【技术实现步骤摘要】
本专利技术涉及非侵入式负荷监测，尤其涉及一种dtw联合bi-lstm的电力负荷在线辨识方法。
技术介绍
1、全球能源紧缺的问题下，电能的高效利用是缓解当前能源问题的关键手段。目前家庭的能源消耗占比已达到全球能源消耗总量40％，其碳排放量日益增加，优化家庭能源消耗占比、减少能源浪费是实现节能减排的必由之路。要充分挖掘用户侧的“节能减排”潜能，关键在于对用户家庭中的各项负载实现能耗监测，不能局限于传统电表所记录的家庭总负荷数据，电网公司和用户根据“颗粒化”的用电监测能够分别调整配电、用电计划。
2、通过当前“智能电网”的建设可以实现上述目标。非侵入式负荷监测作为完善“智能电网”建设的重要手段与方法，对于实现“颗粒化”的用电监测是必不可少的。但是，现有的电器设备种类繁杂、数据量大，很难实现高精度的负荷辨识，尤其是当多种负荷同时运行时，易出现特征重叠、区分度降低等问题，负荷辨识精度不能得到保障，进一步加大了负荷辨识难度。
3、当前的负荷辨识方法面对家用电器日益增多的情况，难以提取区分度较好的特征，而且现有的负荷特征也存在重叠、有效性不佳以及提取困难等问题。所以大多都采用深度学习的方法，通过提取特征(如有功功率、有功-无功曲线、v-i轨迹、电流谐波等)训练模型实现负荷辨识，可以明显提高整体识别效果，但深度学习网络模型的训练需要大量的样本数据，导致负荷监测的精度与效率往往无法得到兼顾。同时，目前较少关注多种负荷同时运行的复杂情况，这可能会对负荷辨识模型的性能提出较高要求。
4、因此，提出一种dtw联合bi
技术实现思路
1、有鉴于此，本专利技术提供了一种dtw联合bi-lstm的电力负荷在线辨识方法，结合云平台实时监测电器设备运行状态，实现电力负荷的在线精准辨识。
2、为了实现上述目的，本专利技术采用如下技术方案：一种dtw联合bi-lstm的电力负荷在线辨识方法，包括以下步骤：
3、s1、数据采集步骤：采集用户的聚合电力负荷数据；
4、s2、事件检测步骤：通过cusum算法对s1中采集的聚合电力负荷数据执行事件检测，获取未知电器事件信号；
5、s3、特征提取步骤：采用短时傅里叶变换和堆叠稀疏自编码器s2中获取的未知事件信号进行特征提取以及特征降维，得到降维后的未知电器的负荷特征；
6、s4、模型训练步骤：基于s3中得到的降维后已知电器的负荷特征对已知电器事件信号进行特征化，并使用特征化后的已知电器事件信号训练bi-lstm模型；
7、s5、负荷辨识步骤：使用dtw算法与s4中训练好的bi-lstm模型对未知电器进行负荷辨识，并通过概率模型综合两者辨识结果，得到最终辨识概率向量；
8、s6、应用步骤：远程监测设备根据s5得到的最终辨识概率向量实现电器设备运行状态在线监测。
9、上述的方法，可选的，
10、s1具体内容为：
11、通过传感装置获取用户侧的整体能耗信息，并将用户侧的整体能耗信息上传至云平台；
12、其中，整体能耗信息包括但不限于：有功功率信号以及电流信号。
13、上述的方法，可选的，
14、s2具体内容为：在云平台构建cusum算法模型，对有功功率序列开展事件检测，确定电器运行情况，根据电器运行情况对电流信号进行提取，得到未知电器电流信号，即未知电器事件信号。
15、上述的方法，可选的，
16、cusum算法的计算公式为：
17、
18、其中，分别表示负荷投入和切出事件的累积和；分别为当前序列点在去除噪声影响之后的正向和反向偏移量，可表示为和μ0为变点前一定长度采样序列的平均值，β为采样序列中存在的噪声值。
19、上述的方法，可选的，
20、周期电流信号的计算公式为：
21、is(t)＝im(t)-in(t)(t＝1，2，...，n) (2)
22、其中，is(t)为负荷事件、im(t)为事件发生前、in(t)为事件发生后稳态电流的第t个采样点、n为电流序列长度。
23、上述的方法，可选的，s3具体内容如下：
24、s301、通过stft得到s2中未知电器事件信号对应的时频谱图，构建时频谱图的数值矩阵作为负荷特征来区分不同电器；
25、s302、使用ssae对负荷特征进行特征降维得到降维后的未知电器负荷特征。
26、上述的方法，可选的，s4具体内容如下：
