一种半监督负荷识别及分解方法、系统及存储介质技术方案

本发明专利技术公开了一种半监督负荷识别及分解方法、系统及存储介质，方法包括步骤：获取监测设备中收集的聚合能源消耗数据；获取一组标记的和未标记的分解能源消耗数据并进行存储；对标记的和未标记的分解能源消耗数据进行预处理，提取相关特征；根据所述相关特征训练半监督学习模型，得到训练好的半监督学习模型；将所述聚合能源消耗数据代入所述训练好的半监督学习模型对所述聚合能源消耗数据进行分解，得到各用电设备的负荷。本发明专利技术采用非侵入式负荷识别技术，结合半监督学习算法，具有以下优点：不依赖于样本库，适应性强、可以做到无阈值和无标签地鉴别用电设备动作、计算复杂度低、可以实现针对每个用户连续不断地在线学习、准确率越来越高。确率越来越高。确率越来越高。

【技术实现步骤摘要】
一种半监督负荷识别及分解方法、系统及存储介质


[0001]本专利技术涉及电力负荷用电细节监测
，尤其涉及一种半监督负荷识别及分解方法、系统及存储介质。

技术介绍

[0002]近年来，随着物联网技术的飞速发展和智能传感设备及技术的广泛安装部署与应用，特别是高级量测体系的普及实施，能源大数据监控平台已经成为学术研究和企业发展所关注的热点领域。非侵入式监测常被称作为负荷分解与监测(loaddisaggregationandmonitoring，LDM)。研究表明，基于LDM技术的用电细节监测具有简单、经济、可靠、数据完整性好和易于迅速大范围推广等优势，能够在充分利用现有基础设施(如通信设施)的情况下，通过增加最少的投资(数据信息采集硬件系统升级)来获得优质详细的用电数据信息，进而显著提升智能用电相关应用的水平。基于非侵入式技术的能源监控优势在于只需1个传感器，通过对用户电压电流的分析来实现用户内负荷的辨识和分项计量。
[0003]近年来随着人工智能，大数据，云计算以及传感技术的发展，尤其是人们的节能意识不断增强，NILM（非侵入式复核监测）技术已经得到飞速发展，走出实验室，成为能源互联网领域的研究热点，在能源行业发挥着越来越大的作用。未来非侵入式负荷在线将会以居民负荷用电的可视化手段，大规模应用为研究重点，以打造个性化的居民用电体验为目标，从而实现真正的能源互联。
[0004]获取用户详细用电数据是理解用户用电行为和能源结构的基础，更是智能用电分析和实现能源互联网的关键。然而目前市场上没有一种提供电力负荷的能耗信息细节的技术产品实现能源需求和供应的实时动态调整。因此开发一种能够获取用户能耗细节数据的系统对于理解用户用电行为，实现能源互联网至关重要。非侵入式电力负荷辨识技术基于功率监测，深入细化到负荷内部，提供不同层面更为详细的电能使用数据。现有的非侵入式电力负荷识别技术方案硬件设备昂贵，软件算法需要大量有标签的样本库进行被动学习，计算效率低，难以满足能源互联网的要求。
[0005]因此，现有技术还有待于改进和发展。

