适合少样本电器的负荷状态推导方法
文献发布时间：2024-04-18 19:53:33
技术领域
本发明属于非侵入式负荷监测领域，具体是一种适合少样本电器的负荷状态推导方法。
背景技术
目前，住宅和商业建筑能耗占全球能源使用的40％，并将在2030年上升至50％。建筑节能通过能源监测和能源监控在减少碳排放方面发挥着重要作用。能源监控是指准确、详细地查看设备能源消耗。最近的一项研究显示，80％的消费者希望能够详细了解他们的设备能源消耗。实时能量估计监控有助于将2030年电力消耗降低12％。此外，此信息在电器预防性维护与实用角度的需求响应上也很有作用。为了实现经济高效的能源监控，非侵入式负载监控(NILM)是一种有前途的解决方案。NILM是从智能仪表分解个人电器消费的过程。由于智能仪表的大规模部署，NILM解决方案的硬件基础设施易于具备。当前智能电表支持1Hz及以下采样率，能支持低频NILM解决方案。
NILM通常可分为两种方法：负荷分类和负荷分解。负荷分类通常涉及特征提取和分类，以区分聚合负载中的子负载。其主要任务为识别一组有用的电力负载的特性。在这方面，各种特征集，包括有功功率和无功功率特征用来区分聚合负载中的子负载的轮廓，此外瞬态功率的尖峰可以用于识别通电事件。最近，电压电流(V-I)轨迹被视为用于分类的图像特征，这提高了负荷的唯一性，并有助于迁移学习。然而，尽管为了确定电力负载的正确特征作出了许多努力，仍然很难找到一组可以描述和区分不同负荷类别的特征。在负荷分解中，能量分解问题被视为源分离任务，其中混合信号被分解为多个单个信号的和。对于多状态负荷的分解，文献[Apractical solution for non-intrusive type II loadmonitoring based on deep learning and post-processing]提出了一种基于后处理的卷积神经网络模型。此外，与电力负荷消耗画像相关的基于CNN的热量图也应用于低频载荷的分解。尽管很多方法被提出，但它们在多状态负荷分解上的效果都不佳。这是因为多状态负荷不同状态间的样本差别巨大，通常的方法在处理时容易使样本多的状态淹没样本少的状态，而大多数电器通常处于待机状态，这样对非待机状态的分解效果就不佳。
发明内容
本发明所要解决的技术问题是，针对现有技术的不足，提供一种适合少样本电器的负荷状态推导方法，采用原始电流、有功功率和无功功率以及各自相对变化量作为输入特征，并采用结合注意力机制的LSTM网络进行单电器状态分类，保证了初步分解的准确性，并采用带权重的偏向小样本的分类再投票机制得到单电器的最终负荷状态，进一步提高了非待机状态的分类准确性。
本发明解决上述技术问题所采用的技术方案为：适合少样本电器的负荷状态推导方法，包括以下步骤：
1)收集各单电器的电流、有功功率和无功功率的训练数据，对各单电器的电流、有功功率和无功功率进行聚类，得到单电器的工作状态集；
2)收集总电表的电流、有功功率和无功功率的训练数据，对总电表的电流、有功功率和无功功率进行聚类，得到总电路的工作状态集；
3)构造每个单电器的训练数据集，精简占支配地位的电器状态对应的数据，得到预处理后的训练数据；
4)构造状态分类深度神经网络，采用预处理后的训练数据对状态分类深度神经网络进行训练，得到单电器工作状态分类模型；
5)计算不同总电路工作状态下各单电器不同工作状态的主类平均分布概率；
6)采集总电表工作时的电流、有功功率和无功功率，并将采集的数据送入单电器工作状态分类模型，对各单电器的工作状态进行分类；
7)比较总电路不同时刻的工作状态，根据总电路的工作状态和各单电器不同工作状态的主类平均分布概率对各单电器的工作状态进行偏向小样本状态类的状态修正，得到优化后的工作状态类别，即为各单电器的负荷状态。
作为优选，步骤1)的具体过程为：
1.1)设有N个电器，收集其时刻t的电流、有功功率和无功功率的训练数据，该训练数据中电流、有功功率、无功功率序列分别为
当聚类得出的类别数M>10时，逐次增加meanshift方法的bandwidth参数，每次值增加5，直到类别数M≤10为止；
