基于改进粒子群优化FHMM的非侵入式负荷分解方法技术

本发明专利技术涉及电力系统技术领域，具体而言，涉及基于改进粒子群优化FHMM的非侵入式负荷分解方法，该方法的步骤包括：确定每个待监测负载的电力负荷状态数量；基于每个负载的电力负荷状态建立单负荷隐马尔可夫模型；基于每个单负荷隐马尔可夫模型组成总负荷隐马尔可夫模型，并通过线性递减权重的粒子群算法与Baum

【技术实现步骤摘要】
基于改进粒子群优化FHMM的非侵入式负荷分解方法


[0001]本专利技术涉及电力系统
，具体而言，涉及基于改进粒子群优化FHMM的非侵入式负荷分解方法。

技术介绍

[0002]负荷监测是一种节能技术,能够给消费者和电网公司提供住宅内每个电器的详细用电信息.该技术按照实现方式被分为侵入式和非侵入式。在实际应用中，相对于侵入式负荷监测,非侵入式负荷监测采用家庭的总功率水平作为输入来估计每个电器对总能耗信号的贡献程度,大大地降低对用户生活的影响以及装设成本，因此，我们针对于非侵入式负荷监测进行研究。
[0003]在非侵入式负荷监测中，负荷分解是非常重要的环节，其主要通过基于负荷模型的方法来实现。就目前而言，现有技术对于负荷模型的训练主要采用Baum
‑
Welch算法，此算法由于其初值选取的随机性，模型参数估计时容易受到局部最优的限制，容易影响分解结果的精确性。

