一种基于EEMD和GRU的非侵入式负荷分解方法技术

本发明专利技术公开了一种家庭负荷的非侵入式负荷分解方法，特别涉及一种基于EEMD和GRU的非侵入式负荷分解方法。所述的方法主要包括以下步骤：采用自适应高斯滤波对原始功率信号进行处理，将处理后的功率信号利用EEMD算法分解为多个模态分量，将功率信号中包含的特征放大，为了挖掘分解时间点与前多个时间点之间的时间关联特征，构建GRU神经网络处理时序信号，最后将测试数据输入到训练好的GRU网络之中，实现负荷分解，为了进一步提高分解精度和速度，还利用天牛群优化算法对GRU网络参数进行优化。本发明专利技术具有较好的负荷分解性能，可以作为用户查看用电详单的依据。用户查看用电详单的依据。用户查看用电详单的依据。

【技术实现步骤摘要】
一种基于EEMD和GRU的非侵入式负荷分解方法


[0001]本专利技术涉及智能电网中的电能监测，特别涉及一种基于EEMD和GRU的非侵入式负荷分解方法。

技术介绍

[0002]随着智能电网的快速发展，电力信息通信技术、高级量测体系、电力传感检测技术等监测技术逐渐得到了应用，非侵入式负荷监测技术作为高级量测体系中重要的一步，对于构建坚强智能电网具有重大意义。非侵入式负荷监测技术通过对电力用户的负荷数据进行采集和计算，得出每个电器的状态参数、电能消耗等信息，并分析各个电器的运行状态。对于用户而言，非侵入式负荷监测技术能为用户提供电器的用电详单、获取电器的基础用电信息，进而为其制定节能优化策略，实现节能减排，为环境做贡献。其次，对于电网调度人员还可以以此作为电力系统规划和调度的依据，从而制定合理的发电计划，来提高电网利用率，减少电能的浪费。
[0003]近年来，随着机器学习、模式识别、组合优化等方法在多个领域的快速发展，非侵入式负荷分解技术迎来了新的突破。非侵入式负荷分解技术通过提取电器的特征来完成分解任务，但现有方法大多只考虑了负荷的电气特征，很少去分析数据中的时间序列特征和非电气特征，导致复杂状态的电器分解精度较低，小功率电器容易被大功率电器所掩盖，因此，有关于非侵入式负荷分解技术的研究仍面临着较大的挑战。

