CN110555369A - 一种基于mlcdtl的非侵入式负荷识别方法 - Google Patents

Abstract

一种基于MLCDTL(Multi‑Label Consistent Deep Dictionary Learning)的非侵入式负荷识别方法，包括以下步骤：1)数据处理；2)事件探测；3)特征提取；4)负荷识别。首先采用中值滤波滤除功率采样序列中的尖峰，有助于抑制设备运行过程中的脉冲或波动；然后根据滤波后的功率时间序列，通过改进的变长滑动窗口CUSUM双向探测算法，检测暂态过程的开始与结束时间；接着根据暂态过程的开始与结束时间，对稳态时的电流采样数据使用快速傅里叶变换(FFT)，获得由电流基波与各次谐波分量构成的特征向量，所有特征向量组合在一起为特征向量矩阵；最后基于MLCDTL算法，将负荷识别转化为一个多标签分类问题，通过迭代求解目标函数，实现非侵入式负荷识别。本发明能够全面客观且符合实际情况、可信度较高。

Description

一种基于MLCDTL的非侵入式负荷识别方法

技术领域

本发明涉及非侵入式负荷监测(Non-intrusive Load Monitoring，NILM)领域，尤其涉及一种基于MLCDTL(Multi-label Consistent Deep Dictionary Learning，即多标签一致的深度转换学习)的非侵入式负荷识别方法。

背景技术

非侵入式负荷监测(Non-intrusive Load Monitoring，NILM)技术通过对用户总负荷数据的分解与识别，可以获得精细化的用户内部负荷类别与使用状态数据，是解决智能用电负荷监测难题的有效途径。非侵入式负荷监测无需在用户侧安装负荷监测装置或对智能电表大幅度升级改造，依靠现有用电信息采集***的数据采集装置和通信网络，采用先进的数据通信技术获取精细化的用户用电负荷数据，再利用电力云平台强大的数据处理能力运行较为复杂和准确的负荷识别算法。具有很好的经济性和扩展性，在解决负荷数据通信技术的基础上，更适合在智能用电居民用户中推广与应用。

非侵入式负荷监测一般分为以下五个步骤：数据量测、数据处理、事件探测、特征提取、负荷识别。虽然目前NILM技术已经有了一定的进步与发展，但在具体应用过程中仍存在诸多问题：

(1)部分NILM过分强调负荷识别算法，有时会省略事件探测步骤，直接对所有采样数据进行分析，这样虽然有助于识别空载状态下的负荷情况，但是会大大增加算法的计算量，影响计算速度；

(2)部分NILM的事件探测算法精度较低，一般只会简单地测算暂态的开始时间。但对于某些设备如电脑、微波炉等，其暂态持续较长，需要对暂态的开始与结束时间分别进行检测。

(3)目前，在负荷识别中常用的数据挖掘算法包括：贝叶斯分类器、K近邻算法、随机森林、支持向量机(SVM)、各类神经网络等。这些方法在本质上都属于一种多分类算法(Multiclass Classification)，即每个样本只对应单个标签。但是负荷识别往往属于一个多标签分类问题(Multi-label Classification)，即每个样本可能对应多个标签，因为在同一时间内可能存在多台设备同时运行的情况。以往的解决方案是将不同的分类组合变成一个新的标签，即把一个多标签问题转化成一个多分类问题。这样无疑会增加模型的复杂程度，降低计算速度，不能实现真正意义上的多标签分类。

发明内容

为了克服现有非侵入式负荷识别过程中事件探测精度较低、负荷识别计算量较大的不足，本发明提供了一种能够检测暂态开始与结束时间、能实现多负荷识别的基于MLCDTL的非侵入式负荷识别方法

