一种基于多标签分类的非侵入式负荷监测方法

技术领域

本发明涉及电力负荷管理分析技术领域，具体为一种基于多标签分类的非侵入式负荷监测方法。

背景技术

非侵入式负荷监测技术，旨在通过仅安装电力用户入口处的智能电表，采集用户用电的总数据，实现对用户负荷运行状态的识别。电力用户的用电总数据，是由用户家中的各个处于运行状态的负荷的用电数据，以及背景噪声叠加而成，通常情况下，同一时刻可能会有多个负荷处于运行状态，因此，提供一种非侵入式负荷监测方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于多标签分类的非侵入式负荷监测方法，提高了负荷识别的效率并获得较高的识别精度，具有很强的实用价值和现实意义。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

第一方面，提供了一种基于多标签分类的非侵入式负荷监测方法，包括：

采集用户的用电总数据，并将用户的用电总数据划分为训练集和测试集，构建不同类型负荷的用电模型；

构建多标签分类模型对非侵入式负荷识别问题进行表征；

构建多标签分类问题求解模型，并使用训练集和验证集对多标签分类问题求解模型参数进行训练；

将训练完成的多标签分类问题求解模型应用于负荷识别，获取负荷的运行状态；

根据负荷的运行状态，预测负荷的功率消耗情况。

优选的，所述的电力用户的用电总数据包括有功功率、无功功率、电压、电流谐波；并随机选取用户的用电总数据中的85％作为测试集，剩余的15％作为验证集。

优选的，所述不同类型负荷的用电模型包括负荷的工作状态数目，以及相对应所消耗的有功功率和无功功率数值。

优选的，所述构建多标签分类模型对非侵入式负荷识别问题进行表征，包括：

建立用户的用电总数据和各个负荷单独的用电数据之间的关系：

其中，P(t)、Q(t)分别为用户在t时刻的总有功功率和总无功功率数据，N为负荷数量，M

优选的，所述构建多标签分类问题求解模型，并使用训练集和验证集对多标签分类问题求解模型参数进行训练，包括：

采用基于随机森林的RAKEL多标签分类方法对非侵入式负荷识别问题进行计算求解，RAKEL的具体计算步骤如下：

对于不同时刻采集得到用户的用电总数据样本，在应用多标签分类问题时，每个负荷对应的工作状态看作是一类标签，并构成标签集合；

从标签集合中选取若干个标签组合，其中每个标签组合包含k个标签；

为每个标签组合建立一个分类器并进行训练；

在识别未知样本时，获取每个分类器的识别结果，并采用投票法决定最终的识别结果。

优选的，所述将训练完成的多标签分类问题求解模型应用于负荷识别，获取负荷的运行状态，包括：

采用随机森林模型进行负荷识别，并采用网格搜索以及k折交叉验证方法确定模型参数，具体步骤如下：

设置随机森林模型的初始化参数，以及各个参数的取值范围和步长，令k折交叉验证的参数k＝10；

在一组特定的模型参数下，将测试集数据平均划分成十组，并进行十次训练，每次训练过程中选择一组数据用于测试模型的训练结果，剩余九族数据用于训练模型，并取十次训练结果的平均值作为该组模型参数的训练结果；

所有参数组合全部训练完成后，选取训练结果最好的一组模型参数，作为负荷识别模型的最终参数。

优选的，所述根据负荷的运行状态，预测负荷的功率消耗情况，包括：

目标：

其中P(t)、Q(t)分别为用户在t时刻的总有功功率和总无功功率数据，p

约束：

对于具有多个工作状态的负荷，某一时刻下其最多只能处于一个工作状态，为：

在对负荷的功率消耗进行估计时，将被识别为开启的负荷的工作状态x

其中，

第二方面，提供了一种设备，包括：

一个或多个处理器；

存储器，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行所述的一种基于多标签分类的非侵入式负荷监测方法。

第三方面，提供了一种存储有计算机程序的计算机可读存储介质，该程序被处理器执行时实现所述的一种基于多标签分类的非侵入式负荷监测方法。

(三)有益效果

本发明一种基于多标签分类的非侵入式负荷监测方法，能够在负荷识别过程中，采用多标签分类算法对负荷的运行状态进行识别，并基于识别结果进一步预测负荷所消耗的功率，提高负荷识别的效率并获得较高的识别精度，具有很强的实用价值和现实意义。

