一种基于多维度行为学习的家庭负荷识别泛化方法技术

本发明专利技术公开了一种基于多维度行为学习的家庭负荷识别泛化方法包括：通过家庭负荷大数据完成负荷电气特征自编码和大众用户的用电行为特征提取，并将提取的大众行为作为用户的初始行为；基于负荷电气特征自编码和多维度下的行为特征，构建并训练家庭负荷识别泛化模型；根据家庭负荷识别泛化模型和用户最新的用电情况完成用户行为更新和算法的自适应；本发明专利技术相比于传统的负荷识别方法，结合了时间、空间和电器相关性这三种维度下的用户行为知识，解决传统方法仅依赖电气信号进行识别导致的识别准确率低下的不足，且本发明专利技术电气特征与行为特征提取过程分离的方式有效的提升了模型的泛化性能。的泛化性能。的泛化性能。

【技术实现步骤摘要】
一种基于多维度行为学习的家庭负荷识别泛化方法


[0001]本专利技术涉及家庭负荷识别
，具体为一种基于多维度行为学习的家庭负荷识别泛化方法。

技术介绍

[0002]随着人们生活水平的提高，家庭用户对电量和智能用电方式的需求也不断提升，研究表明为用户提供精细化用电信息的方法可为用户节约10％以上的电能；基于此负荷识别技术被提出且越来越重要。
[0003]其一方面促进了用户节约用电，提高能源利用效率，另一方面又提高了用户的智能用电体验；因硬件成本的限制，传统的负荷识别方法大部分只依赖负荷的电气信号进行识别，如文献(He D,Lin W,Liu N,et al.Incorporating Non
‑
Intrusive Load Monitoring Into Building Level Demand Response[J].IEEE Transactions on Smart Grid,2013,4(4):1870
‑
1877.)使用电流谐波值和谐波畸变率进行负荷识别，但因电气信息知识量有限，模型识别性能较差。
[0004]因此，本专利技术在电气信号基础上结合了用户行为信息，通过用户行为信息来辅助模型完成负荷识别，目前使用行为知识进行负荷识别的研究较少，中国专利(CN113869368A)提出利用时间和空间维度上的行为知识来完成负荷识别，但该方法将行为特征和电气特征的提取过程集成在一个模型中，模型泛化性能较差；基于此本专利技术在已有研究的基础上，一方面新增了关联行为信息，丰富用户的用电行为知识，另一方面，又提出一种电气特征和行为特征提取过程相互独立的模型结构，进一步提高模型的泛化能力。