1.2)将聚类中心按电流大小进行排序，小电流的在前，大电流的在后，对其进行编号，编号最小的一类视为电器处于关状态(也称为待机状态)，否则为开状态，得到单电器的工作状态集。
作为优选，步骤2)的具体过程为：
2.1)每分钟采样一次，采集总电表的电流、有功功率和无功功率的训练数据，以该训练数据中总电表时刻t的电流i
2.2)取步骤1.1)中各单电器聚类时最小的bandwidth参数值作为当前bandwidth参数值，对总电表的电气特征进行聚类，设共聚为D类，第j类为
作为优选，步骤3)的具体过程为：
3.1)对于任一个单电器，如其某类工作状态S在训练数据中的样本数的占比超过80％且工作状态S的数据未经精简时，将工作状态S在训练数据中的样本数记为n
删除时刻t
3.2)循环执行步骤3.1)，直到没有一类工作状态的样本数在训练数据中的占比超过80％为止，得到预处理后的训练数据。
作为优选，步骤4)的具体过程为：
4.1)构造由两层LSTM网络、LSTM网络注意力层、全连接层、全连接层、分类层顺序堆叠而成的状态分类深度神经网络；
4.2)对于预处理后的每条训练数据，取总电表时刻t的电流i
4.3)从时刻t-1起向前遍历，直到找到第一个与总电路时刻t的工作状态不一致的时刻，记为时刻t-k，并将总电表时刻t-k的电流、有功功率和无功功率分别记为i
4.4)将第一部分特征与第二部分特征合并为输入特征，送入状态分类深度神经网络中进行训练，得到单电器工作状态分类模型。
作为优选，步骤5)的具体过程为：
5.1)对于训练数据中每个总电路的工作状态段
5.2)计算单电器E在总电路的工作状态段
5.3)计算单电器E在总电路的其他不同工作状态段的主类平均分布概率及其他单电器在总电路的不同工作状态段的主类平均分布概率。
作为优选，步骤6)的具体过程为：
6.1)每分钟采样一次，采集总电表工作时的电流、有功功率和无功功率的数据，从采集的数据中取总电表时刻t的电流i’
6.2)从时刻t-1起向前遍历，直到找到第一个与总电路时刻t的工作状态不一致的时刻，记为时刻t-k
6.3)将特征一与特征二合并为输入特征，送入单电器工作状态分类模型，对各单电器的工作状态进行分类。
作为优选，步骤7)的具体过程为：
7.1)将总电路时刻t的工作状态归入总电路的工作状态集，如总电路时刻t的工作状态与总电路时刻t-1的工作状态的类别不一致，则直接将步骤6)得到的单电器的工作状态作为单电器最终的负荷状态；如总电路时刻t的工作状态与总电路时刻t-1的工作状态的类别一致，进入步骤7.2)；
7.2)从时刻t起向前遍历，直到找到第一个与总电路时刻t的工作状态不一致的时刻，记为时刻t-k
7.3)计算单电器的其他工作状态出现的可能性大小的标量刻度修正值，取计算的单电器的所有标量刻度修正值中最大者对应的工作状态作为单电器在时刻t-k
与现有技术相比，本发明具有如下优点：本发明采用原始电流、有功功率和无功功率以及各自相对变化量作为输入特征，并采用结合注意力机制的LSTM网络进行单电器状态分类，保证了初步分解的准确性，并采用带权重的偏向小样本的分类再投票机制得到单电器的最终负荷状态，进一步提高了非待机状态的分类准确性。本发明方法能根据总电表的电流、有功功率和无功功率准确推导得出各电器的负荷状态，特别适合于小样本电器负荷状态的推导，以利于后续的进一步处理，为进一步应用奠定基础。此外，由于基于1分钟采样一次的低频非侵入式信号处理技术，本发明方法无需对电表进行硬件改造，极大地节约了成本，具有广阔的应用和推广前景。
附图说明
图1为实施例中电视机的状态及其对应的电流图；
图2为总电表的电流图；
图3为电视机的实际电流图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
实施例的适合少样本电器的负荷状态推导方法，包括以下步骤：
1)收集各单电器的电流、有功功率和无功功率的训练数据，对各单电器的电流、有功功率和无功功率进行聚类，得到单电器的工作状态集；
步骤1)的具体过程为：