技术实现思路

[0004]为了解决当前负荷分解方法中很少从时序状态上考虑当前时刻的功率与上一时刻的功率之间的关联性，本专利技术提出了一种利用GRU神经网络处理时序信号的方法，并公开了一种基于EEMD和GRU的非侵入式负荷分解方法。
[0005]本专利技术解决上述技术问题的技术方案是：
[0006]采集用户家庭电力总负荷数据，对数据进行降噪处理，通过集合经验模态分解(EEMD)对功率信号进行处理，将功率信号分解为多个模态分量和一个残数；
[0007]将分解的多个模态分量分别输入到多个门控循环单元(GRU)神经网络之中，利用训练集数据训练神经网络，调整网络的参数，在测试集测试网络的分解性能；
[0008]利用天牛群优化算法对GRU神经网络的参数进行优化，进一步提高模型的分解精度。
附图说明
[0009]图1是自适应高斯滤波降噪流程图
[0010]图2是EEMD分解流程图
[0011]图3是GRU的结构图
[0012]图4是天牛群优化算法流程图
具体实施方式
[0013]下面结合附图对本专利技术的技术方案做进一步的详细说明：
[0014]步骤一：在用户总电力入口处安装监测装置，获取用户电能消耗数据，将获取的数据进行处理，滤除噪声点。
[0015]本专利技术通过自适应高斯滤波去噪，图1是自适应高斯滤波降噪流程图。高斯滤波将高斯函数与原始信号进行卷积运算后输出滤波信号，表示如下：
[0016][0017]其一阶导数为：
[0018][0019]原始信号经过高斯滤波后的结果为：
[0020]N(t,σ)＝f0(t)*g'(t,σ)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0021]其中，g
′
(t,σ)为高斯滤波器，t为负荷数据，σ为高斯滤波器标准差,N(t,σ)为滤波后的结果，“*”为卷积运算符。
[0022]假设T为采样点时间，f(t)为历史负荷数据，f
k+1
(t)为第k+1次迭代平滑后滤波器的输出值，滤波窗口长度为2T，ω
k
(t+i,σ)为窗内各点的权值，则有：
[0023][0024]在高斯滤波器中引入自适应方法，有：
[0025][0026][0027]当ω
k
(t,σ)的值近似为0时，滤波器在满足去噪声效果的同时又能很好的保存突变点信息。
[0028]步骤二：使用EEMD对信号进行处理，将功率信号分解为多个模态分量，能够从复杂的输入的信号中提取特征，图2是EEMD分解流程图。
[0029]EEMD方法的本质是一种叠加高斯白噪声的多次经验模式分解，利用了高斯白噪声具有频率均匀分布的统计特性，通过每次加入同等幅值的不同白噪声来改变信号的极值点特性，之后对多次EMD得到的相应IMF进行总体平均来抵消加入的白噪声，从而有效抑制模态混叠的产生。EEMD分解步骤如下：
[0030](1)设定总体平均次数M；
[0031](2)将一个具有标准正态分布的白噪声n
i
(t)加到功率信号P(t)上，以产生一个新
的信号；
[0032]P
i
(t)＝P(t)+n
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0033]式中：n
i
(t)表示第i次加性白噪声序列，P
i
(t)表示第i次试验的附加噪声信号，i∈[1,2,
…
,M]；
[0034](3)对所得含噪声的信号P
i
(t)分别进行EMD分解，得到各自IMF和的形式：
[0035][0036]式中:c
i,j
(t)为第i次加入白噪声后分解得到的第j个IMF，r
i,j
(t)是残余函数，代表信号的平均趋势，J是IMF的数量；
[0037](4)重复(2)和(3)进行M次，每次分解加入幅值不同的白噪声信号得到IMF的集合[c
1,j
(t),c
1,j
(t),
…
,c
M,j
(t)]，其中j＝1,2,
…
,J；
[0038](5)利用不相关序列的统计平均值为零的原理，将上述对应的IMF进行集合平均运算，得到EEMD分解后最终的IMF，即：
[0039][0040]式中：c
j
(t)是EEMD分解的第j个IMF，i∈[1,2,
…
,M]，j∈[1,2,
…
,J]；
[0041]步骤三：将总功率经过EEMD分解得到的多个IMF分量作为训练集的输入，将每个负荷的功率经过EEMD得到的IMF分量作为输出，使每个分量一一对应，分别利用GRU神经网络进行预训练，每个GRU对IMF分量训练后有特定的网络参数。
[0042]重置门决定前一层的隐藏状态参与本层输入计算的方式，得到候选隐藏状态，重置门大小决定前一层的输出结果与本层输出结果的关系。更新门决定使用候选隐藏状态来更新隐藏状态或者使用上一层的状态进行传播。
[0043]GRU神经网络是在LSTM上进行简化而得到的，GRU拥有重置门和更新门，在LSTM的基础上将遗忘门和输入门合并成为一个更新门，把单元状态和隐藏状态合并，使得GRU比标准的LSTM模型更简单，在进行数据处理时，GRU的计算速度更快，图3是GRU的结构图。
[0044]x
t
是当前时刻的输入,h
t
‑1是上一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于EEMD和GRU的非侵入式负荷分解方法，包括以下骤：采集用户家庭电力总负荷数据，对数据进行降噪处理，通过集合经验模态分解(EEMD)对功率信号进行处理，将功率信号分解为多个模态分量和一个残数；将分解的多个模态分量分别输入到多个门控循环单元(GRU)神经网络之中，利用训练集数据训练神经网络，调整网络的参数，在测试集测试网络的分解性能；利用天牛群优化算法对GRU神经网络的参数进行优化，进一步提高模型的分解精度。2.根据权利要求1所述的一种基于EEMD和GRU的非侵入式负荷分解方法，所采用的EEMD算法步骤为：步骤一：将正态分布的白噪声加到原始信号；步骤二：将加入白噪...

【专利技术属性】
技术研发人员：熊志刚，陈才学，彭暄惠，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：