本发明解决其技术问题所采用的技术方案是：

一种基于MLCDTL的非侵入式负荷识别方法，所述评价方法包括以下步骤：

1)数据处理

采用中值滤波滤除功率采样序列中的尖峰，有助于抑制设备运行过程中的脉冲或波动；

2)事件探测

根据滤波后的功率时间序列，通过改进的变长滑动窗口CUSUM双向探测算法，检测暂态过程的开始与结束时间；

3)特征提取

根据暂态过程的开始与结束时间，对稳态时的电流采样数据使用快速傅里叶变换FFT，获得由电流基波与各次谐波分量构成的特征向量，所有特征向量组合在一起为特征向量矩阵；

4)负荷识别

基于MLCDTL算法，将负荷识别转化为一个多标签分类问题，通过迭代求解目标函数，实现非侵入式负荷识别。

进一步，所述步骤1)中，采用中值滤波来处理功率采样序列中的功率尖峰，从而消除孤立的数据点；设功率采样序列为将t时刻的采样值p_t用[t-N,t+N]邻域内的中值代替，滤波后的功率时间序列为

在进一步，所述步骤2)中，事件探测步骤为：

2.1)对于步骤1)中得到的功率时间序列采用变长滑动窗口对序列进行划分；窗口可分为均值计算窗口(Mean Window，MW)和暂态过程检测窗口(DetectionWindow，DW)，长度分别用N_M和N_D表示；初始化窗口大小，令N_M等于MW的最大值N_D等于DW的最小值当DW内没有检测到暂态过程时，将滑动窗口向右移动N_D，同时让N_M减少ΔN_M，N_D增加ΔN_D，N_M的最小值为N_D的最大值为当DW内检测到暂态过程时，将滑动窗口向左移动延迟时间d^±，并恢复MW和DW到初始大小，之后保持N_M和N_D继续向后探测，直至DW中的双边累积和都等于零；此时产生一个新的反向滑动窗口，从当前位置向前探测暂态过程的结束时刻；

2.2)对于步骤2.1)中DW内的时间序列采用非参数化的双边CUSUM检测算法，以正向检测为例，其双边累积和g^±(k)定义为：

g⁺(0)＝0,g⁺(t)＝max(g⁺(t-1)+x(t)-(μ₀+β),g⁺(0)) (1)

g^-(0)＝0,g^-(t)＝max(g^-(t-1)-x(t)+(μ₀-β)，g^-(0)) (2)

其中，μ₀为MW内数据的均值，β为外界引入的噪声；当g^±(k)大于预先设置的阈值h时，则判定有暂态事件发生；初始化延迟时间为0，当0＜g^±(k)≤h时，存在发生暂态事件的可能，令延迟时间当g^±(t)＞h时，判定有暂态事件发生，倒推发生的时刻t为当前时刻，并重置延迟时间

更进一步，所述步骤3)中，选取合适的长度对稳态时的电流采样序列进行划分，对划分后的子序列分别使用FFT，所得的特征向量为x_j＝[x_0j,x_1j,…,x_ij,…]^T(x_0j和x_ij分别表示第j个子序列对应的基波分量与第i次谐波分量)，组成的特征向量矩阵为X＝[x₁,x₂,…,x_j,…]。

所述步骤4)中，负荷识别步骤为：

4.1)根据步骤3)中构建的特征向量矩阵X进行初始化操作，随机生成三级转换矩阵T₁、T₂、T₃，再初始化三级系数矩阵Z₁、Z₂、Z：

其中，为激活函数，可取tanh函数等；

4.2)根据步骤4.1)中的初始化操作，开始迭代求解MLCDTL的目标函数：

引入多标签一致性惩罚项和正则惩罚项，并使用增广拉格朗日乘子法(AugmentedLagrangian，AL)将目标函数改进为：

式中，矩阵Y为目标矩阵，Y＝[y₁,y₂,…,y_j,…]，y_j为目标向量，y_j＝[y_1j,y_2j,…,y_kj,…,y_Kj]^T(K为设备类型的数量，y_kj为特征向量y_j所对应的第k种设备的运行情况，如果该设备处于开启状态，则y_kj＝1，否则y_kj＝0)，矩阵M为映射矩阵，将系数矩阵Z映射到目标矩阵Y，λ、ε和μ分别为多标签一致性惩罚项系数、正则惩罚项系数和增广拉格朗日乘子；

