一种基于非侵入式负荷分解的用户异常用电行为检测方法技术

本发明专利技术涉及一种基于非侵入式负荷分解的用户异常用电行为检测方法，该方法包括以下步骤：步骤S1：采用Kmeans聚类算法提取负荷状态特征；步骤S2：对所得各电器的状态特征进行状态编码；步骤S3：采用序列到序列翻译模型Seq2Seq进行负荷分解；步骤S4：采用支持向量机SVM进行用户异常用电行为检测。与现有技术相比，本发明专利技术分解结果误差小、分解准确度高。分解准确度高。分解准确度高。

【技术实现步骤摘要】
一种基于非侵入式负荷分解的用户异常用电行为检测方法


[0001]本专利技术涉及电力设备检测领域，尤其是涉及一种基于非侵入式负荷分解的用户异常用电行为检测方法。

技术介绍

[0002]随着电力信息技术的发展，电力系统日益成为一个“电力
‑
信息
‑
社会”高度融合的复杂系统。在智能电网和能源互联网的背景下，电力用户扮演着至关重要的角色，仅仅关注电力系统的物理特性不足以对整个电力系统进行全面的建模，还要充分考虑电力用户行为的建模，从而挖掘其互动特性。如通过用户的用电情况，指导用户合理用电，从而减少碳排放量，对实现“双碳目标”具有重要意义。随着Hart在20世纪80年代提出的非侵入式负荷监测(Non
‑
intrusive Load Monitor，NILM)的兴起，为用户的用电行为分析开辟一条新路。
[0003]非侵入式负荷监测，只需在电力用户入口处采集家庭总用电数据，进而采用负荷分解算法将总用电数据分解成单个电器用电数据。目前，国内外科研工作者已经对负荷分解算法进行了研究。主要包含两种模式，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于非侵入式负荷分解的用户异常用电行为检测方法，其特征在于，该方法包括以下步骤：步骤S1：采用Kmeans聚类算法提取负荷状态特征；步骤S2：对经过Kmeans聚类后所得各电器的状态特征进行状态编码；步骤S3：采用序列到序列翻译模型Seq2Seq进行负荷分解；步骤S4：采用支持向量机SVM进行用户异常用电行为检测。2.根据权利要求1所述的一种基于非侵入式负荷分解的用户异常用电行为检测方法，其特征在于，所述步骤S1为：采用Kmeans聚类算法提取各电器状态特征，并以输出的聚类中心作为分解后各电器的状态功率值。3.根据权利要求1或2所述的一种基于非侵入式负荷分解的用户异常用电行为检测方法，其特征在于，所述步骤S1具体包括以下步骤：步骤S11：针对某个电器的用电数据，初步随机选出对于某电器的用电数据，初步随机选出k个聚类中心μ1,μ2,...,μ
k
；步骤S12：假设该电器有m个样本点x1,x2,...,x
m
，计算各样本点x
i
到所选聚类中心的距离：其中：F函数为各个样本点距离其所属样本中心点距离的平均值；c
(i)
为第i个样本所属类的中心点的下标k；步骤S13：对于中心点μ
j
,j＝1,2,...,k，计算属于该中心点的所有样本的坐标平均值，把该平均值作为这些样本新的中心点；步骤S14：判断新中心点与原中心点是否一致，若不一致，重复步骤S12～S13；若一致，则输出聚类中心，并将聚类中心作为该电器的状态功率值。4.根据权利要求1所述的一种基于非侵入式负荷分解的用户异常用电行为检测方法，其特征在于，所述步骤S2具体为：将经过Kmeans聚类后所得的各电器的状态进行状态编码；假设某一电器a有n个状态，则它的编码状态有：T
a
＝{0,1,...,n
‑
1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)假设一家庭住宅中有M个家用电器，电器l的工作状态有N
l
个，其中1≤l≤M，则总的状态组合数Y为：将每个电器的工作状态T
i
进行组合，得到一个对应的状态组合编码为：T
co
＝{T1,T2,
…
,T
M
}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)其中i取1,2,...,M。5.根据权利要求1所述的一种基于非侵入式负荷分解的用户异常用电行为检测方法，其特征在于，所述步骤S3中的Seq2Seq模型包括进行特征提取的编码器和进行特征分解的解码器，用于实现总电力负荷数据和状态组合码之间一对一的映射训练，具体表现为：X
t
→
T
CO

【专利技术属性】
技术研发人员：江友华，叶梦豆，陈芳，刘恒，朱毅轩，宋文，朱浩，李巴雨，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：