基于降噪自动编码器的家用负荷辨识方法、程序和系统技术方案

基于降噪自动编码器的家用负荷辨识方法、程序和系统，涉及电网负荷辨识技术领域，本发明专利技术提供的非侵入式负荷辨识方法是基于噪声自动编码器原理，仅依赖常规采样速率和单一有功功率量测数据，通过将总混合功率看成是需要处理的图片或录音，把目标设备之外的其它设备所产生的功率看成是“噪点”或“噪声”，执行目标变为将目标设备的负荷功率从总混合功率中辨识出来。经实例测试，该家用负荷辨识方法在辨识真实设备功率消耗量和判断设备所处的状态两个方面都具有较高的准确性，并且还具有较好的通用性，能够对不同型号、品牌的同种设备进行有效辨识。有效辨识。有效辨识。

【技术实现步骤摘要】
基于降噪自动编码器的家用负荷辨识方法、程序和系统


[0001]本专利技术涉及电网负荷辨识
，特别涉及一种基于降噪自动编码器的家用负荷辨识方法、程序和系统。

技术介绍

[0002]目前家用电能表只能对家庭总用电量进行统计，无法对各类负荷消耗电能进行分类计量。负荷辨识能够使家庭用户和电力公司对用电行为和设备能耗有更好的认识，支撑智能配电网上层应用。另外，随着新能源的增加，需要配电网具备更快速更准确的需求侧响应功能，这一功能的实现也需要依赖于负荷辨识技术。
[0003]现有的非侵入式负荷辨识方法对于量测数据的要求较高，不论是高频的负荷电流数据还是负荷开启瞬间的暂态波形，都需要对普通电能表进行改造之后才能获得，增加了额外成本。近些年来，有人提出仅依靠低频单一量测进行负荷辨识，例如利用电流有效值进行负荷的判断，或者仅利用稳态时域有功和无功功率进行电器设备开启和关断的判断，然而这些方法有一个共同的缺陷就是当有多个稳态波形类似的负荷同时开启时，辨识效果较差。