4.3)根据步骤4.2)中改进的目标函数，使用交替方向乘子法(AlternatingDirection Method of Multipliers，ADMM)将其分解为以下子问题：

求解问题Q1～Q7，按照以下顺序更新各矩阵：

4.4)重复步骤4.3)中的更新过程直至收敛，根据停止时的字典矩阵与映射矩阵，将新的特征向量x逐级变换为三级系数向量z₁、z₂、z，再映射到目标向量y：

其中，当目标向量y中的元素大于预先设置的阈值时，认为对应位置上的设备处于开启状态，否则处于关闭状态；对于不同的设备应该有各自对应的阈值，这里引入阈值向量τ＝[τ₁,τ₂,…,τ_k,…,τ_K]^T，τ_k表示第k台设备的阈值。

本发明的有益效果表现在：

(1)通过变长滑动窗口探测算法检测暂态事件，从方法上提升了检测效率；

(2)在事件探测部分中添加反向检测，能够更好地计算出暂态的结束时间，从而进一步将暂态与稳态相分离，有益于后续的特征提取与负荷识别；

(3)负荷识别部分使用MLCDTL算法，直接输出多标签分类结果，从方法上降低了计算量，加快了计算速度。

附图说明

图1是本发明一种基于MLCDTL的非侵入式负荷识别方法结构图。

图2是改进的变长滑动窗口CUSUM双向探测算法示意图。

具体实施方式

结合附图对本发明的实施作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

参照图1，一种基于MLCDTL的非侵入式负荷识别方法，所述方法包括以下步骤：

1)数据处理

采用中值滤波滤除功率采样序列中的尖峰，有助于抑制设备运行过程中的脉冲或波动；

2)事件探测

根据滤波后的功率时间序列，通过改进的变长滑动窗口CUSUM双向探测算法，检测暂态过程的开始与结束时间；

3)特征提取

根据暂态过程的开始与结束时间，对稳态时的电流采样数据使用快速傅里叶变换FFT，获得由电流基波与各次谐波分量构成的特征向量，所有特征向量组合在一起为特征向量矩阵；

4)负荷识别

基于MLCDTL算法，将负荷识别转化为一个多标签分类问题，通过迭代求解目标函数，实现非侵入式负荷识别。

进一步，所述步骤1)中，采用中值滤波来处理功率采样序列中的功率尖峰，从而消除孤立的数据点；设功率采样序列为将t时刻的采样值p_t用[t-N,t+N]邻域内的中值代替，滤波后的功率时间序列为

再进一步，所述步骤2)中，事件探测步骤为：

2.1)对于步骤1)中得到的功率时间序列采用变长滑动窗口对序列进行划分；窗口可分为均值计算窗口(Mean Window，MW)和暂态过程检测窗口(DetectionWindow，DW)，长度分别用N_M和N_D表示；初始化窗口大小，令N_M等于MW的最大值N_D等于DW的最小值当DW内没有检测到暂态过程时，将滑动窗口向右移动N_D，同时让N_M减少ΔN_M，N_D增加ΔN_D，N_M的最小值为N_D的最大值为当DW内检测到暂态过程时，将滑动窗口向左移动延迟时间d^±，并恢复MW和DW到初始大小，之后保持N_M和N_D继续向后探测，直至DW中的双边累积和都等于零；此时产生一个新的反向滑动窗口，从当前位置向前探测暂态过程的结束时刻。

2.2)对于步骤2.1)中DW内的时间序列采用非参数化的双边CUSUM检测算法，以正向检测为例，其双边累积和g^±(k)定义为：

g⁺(0)＝0,g⁺(t)＝max(g⁺(t-1)+x(t)-(μ₀+β),g⁺(0)) (1)

g^-(0)＝0,g^-(t)＝max(g^-(t-1)-x(t)+(μ₀-β),g^-(0)) (2)

