CN113361454A - 一种基于非监督优化的深度学习非侵入式负荷监测方法 - Google Patents
一种基于非监督优化的深度学习非侵入式负荷监测方法 Download PDFInfo
- Publication number
- CN113361454A CN113361454A CN202110710458.6A CN202110710458A CN113361454A CN 113361454 A CN113361454 A CN 113361454A CN 202110710458 A CN202110710458 A CN 202110710458A CN 113361454 A CN113361454 A CN 113361454A
- Authority
- CN
- China
- Prior art keywords
- load
- training
- data
- neural network
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 113
- 238000013528 artificial neural network Methods 0.000 claims abstract description 84
- 238000003064 k means clustering Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 19
- 230000009471 action Effects 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000012905 input function Methods 0.000 claims description 4
- 238000004836 empirical method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 3
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000013136 deep learning model Methods 0.000 abstract 1
- 238000011478 gradient descent method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R11/00—Electromechanical arrangements for measuring time integral of electric power or current, e.g. of consumption
- G01R11/48—Meters specially adapted for measuring real or reactive components; Meters specially adapted for measuring apparent energy
- G01R11/54—Meters specially adapted for measuring real or reactive components; Meters specially adapted for measuring apparent energy for measuring simultaneously at least two of the following three variables: real component, reactive component, apparent energy
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于非监督优化的深度学习非侵入式负荷监测方法,第一部分为建立监督式神经网络深度学习模型;第二部分为利用非监督式学习方式对于模型的优化,第一部分包括:从目标负荷集群中监测一段时间内所有负荷信息;利用算法对数据预处理,对数据归一化;预处理过的数据进行神经网络训练;评估网络训练结果;第二部分为非监督式学习对模型的优化,利用K均值聚类算法对于各目标负荷聚类中心迭代,重新构成训练数据训练模型,利用非监督算法优化监督式学习算法,再对于用电行为分析。本发明非侵入式负荷监测方法,大幅提高利用深度学习算法处理非侵入式负荷监测问题的自学习能力、广泛性、灵敏度及准确度。