技术实现思路

[0004]本专利技术的目的之一是提供一种对量测要求较低且能够较好地分辨稳态功率波形类似负荷的非侵入式家用负荷辨识方法。
[0005]为了实现上述目的，本专利技术采用如下技术方案：在该基于降噪自动编码器的家用负荷辨识方法中，将目标设备外的其它设备功率当作噪点或噪声，通过机器学习训练降噪自动编码器提取目标设备的功率特征，在负荷分离阶段，采用滑动窗来分析输入的混合功率信号，使用中值滤波器对滑动窗重叠部分进行处理，将重叠窗的输出值用邻域内所有值的统计中值代替，并按以下步骤进行负荷分离：
[0006]一、编码网络：
[0007]1.由一个或多个一维卷积层对原始的总输入功耗数据进行处理，产生一组特征映射；
[0008]2.每个卷积层依次经过线性激活函数、最大池化层、附加卷积层和池化层，形成全连接多层感知机；
[0009]3.全连接层经过修正线性单元激活函数处理，结束整个编码过程；
[0010]二、解码网络：
[0011]4.对全连接多层感知机通过反卷积进行上采样；
[0012]5.对步骤4中的结果进行上池化，所述上池化为最大池化的逆过程；
[0013]6.对步骤5中的结果通过反卷积进行上采样；
[0014]7.得到解码重构的降噪信号，根据所述解码重构的降噪信号得出目标设备的功耗信息。
[0015]其中，在步骤2中，通过最大池化操作得到邻近极大值，使分析窗内的激活函数位置更独立并减少特征映射的长度和全连接层元素的个数。
[0016]其中，在步骤3中，修正线性单元激活函数比较输入与零的大小，输出较大值。
[0017]具体而言，在训练降噪自动编码器时，是以最小化输出与目标设备的激活函数之间的均方误差为目标，并采用随机梯度下降方法进行训练参数优化。
[0018]另外，本专利技术还涉及一种基于降噪自动编码器的家用负荷辨识程序，其存储在连接有数据输入装置的计算机或服务器中并执行上述家用负荷辨识方法中的步骤1至7，程序运行时，通过所述数据输入装置获取目标家庭在设定时间段范围内的有功功率量测数据。
[0019]进一步地，本专利技术还提供一种基于降噪自动编码器的家用负荷辨识系统，其包括数据输入装置及运行上述家用负荷辨识程序的服务器，所述数据输入装置连接服务器并将获取的有功功率量测数据传输至运行所述家用负荷辨识程序的服务器。
[0020]进一步地，上述家用负荷辨识系统还包括用户端，所述用户端与服务器通过通信网络连接，所述服务器将辨识得出的电器设备功耗信息经通信网络发送至相应的用户端。
[0021]本专利技术提供了一种全新的非侵入式负荷辨识方法，该方法基于噪声自动编码器原理，仅依赖常规采样速率和单一有功功率量测数据，通过将总混合功率看成是需要处理的图片或录音，把目标设备之外的其它设备(不关心的设备)所产生的功率看成是“噪点”或“噪声”，执行目标变为将目标设备(感兴趣的单个设备)的负荷功率从总混合功率中辨识出来。经实例测试，本专利技术所涉方法在辨识真实设备功率消耗量和判断设备所处的状态两个方面都具有较高的准确性，尤其值得一提的是，本专利技术所采用的方法具有通用性好的优点，能够对不同型号、品牌的同种设备进行有效辨识。
附图说明
[0022]图1为某家庭一天内各个负荷的功率波形；
[0023]图2为降噪自动编码器架构图；
[0024]图3为家庭1中三种设备辨识结果；
[0025]图4为家庭1中洗碗机一天的实际能耗曲线；
[0026]图5为本专利技术所涉方法与基于FHMM的辨识方法在负荷辨识准确度方面的比较图；
[0027]图6为家庭1数据训练得到的网络对家庭2设备的辨识结果比较图；
[0028]图7为TraceBase中三种设备的识别结果图；
[0029]图8为15000
‑
25000秒时间段内台式电脑负荷辨识结果比较图。
具体实施方式
[0030]为了便于本领域技术人员更好地理解本专利技术相对于现有技术的改进之处，下面结合附图和实施例对本专利技术作进一步的说明。
[0031]总体而言，考虑到一个家庭在大部分时间内存在多种用电设备同时开启的情况，因此其总有功功率由各个电器设备的分功率组合而成，本实施例中要做的就是提取各个用电设备的功率特征，将其从混合的总功率中分离出来，而这种分离的过程可以看成是图像处理或者语音识别中的降噪处理。典型的降噪处理包括消除旧照片中的噪点，或去除一段声音中的噪音，甚至为一张图片中不清晰部分进行填充。负荷辨识的本质就是负荷分离，可
以将总混合功率看成是需要处理的图片或录音，其它不关心的设备所产生的功率看成是“噪点”或“噪音”。训练降噪自动编码器(Denoising Autoencoder,DAE)的目的是在一个充满噪音的输入里分离出“干净”的目标信号。通过DAE将含有噪声的输入信号映射成隐藏代理从而构造解码输出向量z＝g
θ
′
(y)。降噪自动编码器的结构如图2所示，其中，为原始输入x增加随机噪声得到的信号，f
θ
为编码器，y为编码映射后的中间代理，g
θ
′
为解码器，z为重构输入，L
H
(x,z)为重构损失，用来衡量重构误差，参数θ和θ
′
经过训练用来最小化训练过程中的平均重构误差，也就是使输出z尽可能的接近原来的未被“污染”的输入向量x，z是一个的确定性函数。
[0032]在负荷分离阶段，本实施例中采用滑动窗来分析输入的混合功率信号y(t)，滑动窗的长度由对应电器设备的使用时间决定。对于一个由多种设备同时开启得到的混合功率，滑动窗必然出现重叠的现象。通常的解决手段是使用重叠部分的平均值来重构此重叠窗口。这样会存在一个问题，那就是当一个设备的开启时间仅有一小部分包含在此重叠窗口中时，负荷辨识的结果会明显高于实际的功率使用值，并且随着窗口的滑动，辨识得到的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于降噪自动编码器的家用负荷辨识方法，其特征在于：将目标设备外的其它设备功率当作噪点或噪声，通过机器学习训练降噪自动编码器提取目标设备的功率特征，在负荷分离阶段，采用滑动窗来分析输入的混合功率信号，使用中值滤波器对滑动窗重叠部分进行处理，将重叠窗的输出值用邻域内所有值的统计中值代替，并按以下步骤进行负荷分离：一、编码网络：1.由一个或多个一维卷积层对原始的总输入功耗数据进行处理，产生一组特征映射；2.每个卷积层依次经过线性激活函数、最大池化层、附加卷积层和池化层，形成全连接多层感知机；3.全连接层经过修正线性单元激活函数处理，结束整个编码过程；二、解码网络：4.对全连接多层感知机通过反卷积进行上采样；5.对步骤4中的结果进行上池化，所述上池化为最大池化的逆过程；6.对步骤5中的结果通过反卷积进行上采样；7.得到解码重构的降噪信号，根据所述解码重构的降噪信号得出目标设备的功耗信息。2.根据权利要求1所述的家用负荷辨识方法，其特征在于：在步骤2中，通过最大池化操作得到邻近极大值，使分析窗内的激活函数位置更独立并减少特征映射的长度和全连接层元素的...

【专利技术属性】
技术研发人员：何西，董恒，刘宣，
申请(专利权)人：湖南工学院，
类型：发明
国别省市：