其中，μ₀为MW内数据的均值，β为外界引入的噪声；当g^±(k)大于预先设置的阈值h时，则判定有暂态事件发生；初始化延迟时间为0，当0＜g^±(k)≤h时，存在发生暂态事件的可能，令延迟时间当g^±(t)＞h时，判定有暂态事件发生，倒推发生的时刻t为当前时刻，并重置延迟时间

进一步，所述步骤3)中，选取合适的长度对稳态时的电流采样序列进行划分，对划分后的子序列分别使用FFT，所得的特征向量为x_j＝[x_0j,x_1j,…,x_ij,…]^T，x_0j和x_ij分别表示第j个子序列对应的基波分量与第i次谐波分量，组成的特征向量矩阵为X＝[x₁,x₂,…,x_j,…]。

进一步，所述步骤4)中，负荷识别步骤为：

4.1)根据步骤3)中构建的特征向量矩阵X进行初始化操作，随机生成三级转换矩阵T₁、T₂、T₃，再初始化三级系数矩阵Z₁、Z₂、Z：

其中，为激活函数，可取tanh函数等；

4.2)根据步骤4.1)中的初始化操作，开始迭代求解MLCDTL的目标函数：

引入多标签一致性惩罚项和正则惩罚项，并使用增广拉格朗日乘子法(AugmentedLagrangian，AL)将目标函数改进为：

式中，矩阵Y为目标矩阵，Y＝[y₁,y₂,…,y_j,…]，y_j为目标向量，y_j＝[y_1j,y_2j,…,y_kj,…,y_Kj]^T(K为设备类型的数量，y_kj为特征向量y_j所对应的第k种设备的运行情况，如果该设备处于开启状态，则y_kj＝1，否则y_kj＝0)，矩阵M为映射矩阵，将系数矩阵Z映射到目标矩阵Y，λ、ε和μ分别为多标签一致性惩罚项系数、正则惩罚项系数和增广拉格朗日乘子；

4.3)根据步骤4.2)中改进的目标函数，使用交替方向乘子法(AlternatingDirection Method of Multipliers，ADMM)将其分解为以下子问题：

求解问题Q1～Q7，按照以下顺序更新各矩阵：

4.4)重复步骤4.3)中的更新过程直至收敛，根据停止时的字典矩阵与映射矩阵，将新的特征向量x逐级变换为三级系数向量z₁、z₂、z，再映射到目标向量y：

其中，当目标向量y中的元素大于预先设置的阈值时，认为对应位置上的设备处于开启状态，否则处于关闭状态；对于不同的设备应该有各自对应的阈值，这里引入阈值向量τ＝[τ₁,τ₂,…,τ_k,…,τ_K]^T，τ_k表示第k台设备的阈值。

最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (5)

1.一种基于MLCDTL的非侵入式负荷识别方法，其特征在于，所述方法包括以下步骤：

1)数据处理

采用中值滤波滤除功率采样序列中的尖峰，有助于抑制设备运行过程中的脉冲或波动；

2)事件探测

根据滤波后的功率时间序列，通过改进的变长滑动窗口CUSUM双向探测算法，检测暂态过程的开始与结束时间；

3)特征提取

根据暂态过程的开始与结束时间，对稳态时的电流采样数据使用快速傅里叶变换FFT，获得由电流基波与各次谐波分量构成的特征向量，所有特征向量组合在一起为特征向量矩阵；

4)负荷识别

基于MLCDTL算法，将负荷识别转化为一个多标签分类问题，通过迭代求解目标函数，实现非侵入式负荷识别。

2.如权利要求1所述的一种基于MLCDTL的非侵入式负荷识别方法，其特征在于，所述步骤1)中，采用中值滤波来处理功率采样序列中的功率尖峰，从而消除孤立的数据点；设功率采样序列为将t时刻的采样值p_t用[t-N,t+N]邻域内的中值代替，滤波后的功率时间序列为