Description
技术领域
本发明涉及一种非侵入式负荷监测方法,具体是一种基于非监督优化的深度学习非侵入式负荷监测方法。
背景技术
在广泛建设电力物联网、实现电网透明化以及实现信息网与电网并存的智能电网的未来发展背景下,对于得知各个负荷运行特征为用户提供负荷运行状态变化以及优化用电方案会是未来电网运行商重要的服务模式之一,所以负荷监测便成为智能用电的重要一环。而目前负荷监测分为侵入式负荷监测以及非侵入式负荷监测,侵入式负荷监测具有误差小,反应速度快等优点,但其高昂的成本不适合大规模推广,所以非侵入式负荷监测则具有非常明显的成本优势。
非侵入式负荷监测是指在电力入口处安装监测设备,通过该处对于负荷集群数据的收集与分析来得到各单个负荷的种类以及运行情况,而高频特征的分析对于监测设备的高要求也在与低频分析的对比中显现出成本劣势,但低频NILM精度由于信息量的缺少导致存在复杂且不精准等问题。而监督式学习本身具有自学习能力差,非监督式学习本身存在的分析结果精度差、不能适应进行非侵入式负荷监测的缺点。
发明内容
本发明的目的在于提供一种基于非监督优化的深度学习非侵入式负荷监测方法,通过电力监测设备在负荷集群上提取低频数据,利用低频数据进行预处理后采用PQ特征法与神经网络的结合进行训练,对于参数进行优化,利用训练得到的网络,结合K均值聚类算法对于监督式学习进行非监督式的优化,增强自学习能力、广泛性、灵敏度及准确度,对用户负荷集群低频数据进行负荷分析,得到负荷种类以及运行状态,得出用电行为报告,提高低频非侵入式负荷监测精确程度,节约电能支出。
本发明的目的可以通过以下技术方案实现:
一种基于非监督优化的深度学习非侵入式负荷监测方法,所述非侵入负荷监测方法包括以下步骤:
S1、利用电力监测设备提取出用户各单个负荷及负荷集群信息;
S2、针对目标负荷,构建训练数据集与测试数据集;
S3、利用算法对数据进行预处理和归一化;
S4、将S3中得到的训练数据以一定的训练参数进行网络训练;
S5、对训练结果以及网络返回参数进行评估,并判断是否达标,若达标,则执行S8;若不达标,则执行S6;
S6、优化神经网络参数;
S7、根据S6中优化神经网络参数重建网络,并返回执行S4,重新训练;
S8、对于用户需要进行非侵入式负荷监测的测试例进入神经网络进行分析得到分析结果并生成用电报告;
S9、若新增负荷导致训练网络分析能力下降,导致S8中分析结果出现较大误差,则对目标负荷进行非侵入式算法的优化,对于目前训练得到的深度学习网络进行自学习能力的提高,对于新增未知负荷进行非监督式学习;
S10、通过算法并结合新增的功率运行特征获取新增负荷实际运行数据。
进一步的,所述S1包括利用电压电流监测设备提取出用户各单个负荷及负荷集群的功率数据及功率因数及负荷集群开关动作,以时间排列;
利用电压电流监测设备提取出用户各单个负荷及负荷集群的功率数据及功率因数及负荷集群开关动作,以时间排列,作为神经网络训练数据,该神经网络训练输入数据包括负荷集群总有功功率、无功功率、开关动作及时间日期,将测得数据生成矩阵,准备进入下一步处理。
进一步的,所述S3包括利用算法对于各条负荷数据进行均值规整化以及对于各单个负荷以及负荷集群有功、无功数据进行归一化,为神经网络训练做预处理的具体体现为;
在神经网络进行训练时,需要进行均值规整化即用每一个数据减去平均功率,均衡化方便神经网络进行训练,再对输入输出数据进行归一化,得到训练数据,准备进行神经网络训练。
进一步的,所述S4包括对于已进行预处理后的数据分为负荷集群输入训练数据以及各单个负荷的输出训练数据放入神经网络,确定递归函数以及输入函数,给与初始训练参数,进行神经网络的训练的具体体现为:
BP神经网络进行训练时设置神经网路训练函数、输入传递函数、输出传递函数、隐藏层神经元个数、训练次数、训练方法、学习率、最大失败次数先按经验法选择大概的训练方法、传递函数以及参数。进入神经网络的训练,基本BP算法进行信息的前向传播以及误差的反向传播,由输入层经隐藏层逐层处理,再由输出层进行反向转播修改神经元权值最后完成网络的训练。
进一步的,所述S5包括利用算法对于训练结果以及神经网络返回参数进行结果分析,对于拟合数据值与实际数据值相差较大,网络拟合不足问题,网络过拟合问题进行判断,与要求误差进行比较决定是否进行重建网络调整训练参数的具体体现为:
在神经网络训练后,神经网络会返回一系列参数以及使用测试集进行神经网络功能测试,最终对测试集的拟合数据会通过图表显示,通过对图标的分析,判断网络是否出现过拟合以及拟合不足的问题,以及精度是否达标。
进一步的,S7包括如果误差较大不符合精度要求或网络发生过拟合及拟合不足等问题,将重新利用坐标轴下降法进行网络参数的优化,重建网络进行重新训练,再次进行对训练结果分析直到达到精度要求的具体体现为:
经过S6对于结果的分析后对于不满足要求的网络,将对于多个可调变量在多次试验基础上确定主要影响参数以及次要参数进行坐标轴下降法实验法寻找最优参数,优化网络性能,直到达到要求。
进一步的,所述S9包括由于监督式学习固有自学习能力的不足,如果当负荷集群中新增一类负荷特征,得到的训练成型的网络即会出现较大的误差,这时则需要进行非监督式学习对于现有模型进行优化;
如果当负荷集群中新增负荷特征,得到的训练成型的网络即会出现较大的误差,这时则需要进行非监督式学习对于现有模型进行优化,假设原有N个负荷单独运行,M个负荷可能在同一时间段运行,假设目标负荷集群新增1个负荷特征,则在K均值聚类算法中会增加个聚类中心,而在PQ聚类特征中心中新增聚类中心数据值最低的则为新增的负荷特征,得到负荷集群中隐含状态数量,结合大量可见状态链,对于各个目标负荷转换概率进行推算,进行对于目标负荷特征建立,利用K均值聚类算法对于各目标负荷聚类中心进行迭代得到新负荷聚类特征中心以及有新负荷动作的时间,对于神经网络输入输出数据进行更改、重新训练神经网络,对于监督式学习进行优化后再进行用电行为分析,得出各负荷用电量及用电时间。
本发明的有益效果:
1、本发明非侵入式负荷监测方法,通过电力监测设备在负荷集群上提取低频数据,利用低频数据进行预处理后采用PQ特征法与神经网络的结合进行训练,对于参数进行优化,利用训练得到的网络,结合K均值聚类算法对于监督式学习进行非监督式的优化,增强自学习能力、广泛性、灵敏度及准确度;
2、本发明非侵入式负荷监测方法,对用户负荷集群低频数据进行负荷分析,得到负荷种类以及运行状态,得出用电行为报告,提高低频非侵入式负荷监测精确程度,节约电能支出。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明基于非监督优化的深度学习非侵入式负荷监测方法的流程示意图;
图2是本发明神经网络训练时输入训练集有功信息图;
图3是本发明神经网络训练时输入训练集无功信息图;
图4是本发明未经过优化参数算法的训练成功的神经网络进行测试例分析得出单一负荷实际功率与分析得出该负荷功率时间对比图;
图5是本发明经过优化参数训练神经网络返回参数图;
图6是本发明单一负荷实际检测功率与利用神经网络进行NILM分析得到该负荷有功功率对比图;
图7是本发明单一负荷实际检测运行情况示意图;
图8是本发明单一负荷实际利用神经网络进行NILM分析得到该负荷运行情况示意图;
图9是本发明新增某新负荷的新***功率信息图;
图10是本发明添加新电器后进行神经网络分析后得出单一负荷实际功率与分析得出该负荷功率时间对比图;
图11是本发明未添加新电气前进行非监督式学习得到聚类特征中心图;
图12是本发明添加新电器后进行非监督式学习得到聚类特征中心图。
具体实施方式
下面将结合本发明实施例中的附图,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
实施例:
一种基于非监督优化的深度学习非侵入式负荷监测方法,如图1所示,非侵入式负荷监测方法利用非监督式学习优化的神经网络神经学习以及PQ解耦法拉实现的,非侵入负荷监测方法包括以下步骤:
S1、利用电力监测设备提取出用户各单个负荷及负荷集群信息;
如图2、图3所示,利用电压电流监测设备提取出用户各单个负荷及负荷集群的功率数据及功率因数及负荷集群开关动作,以时间排列,作为神经网络训练数据,该神经网络训练输入数据包括负荷集群总有功功率、无功功率、开关动作及时间日期,将测得数据生成功率矩阵,准备进入下一步处理。
S2、针对目标负荷,构建训练数据集与测试数据集;
负荷集群运行数据作为训练集(或测试集)的输入数据,目标负荷运行数据作为训练集(或测试集)的输出数据。
S3、利用算法对数据进行预处理和归一化;
利用算法对于各条负荷数据进行均值规整化以及对于各单个负荷以及负荷集群有功、无功数据进行归一化,为神经网络训练做预处理的具体体现为:
在神经网络进行训练时,需要进行均值规整化即用每一个数据减去平均功率,均衡化方便神经网络进行训练,再对输入输出数据进行归一化,得到训练数据,准备进行神经网络训练。
S4、将S3中得到的训练数据以一定的训练参数进行网络训练;
对于已进行预处理后的数据分为负荷集群输入训练数据以及各单个负荷的输出训练数据放入神经网络,确定递归函数以及输入函数,给与初始训练参数,进行神经网络的训练的具体体现为:
BP神经网络进行训练时需要设置神经网路训练函数、输入传递函数、输出传递函数、隐藏层神经元个数、训练次数、训练方法、学习率、最大失败次数先按经验法选择大概的训练方法、传递函数以及参数。进入神经网络的训练,基本BP算法进行信息的前向传播以及误差的反向传播,由输入层经隐藏层逐层处理,再由输出层进行反向转播修改神经元权值最后完成网络的训练。上述神经网络参数具体为:
神经网路训练函数:traingd梯度下降法、traingdm有动量的梯度下降法、traingda自适应lr梯度下降法、traingdx自适应lr动量梯度下降法、trainrp弹性梯度下降法、traincgfFletcher-Reeves共辄梯度法、traincgp Ploak-Ribiere共辄梯度法、traincgbPowell-Beale共辄梯度法、trainscg量化共辄梯度法、trainbfg拟牛顿算法、trainoss一步正割算法。本实施例中使用trainrp弹性梯度下降法。
传递函数:compet竞争型传递函数、hardlim阈值型传递函数、hardlims对称阈值型传输函数、logsig S型传输函数、poslin正线性传输函数、purelin线性传输函数、radbas径向基传输函数、satlin饱和线性传输函数饱和对称线性传输函数、softmax柔性最大值传输函数、tansig双曲正切S型传输函数、tribas三角形径向基传输函。本实施例中,输入函数使用logsigS型传输函数,输出函数使用purelin线性传输函数。
本实施例中,初始训练次数为100、初始隐藏层神经元个数为3、初始学习率为0.001、最大失败次数为10次。
利用PQ特征法以及深度学习神经网络来建立单一负荷与负荷集群特征联系的具体步骤:
神经网络建立三个神经层,包括一个输入层、一个输出层和一个隐含层,输入层,输出层及隐含层中的神经元利用传递函数连接,以网络误差平方为目标函数,采用梯度下降法来计算目标函数。
由于有功功率数据无法使各神经元获得足够的特征来进行充足的训练,容易产生拟合不足的问题,所以利用PQ解耦法为神经元提供充足功率信息、以及提供时间训练,使其拟合得到用电行为与时间之间的关系来优化网络学习能力。
S5、对训练结果以及网络返回参数进行评估,并判断是否达标,若达标,则执行S8;若不达标,则执行S6;
如图4、图5、图6所示,未经过优化参数的神经网络会出现幅值差过大,网络拟合不足及过拟合问题。而本实施例中出现了幅值差过大的问题,与要求误差进行比较决定需要重新利用坐标轴下降法进行网络参数的优化,重建网络进行重新训练,再次进行对训练结果分析直到达到精度要求,达到精度要求的网络返回参数。
网络拟合不足表现为:目标负荷实际运行时,经神经网络分析的结果在该段时间内与实际值相差较大。
网络过拟合表现为:经神经网络分析的结果被固定,与测试集输入无关,而与训练集数据有关,相应表现为:即使令输入数据集全为0值,经神经网络后的输出的数据仍表现出与训练集输出的高度相似性。