技术实现思路

[0006]鉴于上述现有技术的不足，本专利技术的目的在于提供一种半监督负荷识别及分解方法、系统及存储介质，旨在解决现有的非侵入式电力负荷识别技术方案硬件设备昂贵，软件算法需要大量有标签的样本库进行被动学习，计算效率低，难以满足能源互联网的要求的问题。
[0007]本专利技术为解决上述技术问题所采用的技术方案如下：一种半监督负荷识别及分解方法，其中，包括步骤：获取监测设备中收集各个设备的聚合能源消耗数据；
获取一组标记的分解能源消耗数据和一组未标记的分解能源消耗数据并进行存储；对所述标记的分解能源消耗数据和所述未标记的分解能源消耗数据进行预处理，提取相关特征；根据所述相关特征训练半监督学习模型，得到训练好的半监督学习模型；将所述聚合能源消耗数据代入所述训练好的半监督学习模型对所述聚合能源消耗数据进行分解，得到各用电设备的负荷。
[0008]所述的半监督负荷识别及分解方法，其中，所述聚合能源消耗数据的特征选择包括基波或谐波有功功率、无功功率、稳态特征、暂态特征、事件的开关状态、电压、电流有效值中的一种或多种。
[0009]所述的半监督负荷识别及分解方法，其中，所述预处理选自滤波处理、归一化处理、分段处理、特征提取处理、数据清洗处理中的一种或多种。
[0010]所述的半监督负荷识别及分解方法，其中，所述相关特征选自时间域特征、频域特征、统计特征、小波特征、转变点特征中的一种或多种。
[0011]所述的半监督负荷识别及分解方法，其中，所述时间域特征包括电流和电压的瞬时值、平均值、最大值、最小值、方差、波形因数、峰值因数、形状因数、脉冲因数中的一种或多种；所述频域特征包括频谱形状、主频率、频谱能量、频谱熵、频谱质心、频谱斜度、频谱峭度中的一种或多种；所述统计特征包括电流和电压的均值、中值、标准差、偏度、峰度、相关性、自相关性中的一种或多种；所述小波特征包括电力信号在不同尺度和不同频率下的能量分布、小波系数；所述转变点特征包括上升边缘、下降边缘、脉冲宽度、脉冲高度、脉冲间隔中的一种或多种。
[0012]所述的半监督负荷识别及分解方法，其中，所述半监督学习算法模型选自半监督支持向量机、标签传播算法、标签扩散算法、半监督深度生成模型中的一种。
[0013]所述的半监督负荷识别及分解方法，其中，所述根据所述相关特征训练半监督学习模型，得到训练好的半监督学习模型的步骤，具体包括：提供半监督学习模型；根据所述标记的分解能源消耗数据的相关特征对所述半监督学习模型进行训练，再根据所述未标记的分解能源消耗数据的相关特征进行无监督学习，得到预训练的半监督学习模型；根据所述预训练的半监督学习模型对未标记的分解能源消耗数据的标记进行预测并生成新标记，并利用所述新标记对所述预训练的半监督学习模型进行更新，得到更新后的半监督学习模型；对所述更新后的半监督学习模型的指标进行评估，所述指标大于预设阈值，则得到训练好的半监督学习模型；或，所述指标小于预设阈值，返回对所述更新后的半监督学习模型进行训练，直至所述指标大于预设阈值，得到训练好的半监督学习模型。
[0014]所述的半监督负荷识别及分解方法，其中，所述指标包括准确率、精确率、召回率、F1值中的一种或多种。
[0015]一种半监督负荷识别及分解系统，其中，包括：数据采集模块，用于获取监测设备中收集的聚合能源消耗数据；
数据存储模块，用于获取一组标记的分解能源消耗数据和一组未标记的分解能源消耗数据并进行存储；预处理模块，用于对所述标记的分解能源消耗数据和所述未标记的分解能源消耗数据进行预处理，提取相关特征；半监督学习模块，用于根据所述相关特征训练半监督学习模型，得到训练好的半监督学习模型；分解模块，用于将所述聚合能源消耗数据代入所述训练好的半监督学习模型对所述聚合能源消耗数据进行分解，得到各用电设备的负荷。
[0016]一种计算机可读存储介质，其中，所述计算机可读存储介质存储有半监督负荷识别及分解程序，所述半监督负荷识别及分解程序被处理器执行时，实现如本专利技术上述方案所述的半监督负荷识别及分解方法的步骤。
[0017]有益效果：本专利技术公开了一种半监督负荷识别及分解方法、系统及存储介质，本专利技术采用非侵入式负荷识别技术，相对于侵入式负荷识别技术具有实施难度低、硬件经济成本低（每户只需不到300元）、可靠性高、用户接受程度高、覆盖用户范围大、数据完整性好和商业化大规模推广容易的优点，再结合半监督学习算法，相对于美国的Sense具有以下优点：（1）算法模型不依赖于样本库，适应性强（不用调参数），从根本上减少识别算法的计算代价，降低服务器的运行成本；（2）可以做到无阈值（可识别小至充电的手机）和无标签（不用用户指定电器数目）地鉴别用电设备动作；（3）计算复杂度低（与训练样本数成线性关系）；（4）可以实现针对每个用户连续不断地在线学习；（5）算法能够随着样本增长，自适应用电设备的物理特性变化，并且本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半监督负荷识别及分解方法，其特征在于，包括步骤：获取监测设备中收集的聚合能源消耗数据；获取一组标记的分解能源消耗数据和一组未标记的分解能源消耗数据并进行存储；对所述标记的分解能源消耗数据和所述未标记的分解能源消耗数据进行预处理，提取相关特征；根据所述相关特征训练半监督学习模型，得到训练好的半监督学习模型；将所述聚合能源消耗数据代入所述训练好的半监督学习模型对所述聚合能源消耗数据进行分解，得到各用电设备的负荷。2.根据权利要求1所述的半监督负荷识别及分解方法，其特征在于，所述聚合能源消耗数据的特征选择包括基波或谐波有功功率、无功功率、稳态特征、暂态特征、事件的开关状态、电压、电流有效值中的一种或多种。3.根据权利要求1所述的半监督负荷识别及分解方法，其特征在于，所述预处理选自滤波处理、归一化处理、分段处理、特征提取处理、数据清洗处理中的一种或多种。4.根据权利要求1所述的半监督负荷识别及分解方法，其特征在于，所述相关特征选自时间域特征、频域特征、统计特征、小波特征、转变点特征中的一种或多种。5.根据权利要求4所述的半监督负荷识别及分解方法，其特征在于，所述时间域特征包括电流和电压的瞬时值、平均值、最大值、最小值、方差、波形因数、峰值因数、形状因数、脉冲因数中的一种或多种；所述频域特征包括频谱形状、主频率、频谱能量、频谱熵、频谱质心、频谱斜度、频谱峭度中的一种或多种；所述统计特征包括电流和电压的均值、中值、标准差、偏度、峰度、相关性、自相关性中的一种或多种；所述小波特征包括电力信号在不同尺度和不同频率下的能量分布、小波系数；所述转变点特征包括上升边缘、下降边缘、脉冲宽度、脉冲高度、脉冲间隔中的一种或多种。6.根据权利要求1所述的半监督负荷识别及分解方法，其特征在于，所述半监督学习模型选自半监督支持向量机、标签传播算法、标签扩散算法、半监督深度生成模型中的一种。...

【专利技术属性】
技术研发人员：庄蒙蒙，
申请(专利权)人：深圳市芝电能源科技有限公司，
类型：发明
国别省市：