3.如权利要求1或2所述的一种基于MLCDTL的非侵入式负荷识别方法，其特征在于，所述步骤2)中，事件探测步骤为：

2.1)对于步骤1)中得到的功率时间序列采用变长滑动窗口对序列进行划分；窗口可分为均值计算窗口(Mean Window，MW)和暂态过程检测窗口(DetectionWindow，DW)，长度分别用N_M和N_D表示；初始化窗口大小，令N_M等于MW的最大值N_D等于DW的最小值当DW内没有检测到暂态过程时，将滑动窗口向右移动N_D，同时让N_M减少ΔN_M，N_D增加ΔN_D，N_M的最小值为N_D的最大值为当DW内检测到暂态过程时，将滑动窗口向左移动延迟时间d^±，并恢复MW和DW到初始大小，之后保持N_M和N_D继续向后探测，直至DW中的双边累积和都等于零；此时产生一个新的反向滑动窗口，从当前位置向前探测暂态过程的结束时刻；

2.2)对于步骤2.1)中DW内的时间序列采用非参数化的双边CUSUM检测算法，以正向检测为例，其双边累积和g^±(k)定义为：

g⁺(0)＝0,g⁺(t)＝max(g⁺(t-1)+x(t)-(μ₀+β),g⁺(0)) (1)

g^-(0)＝0,g^-(t)＝max(g^-(t-1)-x(t)+(μ₀-β),g^-(0)) (2)

其中，μ₀为MW内数据的均值，β为外界引入的噪声；当g^±(k)大于预先设置的阈值h时，则判定有暂态事件发生；初始化延迟时间为0，当时，存在发生暂态事件的可能，令延迟时间当g^±(t)＞h时，判定有暂态事件发生，倒推发生的时刻t为当前时刻，并重置延迟时间

4.如权利要求1或2所述的一种基于MLCDTL的非侵入式负荷识别方法，其特征在于，所述步骤3)中，选取合适的长度对稳态时的电流采样序列进行划分，对划分后的子序列分别使用FFT，所得的特征向量为x_j＝[x_0j,x_1j,…,x_ij,…]^T，x_0j和x_ij分别表示第j个子序列对应的基波分量与第i次谐波分量，组成的特征向量矩阵为X＝[x₁,x₂,…,x_j,…]。

5.如权利要求1或2所述的一种基于MLCDTL的非侵入式负荷识别方法，其特征在于，所述步骤4)中，负荷识别步骤为：

5.1)根据步骤4)中构建的特征向量矩阵X进行初始化操作，随机生成三级转换矩阵T₁、T₂、T₃，再初始化三级系数矩阵Z₁、Z₂、Z：

其中，为激活函数；

5.2)根据步骤5.1)中的初始化操作，开始迭代求解MLCDTL的目标函数：

引入多标签一致性惩罚项和正则惩罚项，并使用增广拉格朗日乘子法将目标函数改进为：

式中，矩阵Y为目标矩阵，Y＝[y₁,y₂,…,y_j,…]，y_j为目标向量，y_j＝[y_1j,y_2j,…,y_kj,…,y_Kj]^T，K为设备类型的数量，y_kj为特征向量y_j所对应的第k种设备的运行情况，如果该设备处于开启状态，则y_kj＝1，否则y_kj＝0，矩阵M为映射矩阵，将系数矩阵Z映射到目标矩阵Y，λ、ε和μ分别为多标签一致性惩罚项系数、正则惩罚项系数和增广拉格朗日乘子；

5.3)根据步骤5.2)中改进的目标函数，使用交替方向乘子法将其分解为以下子问题：

求解问题Q1～Q7，按照以下顺序更新各矩阵：

5.4)重复步骤5.3)中的更新过程直至收敛，根据停止时的转换矩阵与映射矩阵，将新的特征向量x逐级变换为三级系数向量z₁、z₂、z，再映射到目标向量y：

其中，当目标向量y中的元素大于预先设置的阈值时，认为对应位置上的设备处于开启状态，否则处于关闭状态；对于不同的设备应该有各自对应的阈值，这里引入阈值向量τ＝[τ₁,τ₂,…,τ_k,…,τ_K]^T，τ_k表示第k台设备的阈值。