技术实现思路

[0005]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0006]鉴于上述存在的问题，提出了本专利技术。
[0007]本专利技术实施例的第一方面，提供一种基于多维度行为学习的家庭负荷识别泛化方法，包括：通过家庭负荷大数据完成负荷电气特征自编码和大众用户的用电行为特征提取，并将提取的所述大众用户的用电行为特征作为用户的初始行为特征；基于所述负荷电气特征自编码和多维度下的行为特征，构建并训练家庭负荷识别泛化模型；根据所述家庭负荷识别泛化模型和用户最新的用电情况完成用户行为更新，并实现算法的自适应。
[0008]作为本专利技术所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述家庭负荷大数据的条件包括，
[0009]数据标签信息准确；
[0010]采集的电气数据信号量应包括频率大于5Hz的电压有效值、电流有效值、有功功率、无功功率、功率因素、电压电流1～7次谐波幅值和相位；
[0011]负荷数据应能反映用户用电行为的生活用电数据，且所述数据跨度应大于1个月。
[0012]作为本专利技术所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述大众用户的用电行为特征提取包括，
[0013]所述用电行为特征包括时间行为特征、空间行为特征和关联行为特征；
[0014]所述时间行为特征包括各电器在一天中的使用概率分布；所述空间行为特征包括各区域中各电器的使用概率；
[0015]所述关联行为特征包括各电器间的关联性，所述关联性的计算包括，
[0016][0017]其中，A
ij
表示电器j出现时电器i出现的概率，N
ij
表示电器i和j同时出现的次数，N
j
表示电器j出现的次数。
[0018]作为本专利技术所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述将提取的所述大众用户的用电行为特征作为用户的初始行为特征包括，
[0019]所述大众行为主要用于模型应用初期用户数据不足以反映用户行为的情况，作为用户初始行为使用，为避免行为信息过拟合，通过阈值μ对电器行为关联信息进行二值化处理；
[0020]所述二值化处理的计算包括，
[0021][0022]其中，A
ij
表示大众行为关联信息。
[0023]作为本专利技术所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述家庭负荷识别泛化模型的构建包括，
[0024]基于所述负荷电气特征自编码和多维度下的行为特征，构建家庭负荷识别泛化模型；
[0025]所述家庭负荷识别泛化模型包括电气信号自编码模块、行为信号存储模块和负荷分类模块；
[0026]在所述电气信号自编码模块对电气信号进行编码，将所述编码后的信号行进行存储，所述负荷分类模块利用编码后的电气信号和存储的行为特征输出具体负荷类型。
[0027]作为本专利技术所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述家庭负荷识别泛化模型的训练包括，
[0028]在家庭负荷大数据的住宅中对所述家庭负荷识别泛化模型进行训练；
[0029]训练初期模型所使用的行为信息由所述大众用户的用电行为特征提取所生成的大众行为信息替换。
[0030]作为本专利技术所述的基于多维度行为学习的家庭负荷识别泛化方法的一种优选方案，其中：所述用户行为更新和算法的自适应包括，
[0031]根据用户新的用电数据不断更新用户行为，使算法自动适应用户行为；
[0032]利用所述家庭负荷识别泛化模型输出的具体负荷类型数据定期对行为信息存储模块中的行为信息进行更新，以保证模型对用户行为的自适应；
[0033]所述更新的计算包括，
[0034][0035]其中，a
n
表示第n时段下的行为特征值，a
n
‑1表示第n
‑
1时段下的行为特征值，λ表示保留系数，表示大众行为的特征值，a'表示由最新的负荷数据计算得到的行为特征值。
[0036]本专利技术实施例的第二方面，提供一种基于多维度行为学习的家庭负荷识别泛化系统，包括：
[0037]信号编码和特征提取模块，通过家庭负荷大数据完成负荷电气特征自编码和大众用户的用电行为特征提取，并将提取的大众行为作为用户初始行为；
[0038]模型构建模块，用于基于所述负荷电气特征自编码和多维度下的行为特征，构建并训练家庭负荷识别泛化模型；
[0039]用电行为更新模块，用于根据所述家庭负荷识别泛化模型和用户最新的用电情况完成用户行为更新和算法的自适应。
[0040]本专利技术实施例的第三方面，提供一种设备，所述设备包括，
[0041]处理器；
[0042]用于存储处理器可执行指令的存储器；
[0043]所述处理器被配置为调用所述存储器存储的指令，以执行本专利技术任一实施例所述的方法。
[0044]本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多维度行为学习的家庭负荷识别泛化方法，其特征在于，包括：通过家庭负荷大数据完成负荷电气特征自编码和大众用户的用电行为特征提取，并将提取的所述大众用户的用电行为特征作为用户的初始行为特征；基于所述负荷电气特征自编码和多维度下的行为特征，构建并训练家庭负荷识别泛化模型；根据所述家庭负荷识别泛化模型和用户最新的用电情况完成用户行为更新，并实现算法的自适应。2.如权利要求1所述的基于多维度行为学习的家庭负荷识别泛化方法，其特征在于：所述家庭负荷大数据的条件包括，数据标签信息准确；采集的电气数据信号量应包括频率大于5Hz的电压有效值、电流有效值、有功功率、无功功率、功率因素、电压电流1～7次谐波幅值和相位；负荷数据应能反映用户用电行为的生活用电数据，且所述数据跨度应大于1个月。3.如权利要求2所述的基于多维度行为学习的家庭负荷识别泛化方法，其特征在于：所述大众用户的用电行为特征提取包括，所述用电行为特征包括时间行为特征、空间行为特征和关联行为特征；所述时间行为特征包括各电器在一天中的使用概率分布，所述空间行为特征包括各区域中各电器的使用概率；所述关联行为特征包括各电器间的关联性，所述关联性的计算包括，其中，A
ij
表示电器j出现时电器i出现的概率，N
ij
表示电器i和j同时出现的次数，N
j
表示电器j出现的次数。4.如权利要求1～3任一所述的基于多维度行为学习的家庭负荷识别泛化方法，其特征在于：所述将提取的所述大众用户的用电行为特征作为用户的初始行为特征包括，所述大众行为主要用于模型应用初期用户数据不足以反映用户行为的情况，作为用户初始行为使用，为避免行为信息过拟合，通过阈值μ对电器行为关联信息进行二值化处理；所述二值化处理的计算包括，其中，A
ij
表示大众行为关联信息。5.如权利要求4所述的基于多维度行为学习的家庭负荷识别泛化方法，其特征在于：所述家庭负荷识别泛化模型的构建包括，基于所述负荷电气特征自编码和多维度下的行为特征，构建家庭负荷识别泛...

【专利技术属性】
技术研发人员：谈竹奎，刘斌，张俊玮，张秋雁，代吉玉蕾，林呈辉，欧家祥，肖小兵，徐玉韬，唐赛秋，聂沧禹，巨彧龙，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：