1.1)设有N＝6个电器，分别是地下室灯、洗碗机、洗衣机、冰箱、电视、电脑，收集其时刻t的电流、有功功率和无功功率的训练数据，该训练数据中电流、有功功率、无功功率序列分别为
当聚类得出的类别数M>10时，逐次增加meanshift方法的bandwidth参数，每次值增加5，直到类别数M≤10为止；
1.2)将聚类中心按电流大小进行排序，小电流的在前，大电流的在后，对其进行编号，编号最小的一类视为电器处于关状态，否则为开状态，得到单电器的工作状态集；
2)收集总电表的电流、有功功率和无功功率的训练数据，对总电表的电流、有功功率和无功功率进行聚类，得到总电路的工作状态集；
步骤2)的具体过程为：
2.1)每分钟采样一次，采集总电表的电流、有功功率和无功功率的训练数据，以该训练数据中总电表时刻t的电流i
2.2)取步骤1.1)中各单电器聚类时最小的bandwidth参数值作为当前bandwidth参数值，对总电表的电气特征进行聚类，设共聚为D类，第j类为
3)构造每个单电器的训练数据集，精简占支配地位的电器状态对应的数据，得到预处理后的训练数据；
步骤3)的具体过程为：
3.1)对于任一个单电器，如其某类工作状态S在训练数据中的样本数的占比超过80％且工作状态S的数据未经精简时，将工作状态S在训练数据中的样本数记为n
删除时刻t
3.2)循环执行步骤3.1)，直到没有一类工作状态的样本数在训练数据中的占比超过80％为止，得到预处理后的训练数据；
4)构造状态分类深度神经网络，采用预处理后的训练数据对状态分类深度神经网络进行训练，得到单电器工作状态分类模型；
步骤4)的具体过程为：
4.1)构造由两层LSTM网络、LSTM网络注意力层、全连接层、全连接层、分类层顺序堆叠而成的状态分类深度神经网络；
4.2)对于预处理后的每条训练数据，取总电表时刻t的电流i
4.3)从时刻t-1起向前遍历，直到找到第一个与总电路时刻t的工作状态不一致的时刻，记为时刻t-k，并将总电表时刻t-k的电流、有功功率和无功功率分别记为i
4.4)将第一部分特征与第二部分特征合并为输入特征，送入状态分类深度神经网络中进行训练，得到单电器工作状态分类模型；
5)计算不同总电路工作状态下各单电器不同工作状态的主类平均分布概率；
步骤5)的具体过程为：
5.1)对于训练数据中每个总电路的工作状态段
5.2)计算单电器E在总电路的工作状态段
5.3)计算单电器E在总电路的其他不同工作状态段的主类平均分布概率及其他单电器在总电路的不同工作状态段的主类平均分布概率；
6)采集总电表工作时的电流、有功功率和无功功率，并将采集的数据送入单电器工作状态分类模型，对各单电器的工作状态进行分类；
步骤6)的具体过程为：
6.1)每分钟采样一次，采集总电表工作时的电流、有功功率和无功功率的数据，从采集的数据中取总电表时刻t的电流i’
6.2)从时刻t-1起向前遍历，直到找到第一个与总电路时刻t的工作状态不一致的时刻，记为时刻t-k
6.3)将特征一与特征二合并为输入特征，送入单电器工作状态分类模型，对各单电器的工作状态进行分类；
7)比较总电路不同时刻的工作状态，根据总电路的工作状态和各单电器不同工作状态的主类平均分布概率对各单电器的工作状态进行偏向小样本状态类的状态修正，得到优化后的工作状态类别，即为各单电器的负荷状态；
步骤7)的具体过程为：
7.1)将总电路时刻t的工作状态归入总电路的工作状态集，如总电路时刻t的工作状态与总电路时刻t-1的工作状态的类别不一致，则直接将步骤6)得到的单电器的工作状态作为单电器最终的负荷状态；如总电路时刻t的工作状态与总电路时刻t-1的工作状态的类别一致，进入步骤7.2)；
7.2)从时刻t起向前遍历，直到找到第一个与总电路时刻t的工作状态不一致的时刻，记为时刻t-k
7.3)计算单电器的其他工作状态出现的可能性大小的标量刻度修正值，取计算的单电器的所有标量刻度修正值中最大者对应的工作状态作为单电器在时刻t-k
本实施例中，电视机的负荷状态推导结果见图1～图3。图1为实施例中电视机的状态及其对应的电流图。图2为总电表的电流图。图3为电视机的实际电流图，以对应的聚类中心的电流表示。