技术实现思路

[0004]本专利技术的目的在于提供基于改进粒子群优化FHMM的非侵入式负荷分解方法，其通过将线性递减权重的粒子群算法与Baum
‑
Welch算法相结合，对总负荷隐马尔可夫模型参数进行优化，克服了Baum
‑
Welch算法容易陷入局部最优的技术问题，提高了负荷分解的精度的同时，也简化了负荷分解的计算流程。
[0005]本专利技术的实施例通过以下技术方案实现：
[0006]基于改进粒子群优化FHMM的非侵入式负荷分解方法，该方法的步骤包括：
[0007]确定每个待监测负载的电力负荷状态数量；
[0008]基于每个负载的电力负荷状态建立单负荷隐马尔可夫模型；
[0009]基于每个单负荷隐马尔可夫模型组成总负荷隐马尔可夫模型，并通过线性递减权重的粒子群算法与Baum
‑
Welch算法对总负荷隐马尔可夫模型的参数进行训练优化，以获取最优总负荷隐马尔可夫模型；
[0010]基于最优总负荷隐马尔可夫模型及电力负荷的观测序列，求解每个负载的最优状态序列及对应负荷的有功功率。
[0011]可选的，基于公开数据集AMPds2，并通过高斯混合聚类算法确定每个待监测负载的电力负荷状态数量，并建立负载的状态集合Q＝{q1,q2,...,q
t
,...,q
T
}，以表征为负载的运行过程，其中，q
t
为此负载在时间t的状态，T为运行时间的长度。
[0012]可选的，所述负载的状态集合Q服从均值为{μ1,μ2,...,μ
T
},方差为的混合高斯分布。
[0013]可选的，所述单负荷隐马尔可夫模型定义为：λ＝(π,A,B)；
[0014]其中，A为状态转移概率矩阵：A＝{a
ij
,1≤i,j≤K}，a
ij
为负载从状态i到状态j的
转移概率，a
ij
＝p(q
t
＝s
j
|q
t
‑1＝s
i
)，S＝{s1,s2,...,S
K
}，S为马尔可夫链，表征为负载的状态序列，K为负载的状态个数，p为概率，S
i
和s
j
为电器的任意两个工作状态；
[0015]B为观测概率矩阵：B＝{b
m
(o
t
),1≤m≤M,1≤t≤T}，b
k
(o
l
)为t时刻观测状态n
k
在隐藏状态s
m
生成的概率，b
m
(o
t
)＝p(o
t
＝n
k
|q
t
＝s
m
)，O＝{o1,o2,...,o
t
,...,o
T
}，O为电力负荷的观测序列，o
t
为电力负荷在t时刻的有功功率，b
m
为概率值，t时刻的隐藏状态q
t
＝s
m
；
[0016]π为负载初始时刻所处状态的概率：π＝{π
i
,1≤i≤K}，其中，π
i
＝p(q1＝s
i
)，π
i
为初始时刻负载处于状态S
i
的概率。
[0017]可选的，所述总负荷隐马尔可夫模型定义为：Ψ＝(Π,A,B)；Π为负载处于初始状态的概率：q
1N
为初始时刻第N个负载的运行状态，Π
i
为负载初始状态为i的概率；
[0018]其中，A为状态转移概率矩阵：q
tN
为t时刻第N个负载的运行状态；
[0019]B为观测概率矩阵：O
t
为t时刻的观测序列。
[0020]可选的，所述对总负荷隐马尔可夫模型的参数进行训练优化的具体步骤如下：
[0021]初始化总负荷隐马尔可夫模型，并生成N组模型参数Σ0；
[0022]基于Baum
‑
Welch算法，通过初始模型参数Σ0进行迭代更新，以获取最优模型参数Σ
*
，迭代更新的过程依次为：
[0023]确定最大训练次数D
m
，并设定最小允许误差值；
[0024]将N组模型参数Σ0作为粒子，通过第一公式获取每次更新后的适应度值，以调整粒子的位置及速度；
[0025]通过第二公式调整惯性权重ω，以调整粒子的搜索能力；
[0026]当训练次数达到D
m
后，输出参数即为所述最优模型参数Σ
*
。
[0027]可选的，所述第一公式具体为：
[0028]v
i
(t)＝ωv
i
(t
‑
1)+c1r1(p
best
‑
x
i
(t
‑
1))+c2r2(g
best
‑
x
i
(t
‑
1))
[0029][0030]其中，v
i
(t)为第i个粒子在t时刻的速度，ω为惯性权重，c1为个体学习因子，r1、r2为区间[0,1]上用于增加搜索随机性的随机数，p
best
为粒子i在本次迭代中的最优解，c2为群体学习因子，g
best
为所有粒子在本次迭代中的最优解，x
i
(t)为第i个粒子在t时刻的位置。
[0031]可选的，所述第二公式具体为：
[0032][0033]其中，ω为惯性权重，ω
max
为惯性权重的最大值，ω
min
为惯性权重的最小值，D为训练次数，D
m
为最大训练次数。
[0034]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进粒子群优化FHMM的非侵入式负荷分解方法，其特征在于，该方法的步骤包括：确定每个待监测负载的电力负荷状态数量；基于每个负载的电力负荷状态建立单负荷隐马尔可夫模型；基于每个单负荷隐马尔可夫模型组成总负荷隐马尔可夫模型，并通过线性递减权重的粒子群算法与Baum
‑
Welch算法对总负荷隐马尔可夫模型的参数进行训练优化，以获取最优总负荷隐马尔可夫模型；基于最优总负荷隐马尔可夫模型及电力负荷的观测序列，求解每个负载的最优状态序列及对应负荷的有功功率。2.根据权利要求1所述的基于改进粒子群优化FHMM的非侵入式负荷分解方法，其特征在于，基于公开数据集AMPds2，并通过高斯混合聚类算法确定每个待监测负载的电力负荷状态数量，并建立负载的状态集合Q＝{q1,q2,...,q
t
,...,q
T
}，以表征为负载的运行过程，其中，q
t
为此负载在时间t的状态，T为运行时间的长度。3.根据权利要求2所述的基于改进粒子群优化FHMM的非侵入式负荷分解方法，其特征在于，所述负载的状态集合Q服从均值为{μ1,μ2,...,μ
T
},方差为的混合高斯分布。4.根据权利要求3所述的基于改进粒子群优化FHMM的非侵入式负荷分解方法，其特征在于，所述单负荷隐马尔可夫模型定义为：λ＝(π,A,B)；其中，A为状态转移概率矩阵：A＝{a
ij
,1≤i,j≤K}，a
ij
为负载从状态i到状态j的转移概率，a
ij
＝p(q
t
＝s
j
|q
t
‑1＝s
i
)，S＝{s1,s2,...,s
K
}，S为马尔可夫链，表征为负载的状态序列，K为负载的状态个数，p为概率，s
i
和s
j
为电器的任意两个工作状态；B为观测概率矩阵：B＝{b
m
(o
t
),1≤m≤M,1≤t≤T}，b
k
(o
l
)为t时刻观测状态n
k
在隐藏状态s
m
生成的概率，b
m
(o
t
)＝p(o
t
＝n
k
|q
t
＝s
m
)，O＝{o1,o2,...,o
t
,...,o
T
}，O为电力负荷的观测序列，o
t
为电力负荷在t时刻的有功功率，b
m
为概率值，t时刻的隐藏状态q
t
＝s
m
；π为负载初始时刻所处状态的概率：π＝{π
i
,1≤i≤K}，其中，π
i
＝p(q1＝s
i
)，π
i
为初始时刻负载处于状态s
i
的概率。5.根据权利要求4所述的基于改进粒子群优化FHMM的非侵入式负荷分解方法，其特征在于，所述总负荷隐马尔可夫模型定义为：Ψ＝(Π,A,B)；Π为负载处于初始状态的概率：在于，所述总负荷隐马尔可夫模...

【专利技术属性】
技术研发人员：李岢淳，李兵，
申请(专利权)人：重庆交通大学，
类型：发明
国别省市：