的方法，需要预先确定聚类数目，对先验证知识的依赖性大，计算量大；传统的人工神经网络算法识别准确率较高，但其可扩展性弱，切收敛性差，易陷入局部最优；在负荷特征提取的过程中仅仅采集单一的特征信息，不能实时捕获到家用负荷组合的开、关等瞬时过程的变化；用电量预测方法大多是在单一时间尺度上进行分析，该方法只适用于模拟短期依赖，而对于长期的趋势性与周期性缺乏对应的解决方法。

技术实现思路

[0003]为了解决上述问题，本专利技术提出了一种在线家庭负荷用电组合识别与耗电预测的方法，实现家庭负荷用电组合在线的精准识别，对用电负荷的耗电量进行实时监测并预测未来用户的耗电量情况和用电行为趋势；能广泛的应用于家庭用电负荷组合在线场景的精准组合预测。
[0004]为达到上述目的，本专利技术采用的技术方案是：一种在线家庭负荷用电组合识别与耗电预测的方法，包括步骤：
[0005]S10,通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率和总电流的监测数据的时域信号；
[0006]S20,利用傅里叶变换和拉普拉多变换，对负荷特征波形的时域信号进行动态时频转换，获得采用负荷特征时域信号的频谱图像，根据所有数据的频谱图像获取总负荷数据；
[0007]S30.对所述总负荷数据，通过提取基于时间周期的各用电负荷的特征向量，结合基于负荷设备的时空卷积神经模型和用电负荷知识库，并利用强化学习蒙特卡洛树搜索组合预测算法对在线负荷设备进行组合识别；
[0008]S40,针对用电负荷的在线耗电预测，通过构建多阶段数据和行为特征融合表征的时序预测模型，实现家庭耗电量的短、中周期准确预测；
[0009]S50,针对家庭用电负荷的持续性和周期性特点，结合强化学习蒙特卡洛树搜索组合预测算法和多阶段用户负荷数据和行为特征融合表征的时序预测模型构建家庭负荷用电终身学习与预测模型，实现家庭负荷用电终身学习与预测模式。
[0010]进一步的是，通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率或是总电流的监测数据的时域信号，所采用的方法是：将某个独立负荷从关闭状态变为开启状态、从开启到关闭或是同一负荷工作档位的切换操作都定义为电器事件，当电路中
有电器事件发生时，根据设定采样频率对电流与电压采样进行事件检测，并记录所设定的采样时长下的电压、电流时域波形。采样时长优选为2s。
[0011]进一步的是，基于时序特征的用电负荷总功率和总电流的监测数据的时域信号，表示为：
[0012]F(X，t)＝F1(X1，t)+F2(X2，t)+F3(X3，t)+
…
Fn(Xn，t)，n∈(1，2，3
…
)；
[0013]其中，F1，F2，F3，
…
，Fn表示负荷设备，X1，X2，X3，
…
，Xn表示负荷设备的工作状态，所述工作状态包括稳态和暂态。
[0014]进一步的是，为了去除噪声并保证得到的激活信号是一个大小为Ts的完整周期，本专利技术提出了一种信号预处理方法，这是一种基于工程知识的经验方法，即激活电流应至少有两次过零。对所采集的时域信号进行预处理，包括步骤：
[0015]采样电压在电压过零点并上升的位置开始测量电流的波形，该点的电压满足以下条件：
[0016]u(j
‑
1)＜u(j)＜u(j+1)
[0017]|u(j)|＜|u(j
‑
1)|
[0018]|u(j
‑
1)|＜|u(j+1)|；；
[0019]其中：u(j)为第j采样点的电压信号。
[0020]采集到的混合电流信号由N类用电设备电流信号的线性叠加组合；
[0021]负荷组合总电流的表示为：
[0022][0023]其中：f
i，j
表示负荷i、特征值j的数据值；θ
j
(t)为有K个负荷同时在t时刻工作的特征值j的数值之和,f
i，j
为在(t+Δt)时刻工作的负荷l、特征值j的数值，如果该值满足上式，则f
i，j
就满足特征值的可加性准则；
[0024]负荷组合总功率的表示为：
[0025][0026]其中，P
L
(t)∈R表示t时刻的负荷有功总功率；P
i，m
(t)∈R表示负荷i在t时刻处于状态m时的有功功率；S
i，m
(t)是布尔型变量，表示负荷i的工作状态，S
i，m
(t)＝1表示负荷i在时刻t处于状态m；m＝1表示停机状态；N表示负荷总数；M(i)，表示负荷i的工作状态总数，M(I)∈{2，3，4，
…
}；e(t)表示噪声或误差。
[0027]进一步的是，在步骤S30中，所述用电负荷知识库，存储家庭用电负荷单电器设备稳态工作时各时间段的电流和功率的时域波形和频谱图，作为在线负荷组合识别的参考数据。
