一种基于监督式学习的事件型非侵入式负荷监测方法技术

本发明专利技术提出了一种基于监督式学习的事件型非侵入式负荷监测方法，涉及电力负荷监测技术领域，包括：S1、采集负荷运行的电气特征参数数据并进行数据处理；S2、基于处理后的数据，通过滑动窗双边累计和事件监测算法进行监测以得到事件过程的开始时间与进入稳态时间；S3、对事件过程的开始时间与进入稳态时间进行特征提取以得到负荷特征；S4、基于负荷特征进行训练以得到监督式负荷识别模型，并通过监督式负荷识别模型对未知事件进行负荷识别以得到识别结果；本发明专利技术提出的一种基于监督式学习的事件型非侵入式负荷监测方法，能够准确监测事件的发生，并利用已经训练好的负荷识别模型对未知事件准确识别。未知事件准确识别。未知事件准确识别。

【技术实现步骤摘要】
一种基于监督式学习的事件型非侵入式负荷监测方法


[0001]本专利技术涉及电力负荷监测
，具体而言，涉及一种基于监督式学习的事件型非侵入式负荷监测方法。

技术介绍

[0002]由于智能电网技术不断发展和成熟，提升用户在电力市场参与度、加强用户需求侧响应等已成为要实现电网智能化的迫切需求。而居民电力负荷用电细节监测则可为实现前述目标提供重要的技术支持，同时也可提高电力公司和居民用户关于用电数据的交互深度，便于电力公司的规划、运行和管理与居民用户的能效升级等。而非侵入式电力负荷监测(Non
‑
intrusive load monitoring，NILM)，无需侵入用户内部为每个设备安装传感器，只基于对在电源的入口处测量得到的负荷用电总量数据的详细分析，就可获取总负荷中投切的各个用电设备的耗电信息。凭借其成本低、扩展性强、便于维护和易于被用户接受等优点，非侵入式电力负荷监测已成为实现电力负荷用电细节监测的主流技术手段。
[0003]非侵入式负荷识别结果的准确率直接影响着后续决策的科学性和用户对其结果的信任程度，从而关系到用户需求侧响应的积极性。从NILM大规模应用的角度出发，保证家庭拥有量高的电器设备的识别准确率更能保障电力公司整体决策的有效性；而对用户来说，其关注的往往是家庭中使用频率较高的电器设备的识别结果。因此，提高如电冰箱、电水壶、电吹风、微波炉、电暖炉、电脑、液晶显示器、荧光灯和空调等家庭拥有量和用户使用频率均位于前列的电器设备的识别准确率至关重要。尽管已经有很多研究人员在NILM领域展开探索，但是大部分已有研究对于其中的非侵入式辨识效果很差，无法应对不同负荷特征情况，甚至无法辨识。