附图说明

图1为本发明方法流程示意图。

具体实施方式

下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例

如图1所示，本发明实施例提供一种基于多标签分类的非侵入式负荷监测方法，包括：

步骤1：通过安装在电力用户的电力入口处的智能电表采集用户的用电总数据，并将用户的用电总数据划分为训练集和测试集，构建不同类型负荷的用电模型。

具体的，电力用户的用电总数据包括有功功率、无功功率、电压、电流谐波。典型负荷的用电模型包括，负荷的工作状态数目，以及相对应所消耗的有功功率和无功功率数值。并随机选取用户的用电总数据中的85％为测试集，剩余的15％为验证集。

步骤2：构建多标签分类模型对非侵入式负荷识别问题进行表征。

在负荷识别问题中，用户的用电总数据和各个负荷单独的用电数据之间的关系为，

其中P(t)、Q(t)分别为用户在t时刻的总有功功率和总无功功率数据，N为负荷数量，M

将采集得到的电力用户的用电总数据作为数据样本，其包含的各类参数作为数据特征，而各个负荷的运行状态则作为样本的标签。通过对各个样本进行分析识别，判断其所属的标签，即为根据用电总数据确定各个负荷的工作状态。考虑到同一时刻可能有多个负荷同时处于运行状态，即一个样本可能同时有多个不同的标签。可基于多标签分类对非侵入式负荷识别问题进行表征。

步骤3：构建多标签分类问题求解模型，并使用训练集和验证集对多标签分类问题求解模型参数进行训练。

其采用基于随机森林的RAKEL多标签分类方法对负荷识别问题进行计算求解，RAKEL的具体计算步骤如下：

步骤3.1)对于不同时刻采集得到用电总数据样本，在应用多标签分类问题时，每个负荷对应的工作状态可看作是一类标签，并构成标签集合；

步骤3.2)从标签集合中选取若干个标签组合，其中每个标签组合包含k个标签；

步骤3.3)为每个标签组合建立一个分类器并进行训练；

步骤3.4)在识别未知样本时，获取每个分类器的识别结果，并采用投票法决定最终的识别结果。

其采用随机森林模型进行负荷识别，并采用网格搜索以及k折交叉验证方法确定模型参数，具体步骤如下：

步骤4.1)设置随机森林模型的初始化参数，以及各个参数的取值范围和步长，令k折交叉验证的参数k＝10；

步骤4.2)在一组特定的模型参数下，将测试集数据平均划分成十组，并进行十次训练，每次训练过程中选择一组数据用于测试模型的训练结果，剩余九族数据用于训练模型，并取十次训练结果的平均值作为该组模型参数的训练结果；

步骤4.3)所有参数组合全部训练完成后，选取训练结果最好的一组模型参数，作为负荷识别模型的最终参数

步骤4：将训练完成的模型应用于负荷识别，获取负荷的运行状态。

步骤5：根据负荷的运行状态，预测负荷的功率消耗情况。

其涉及如下的优化模型：

优化目标为：

/>

其中P(t)、Q(t)分别为用户在t时刻的总有功功率和总无功功率数据，p

对于具有多个工作状态的负荷，某一时刻下其最多只能处于一个工作状态，即：

在对负荷的功率消耗进行估计时，将被识别为开启的负荷的工作状态x

其中，

本发明所选实施例中，在LVNS仿真平台中设置居民用户的负荷数据，对其五天的用电行为进行仿真，并得到用电数据作为应用场景。各个负荷的模型参数如表1所示。

表1负荷的模型参数

/>

以机器学习领域中的评价指标F1值，包括F1-micro和F1-macro，标准均方根误差(NMSE)作为衡量负荷识别准确程度的指标，F1值用于评价负荷识别的准确性，NMSE用于评价负荷功率估计的准确性。并将本发明所提方法与基于决策树和支持向量机的负荷识别方法进行对比，如表2所示。

表2负荷识别结果

由表2中可以看出，基于决策树和支持向量机的负荷识别算法，其F1-micro和F1-macro值均处于一个较高的水平，F1-micro值超过0.96，而F1-macro位于0.9左右，而本发明所提的方法，其F1-micro和F1-macro值有进一步的提高，均超过了0.99，说明本发明方法能准确可靠完成负荷识别任务。

各个负荷的功率消耗估计结果如表3所示。

表3各个负荷的功率消耗估计结果

由表3可以看出，各个负荷的NMSE值均处于较低的水平，最高不超过3％，最低仅有0.1％，表明负荷的功率消耗估计值与其功率实际消耗值较为接近，说明了本发明所提方法在负荷功率消耗估计的准确性和有效性。

本申请的实施例可提供为方法或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。