基于CEEMDAN和FastICA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基于CEEMDAN和FastICA的非侵入式负荷分解方法，属于负荷监测技术领域，该方法包括：S1采集总负荷和各类单负荷有功功率并预处理；S2构建完全自适应噪声集合经验模态分解(CEEMDAN)模型，对总负荷功率分解；S3基于Bayesian信息准则估计源数；S4利用最大信息系数(MIC)进行降维；S5利用FastICA盲源分离，实现负荷分解；S6对分解信号和源信号近似程度进行评估。本发明专利技术从信号盲源分离角度实现负荷分解，减少了繁琐的负荷信息特征提取，分解得到完整的负荷信息。同时，相对于深度学习，大大减少了模型训练时间。大大减少了模型训练时间。大大减少了模型训练时间。

【技术实现步骤摘要】
基于CEEMDAN和FastICA的非侵入式负荷分解方法


[0001]本专利技术涉及非侵入式电力负荷监测
，更具体的涉及一种基于CEEMDAN和FastICA的非侵入式负荷分解方法。

技术介绍

[0002]随着“碳达峰、碳中和”战略的提出，绿色低碳、节能减排成为常态和主流。电力消耗是能源消耗的重要部分，随着经济的增长和科学技术的高速进步，我国用电量以及用电需求呈不断上升态势。通过负荷监测技术获取电器负荷的细节信息，一方面促进用户对电力设备的高效管理，利于节能减排；另一方面有助于电网的运行管理和优化。
[0003]非侵入式负荷监测(Non
‑
intrusive Load Monitoring,NILM)技术是指仅在用户入口处安装一个传感器，通过采集和分析用户总口数据来监测户内每个或每类电器的用电功率和工作状态，从而了解用户各电器的耗电情况及用电规律。与侵入式负荷监测相比，它不需要对所检测的每一个电器安装监控装置就可以获取该电器的状态和功耗，是一种低成本、易于部署、可推广性强的监测方法，同时在一些方面加强了对客户隐私的保护。
[0004]非侵入式负荷分解实现总功率数据到单个电器消耗功率的分解。目前，常规的方法是结合用电设备运行时的暂态和稳态特征，采用模式识别的方式实现负荷分解。但这些方法对特征相近的用电负荷，分解效果较差。另外，虽然深度学习的引入提高了分解的准确率，但存在随着模型网络层数加深导致网络参数增加，同时可能会出现梯度消失和网络退化，以及模型训练时间长等问题。
专利
技术实现思路