技术实现思路

[0004]本专利技术的目的在于提供一种基于监督式学习的事件型非侵入式负荷监测方法，其能够解决上述问题。
[0005]本专利技术的技术方案为：本申请提供一种基于监督式学习的事件型非侵入式负荷监测方法，其包括以下步骤：S1、采集负荷运行的电气特征参数数据并进行数据处理；S2、基于处理后的数据，通过滑动窗双边累计和事件监测算法进行监测以得到事件过程的开始时间与进入稳态时间；S3、对事件过程的开始时间与进入稳态时间进行特征提取以得到负荷特征；S4、基于负荷特征进行训练以得到监督式负荷识别模型，并通过监督式负荷识别模型对未知事件进行负荷识别以得到识别结果。
[0006]进一步地，步骤S2中上述滑动窗双边累计和事件监测算法的监测步骤包括：用解析法获取滑动窗双边累计和事件监测算法的参数；
基于NSGA
‑
II算法对上述参数进行优化以得到帕累托解；根据帕累托解利用熵权双基点法决策出最优解。
[0007]进一步地，上述根据帕累托解利用熵权双基点法决策出最优解的方法包括：根据目标函数和帕累托解建立评价矩阵；基于评价矩阵得到目标函数的熵权；基于熵权建立加权的规格化评价矩阵；通过规格化评价矩阵确定正理想点和负理想点；基于正理想点和负理想点计算每个帕累托最优解的相对贴近度，并根据贴进度选取以得到最优解。
[0008]进一步地，上述评价矩阵公式如下：，其中，R表示评价矩阵，M表示帕累托最优解的数量，r
1j
表示第j个帕累托最优解对应的第1个目标函数，r
2j
表示第j个帕累托最优解对应的第2个目标函数。
[0009]进一步地，上述目标函数的表达式为：、，其中，r1和r2表示目标函数，TP表示被正确分类的正例，FN表示本来正例被错分类的负例，FP表示负例被错分类的正例。
[0010]进一步地，上述计算每个帕累托最优解的相对贴近度的公式：，其中，TJ
j
表示每个帕累托最优解的相对贴近度，和分别表示第j个解到正理想点和负理想点的欧氏距离。
[0011]进一步地，步骤S3中上述提取负荷特征的方法包括：提取事件前后各5个周波的稳态电压和电流数据；基于稳态电压和电流数据做数据平滑及平均处理以得到负荷特征。
[0012]进一步地，上述负荷识别的方法包括：基于功率和谐波特征的机器学习负荷识别方法、基于V
‑
I轨迹图像量化特征的机器学习负荷识别方法以及基于V
‑
I轨迹图像特征的深度学习负荷识别方法。
[0013]相对于现有技术，本专利技术的至少具有如下优点或有益效果：本专利技术提供一种基于监督式学习的事件型非侵入式负荷监测方法，通过滑动窗双边累计和事件监测算法进行监测得到事件过程的开始时间与进入稳态时间，然后对事件过程的开始时间与进入稳态时间进行特征提取从而得到负荷特征，最后利用已经训练好的负荷识别模型对未知事件准确识别，能够准确监测事件的发生，并可应对不同负荷特征情况。
附图说明
[0014]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0015]图1为本专利技术一种基于监督式学习的事件型非侵入式负荷监测方法的流程图；图2为滑动窗双边累计和事件检测算法示意图；图3为为滑动窗双边累计和事件监测算法实现事件检测的流程图。
具体实施方式
[0016]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
[0017]因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0018]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0019]需要说明的是，在本文中，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0020]在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，包括以下步骤：S1、采集负荷运行的电气特征参数数据并进行数据处理；S2、基于处理后的数据，通过滑动窗双边累计和事件监测算法进行监测以得到事件过程的开始时间与进入稳态时间；S3、对事件过程的开始时间与进入稳态时间进行特征提取以得到负荷特征；S4、基于负荷特征进行训练以得到监督式负荷识别模型，并通过监督式负荷识别模型对未知事件进行负荷识别以得到识别结果。2.如权利要求1所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，步骤S2中所述滑动窗双边累计和事件监测算法的监测步骤包括：用解析法获取滑动窗双边累计和事件监测算法的参数；基于NSGA
‑
II算法对上述参数进行优化以得到帕累托解；根据帕累托解利用熵权双基点法决策出最优解。3.如权利要求2所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，所述根据帕累托解利用熵权双基点法决策出最优解的方法包括：根据目标函数和帕累托解建立评价矩阵；基于评价矩阵得到目标函数的熵权；基于熵权建立加权的规格化评价矩阵；通过规格化评价矩阵确定正理想点和负理想点；基于正理想点和负理想点计算每个帕累托最优解的相对贴近度，并根据贴进度选取以得到最优解。4.如权利要求3所述的一种基于监督式学习的事件型非侵入式负荷监测方法，其特征在于，所述评价矩阵公式如下：，其中，R表示评价矩阵，M表示帕累托最优解的数量，r
1j
表示第j个帕累托...

【专利技术属性】
技术研发人员：华栋，谭笑，黄凡旗，汪隆君，李思洋，林铭潮，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：