27、s401、将所有已知电器的事件信号通过s3中提取的降维后的负荷特征，特征化得到负荷特征库，构建dtw算法模板库；
28、s402、对dtw算法模板库中的负荷特征数据进行划分，得到训练集和测试集，用于训练bi-lstm模型。
29、上述的方法，可选的，s5具体内容如下：
30、s501、将未知电器的负荷特征与dtw算法模板库内的特征向量进行相似度测算，计算与特征向量的最短局部代价量度加权和，最短局部代价量度加权和与识别出电器类别的概率负相关，输出第一辨识概率向量；
31、第一辨识概率向量pdtw(i)的计算公式为：
32、
33、其中，i代表第i个测试样本，k表示电器种类数；e(k)表示第i个测试样本同第k类电器之间的dtw距离，越小代表相似度越高；
34、s502、将未知电器的负荷特征输入训练好的bi-lstm模型输出第二辨识概率向量；第二辨识概率向量为pbi-lstm＝{p1，p2，...，p3}，
35、第二辨识概率向量pbi-lstm(i)的计算公式为：
36、pbi-lstm(i)＝softmax(wox(hi)+woh(ri)) (6)
37、其中，softmax为激活函数；hi与ri分别表示第i个测试样本前向层与反向层的输出量；
38、s503、通过概率模型结合两种算法的概率向量，最终辨识概率向量为pfinal(i)，辨识概率向量pfinal(i)的计算公式为：
39、
40、上述的方法，可选的，s6具体内容如下：
41、远程监测设备通过连接云平台获取s5中最终辨识概率向量作为负荷辨识结果，实时监测电器设备运行状态。
42、经由上述的技术方案可知，与现有技术相比，本专利技术提供了一种dtw联合bi-lstm的电力负荷在线辨识方法，具有以下有益效果：
43、本专利技术综合应用数据采集、云平台、数据处理、远程监测设备等多项技术，实现对电器设备运行状态的在线监测，具体可分为事件检测、特征提取、负荷辨识三个步骤；该方法的各项工作围绕对电力负荷状态信息的采集、检测、处理和监测等环节进行，结构合理、可操作性强，能本文档来自技高网...
【技术保护点】
1.一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，
3.根据权利要求2所述的一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，
4.根据权利要求3所述的一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，
5.根据权利要求3所述的一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，
6.根据权利要求1所述的一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，S3具体内容如下：
7.根据权利要求1所述的一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，S4具体内容如下：
8.根据权利要求1所述的一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，S5具体内容如下：
9.根据权利要求1所述的一种DTW联合Bi-LSTM的电力负荷在线辨识方法，其特征在于，S6具体内容如下：
【技术特征摘要】
1.一种dtw联合bi-lstm的电力负荷在线辨识方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种dtw联合bi-lstm的电力负荷在线辨识方法，其特征在于，
3.根据权利要求2所述的一种dtw联合bi-lstm的电力负荷在线辨识方法，其特征在于，
4.根据权利要求3所述的一种dtw联合bi-lstm的电力负荷在线辨识方法，其特征在于，
5.根据权利要求3所述的一种dtw联合bi-lstm的电力负荷在线辨识方法，其特征在...
【专利技术属性】
技术研发人员：汪显博，李真鸣，王震宇，闫云凤，陈郁林，齐冬莲，
申请(专利权)人：浙江大学海南研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。