[0005]本专利技术的目的在于克服现有技术中的不足，提供一种基于CEEMDAN和FastICA的非侵入式负荷分解方法，从信号分离的角度对负荷信息进行分解，减少了繁琐的负荷信息特征提取，分解得到完整的负荷信息。
[0006]为实现上述目的，本专利技术采用的技术方案是：基于CEEMDAN和FastICA的非侵入式负荷分解方法，该方法包括以下步骤：
[0007]S1：采集一段时间内的总负荷和各类单负荷的有功功率，利用宽度为w，步长为l的滑动窗口进行功率数据提取；
[0008]S2：设计完全自适应噪声集合经验模态分解(CEEMDAN)模型，对总负荷有功功率进行分解，得到一系列模态分量IMF；
[0009]S3：计算信号矩阵的协方差矩阵，并对该协方差矩阵进行奇异值分解，最后使用Bayesian信息准则选择源数m；
[0010]S4：采用最大信息系数(MIC)方法分析各IMF模态分量与原始信号的相关性程度，从中选择得分较高的IMF分量；
[0011]S5：将选择的信号分量作为FastICA的输入，分解出完整的各负荷功率信号，实现负荷分解；
[0012]S6：对分解信号与源负荷功率信号近似程度进行评估。
[0013]进一步地，所述步骤S2具体如下：
[0014]S21：分μ(μ＝1,2,
…
,I)次向总功率信号序列x(t)添加标准正态分布的白噪声υ
μ
(t)，其中I为噪声添加次数，重构后的功率数据序列x
μ
(t)为：
[0015]x
μ
(t)＝x(t)+υ
μ
(t)
[0016]S22：对x
μ
(t)进行第一次EMD分解，得到的分量IMF1及其残差r1(t)为：
[0017][0018]r1(t)＝x(t)
‑
IMF1[0019]S23：对r1(t)添加υ
μ
(t)并进行EMD分解，得到IMF2和r2(t)；分解i
‑
1次后向r
i
‑1(t)添加υ
μ
(t)，对进行第i次EMD分解，得到的IMF
i
及r
i
(t)为：
[0020][0021]r
i
(t)＝r
i
‑1(t)
‑
IMF
i
[0022]S24：经K次分解后r
K
(t)不能继续被EMD分解，至此，CEEMDAN分解过程结束，得到K个本征模态分量IMF
i
和残差项r
K
(t)则总负荷功率信号序列为：
[0023][0024]进一步地，所述步骤S3具体如下：
[0025]S31：将功率序列x(t)和由CEEMDAN分解得来的IMF分量组合成多维信号矩阵X＝[x(t),imf1,imf2,
…
,imf
k
,r(t)]，求解多维信号矩阵X的协方差矩阵R，并对矩阵R进行奇异值分解。
[0026]使用Bayesian信息准则(BIC)选择源数。BIC的目标在于找到一个代价最小的信号源的估计数量k＝m，1≤k≤L，其中L为协方差矩阵R的非零特征值数量，m为功率序列x(t)隐含的维数。BIC的计算公式如下：
[0027][0028][0029]式中：λ
j
为协方差矩阵R的第j个特征值；N是协方差矩阵数据的长度。取最小的BIC(k)所对应的k作为信号源的估计数量m，即k＝m。
[0030]进一步地，所述步骤S4具体如下：
[0031]S41：所述计算最大信息系数(MIC)，采用的计算表达式如下：
[0032][0033]其中，MIC(P；f)为总负荷功率P和各IMF分量之间的最大信息系数，p(P,f)为总负荷功率P和IMF模态分量f之间的联合概率，a，b是在x，y轴方向上划分网格的数目，B为划分网格数目上限值，MIC取值范围为[0,1]，值越大，代表总功率与对应的IMF分类之间的相关程度就越高。
[0034]S42：保留与源信号MIC较大的IMF，数目与步骤S3估计数目相同，用于步骤S5的FastICA模型的输入。
[0035]进一步地，所述步骤S6具体如下：
[0036]运用相似系数δ对模型分解性能进行评估，表达式如下：
[0037][0038]式中x，y为两个时域信号；M为采样点。当δ＝0时，x，y相互独立；当δ＝1时，x，y完全相似。|δ|越接近于1，分解信号与源信号越相似，分解效果越好。
附图说明
[0039]附图1为基于CEEMDAN和FastICA的非侵入式负荷分解方法的模型图
[0040]附图2为CEEMDAN算法流程图
具体实施方式
[0041]下面结合附图及实施例对本专利技术做进一步说明。应当指出，以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0042]本专利技术的基于CEEMDAN和FastICA的非侵入式负荷分解方法，其流程图如图1所示，可分为以下步骤：
[0043]S1：采集建筑中总负荷和各类单负荷一段时间内的有功功率，利用宽度为w，步长为l的滑动窗口提取功率数据。
[0044]选用能量分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于CEEMDAN和FastICA的非侵入式负荷分解方法，其特征在于，该方法包括以下步骤：S1、采集一段时间内的总负荷和各类单负荷的有功功率，利用宽度为w，步长为l的滑动窗口进行功率数据提取；S2、设计完全自适应噪声集合经验模态分解(CEEMDAN)模型，对总负荷有功功率进行分解，得到一系列模态分量IMF；S3、计算信号矩阵的协方差矩阵，并对该协方差矩阵进行奇异值分解，最后使用Bayesian信息准则选择源数m；S4、采用最大信息系数(MIC)方法分析各IMF模态分量与原始信号的相关性程度，从中选择得分较高的IMF分量；S5、将选择的信号分量作为FastICA的输入，分解出完整的各负荷功率信号，实现负荷分解；S6、对分解信号与源负荷功率信号近似程度进行评估。2.根据权利要求1所述的一种基于CEEMDAN和FastICA的非侵入式负荷分解方法，其特征在于：步骤S2中，CEEMDAN对总负荷有功功率进行分解，包括以下步骤：S21、分μ(μ＝1,2,
…
,I)次向总功率信号序列x(t)添加标准正态分布的白噪声υ
μ
(t)，其中I为噪声添加次数，重构后的功率数据序列x
μ
(t)为：：x
μ
(t)＝x(t)+υ
μ
(t)S22、对x
μ
(t)进行第一次EMD分解，得到的分量IMF1及其残差r1(t)为：r1(t)＝x(t)
‑
IMF1S23、对r1(t)添加υ
μ
(t)并进行EMD分解，得到IMF2和r2(t)；分解i
‑
1次后向r
i
‑1(t)添加υ
μ
(t)，对进行第i次EMD分解，得到的IMF
i
及r
i
(t)为：r
i
(t)＝r
i
‑1(t)
‑
IMF
i
S24、经K次分解后r
K
(t)不能继续被EMD分解，至此，CEEMDA...

【专利技术属性】
技术研发人员：周孟然，朱梓伟，胡锋，姚小康，汪锟，刘宇，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：