[0028]进一步的是，在步骤S30中，构建强化学习蒙特卡洛树搜索组合预测模型，实现家用电器负荷组合识别，包括步骤：利用强化学习蒙特卡洛树搜索作为决策算法，通过迭代，每次迭代操作都包括选择、扩展、模拟和结果回传四个部分；
[0029]所述选择，是从根结点开始，根据树的遍历操作函数，搜索到叶子结点；
[0030]所述扩展，对叶子结点扩展一个或多个合法的子节点；
[0031]所述模拟，对子结点采用随机的方式模拟若干次实验，模拟到最终状态时即可得到当前模拟器所得的分；
[0032]所述结果回传，根据子结点若干次模拟的得分，更新当前子结点的模拟次数与得分值，同时将模拟次数与得分值回传到其所有祖先结点并更新祖先结点。
[0033]进一步的是，所述树的遍历操作函数为：
[0034][0035]其中，表示S
i
转态的平均值，N树的总结点个数为，n
i
为任意结点。
[0036]进一步的是，在步骤S30中，把用总负荷数据输入强化学习蒙特卡洛树搜索组合预测模型；
[0037]设置迭代次数i，进行迭代：判断该输入状态集合的当前状态，利用选择的遍历操作函数进行动作的选择，确定下一步动作A_i；进入下一个状态的判断，如果该状态是单一负荷则进行仿真操作，如果不是则再判断该输入状态集合的当前状态，直到为单一负荷状态未知，并进行反向传播，更新路径上每个结点，形成树搜索，利用树搜索来决定初始状态该选取哪个动作，并得到下一个状态。该模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，包括步骤：S10，通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率和总电流的监测数据的时域信号；S20，利用傅里叶变换和拉普拉多变换，对负荷特征波形的时域信号进行动态时频转换，获得采用负荷特征时域信号的频谱图像，根据所有数据的频谱图像获取总负荷数据；S30.对所述总负荷数据，通过提取基于时间周期的各用电负荷的特征向量，结合基于负荷设备的时空卷积神经模型和用电负荷知识库，并利用强化学习蒙特卡洛树搜索组合预测算法对在线负荷设备进行组合识别；S40，针对用电负荷的在线耗电预测，通过构建多阶段数据和行为特征融合表征的时序预测模型，实现家庭耗电量的短、中周期准确预测；S50，针对家庭用电负荷的持续性和周期性特点，结合强化学习蒙特卡洛树搜索组合预测算法和多阶段用户负荷数据和行为特征融合表征的时序预测模型构建家庭负荷用电终身学习与预测模型，实现家庭负荷用电终身学习与预测模式。2.根据权利要求1所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，通过非侵入式数据采集系统实时采集基于时序特征的用电负荷总功率或是总电流的监测数据的时域信号，所采用的方法是：将某个独立负荷从关闭状态变为开启状态、从开启到关闭或是同一负荷工作档位的切换操作都定义为电器事件，当电路中有电器事件发生时，根据设定采样频率对电流与电压采样进行事件检测，并记录所设定的采样时长下的电压、电流时域波形。3.根据权利要求2所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，基于时序特征的用电负荷总功率和总电流的监测数据的时域信号，表示为：F(X，t)＝F1(X1，t)+F2(X2，t)+F3(X3，t)+
…
Fn(Xn，t)，n∈(1，2，3
…
)；其中，F1，F2，F3，
…
，Fn表示负荷设备，X1，X2，X3，
…
，Xn表示负荷设备的工作状态，所述工作状态包括稳态和暂态。4.根据权利要求1
‑
3任一所述的一种在线家庭负荷用电组合识别与耗电预测的方法，其特征在于，对所采集的时域信号进行预处理，包括步骤：采样电压在电压过零点并上升的位置开始测量电流的波形，该点的电压满足以下条件：u(j
‑
1)<u(j)<u(j+1)|u(j)|<|u(j
‑
1)||u(j
‑
1)|<|u(j+1)|；其中：u(j)为第j采样点的电压信号。采集到的混合电流信号由N类用电设备电流信号的线性叠加组合；负荷组合总电流的表示为：其中：f
i，j
表示负荷i、特征值j的数据值；θ
j
(t)为有K个负荷同时在t时刻工作的特征值j的数值之和，f
l，j
为在(t+Δt)时刻工作的负荷I、特征值j的数值；
负荷组合总功率的表示为：其中，P
L
(t)∈R表示t时刻的负荷有功总功率；P
i，m
(t)∈R表示负荷i在t时刻处于状态m时的有功功率；S
i，m
(t)是布尔型变量...

【专利技术属性】
技术研发人员：彭浩，江艳梅，刘琳，黄子航，杨采薇，徐小航，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：