用电力监测设备提取出用户负荷集群信息,如图2、图3所示,利用电压电流监测设备提取出用户待分析负荷集群的功率数据及负荷集群运行动作,以时间排列,作为神经网络训练数据,该神经网络训练输入数据包括负荷集群总有功功率、无功功率、开关动作及时间日期,将测得数据生成功率矩阵,准备进入已训练成功的神经网络进行数据分析。
S6、优化神经网络参数;
S7、根据S6中优化神经网络参数重建网络,并返回执行S4,重新训练;
S8、对于用户需要进行非侵入式负荷监测的测试例进入神经网络进行分析得到分析结果并生成用电报告;
利用非监督式学习优化的深度学习非侵入式负荷监测算法对于用户目标负荷进行分析,进行非侵入式负荷监测得到目标负荷功率与负荷集群功率时间对比,以及目标负荷实际功率与经过神经网络NILM盲源分析得到的目标负荷拟合功率对比,得出该方法在一定程度上高效,快速及精准的分析出了目标负荷的开关动作及功率。
将用电行为报告利用EXCEL打开,如图7所示,该单一负荷的监测真实运行情况中显示出该负荷开启关闭时间以及运行时间和该时间内消耗电量,如图8所示,该目标负荷在NILM分析得出开启时间以及运行时间和该时间消耗电量,经对比,NILM分析结果理想。
S9、若新增负荷导致训练网络分析能力下降,导致结果出现较大误差,则对目标负荷进行非侵入式算法的优化,对于目前训练得到的深度学习网络进行自学习能力的提高,对于新增未知负荷进行非监督式学习;
S10、通过算法并结合新增的功率运行特征获取新增负荷实际运行数据。
如图9、图10所示,当***新增位置负荷,分析结果发出现较大误差,则负荷集群中存在新负荷特征未被监督式神经网络学习,则需要利用非监督式学习进行新特征产生位置的探索。利用K均值聚类算法对于各目标负荷聚类中心进行迭代求解功率数据,假设原有N个负荷单独运行,M个负荷可能在同一时间段运行。假设目标负荷集群新增1个负荷特征,则在K均值聚类算法中会存在个聚类中心,而在PQ聚类特征中心中新增聚类中心数据值最低的则为新增的负荷特征,由K均值聚类算法还可以得出新负荷动作时间位置,重新构成训练数据,以及训练神经网络,利用不准确但是自学习能力强的非监督算法优化准确但是自学习能力差的监督式学习算法,提升网络的自学习能力。
本实施例中,如图11所示,未新增负荷***共7个负荷,除长时间运行的负荷(负荷7)以外,有两个(负荷1、2)可能同时运行的负荷(可分为2+1=3个聚类中心);除长时间运行的负荷(负荷7)以外,有四个(负荷3、4、5、6)单独运行的负荷(可分为4个聚类中心);一个长时间运行的负荷(负荷7),可能与其他负荷(负荷1、2、3、4、5、6)同时运行(可分为1+3+4=8个聚类中心),原点也作为一个聚类中心,总共8+3+4+1=16个聚类中心。图12所示,在增加新负荷特征后进行非监督式学***均功率因数为θ1。由聚类特征中心中新增聚类中心可知新负荷的平均有功、无功功率,可知新负荷的功率因数为θ2,已知负荷集群在某一时刻总的有功功率P、无功功率Q,设等效负荷在同一时刻视在功率为S1,新负荷在同一时刻视在功率为S2,计算公式如下:
S1*sin(θ1)+S2*sin(θ2)=P
S1*cos(θ1)+S2*cos(θ2)=Q
由上式可知,在某一时刻负荷集群总的视在功率中新负荷占有的视在功率数据,由该数据计算出新负荷的有功功率作为神经网络训练集的输出数据。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种基于非监督优化的深度学习非侵入式负荷监测方法,其特征在于,所述非侵入负荷监测方法包括以下步骤:
S1、利用电力监测设备提取出用户各单个负荷及负荷集群信息;
S2、针对目标负荷,构建训练数据集与测试数据集;
S3、利用算法对数据进行预处理和归一化;
S4、将S3中得到的训练数据以一定的训练参数进行网络训练;
S5、对训练结果以及网络返回参数进行评估,并判断是否达标,若达标,则执行S8;若不达标,则执行S6;
S6、优化神经网络参数;
S7、根据S6中优化神经网络参数重建网络,并返回执行S4,重新训练;
S8、对于用户需要进行非侵入式负荷监测的测试例进入神经网络进行分析得到分析结果并生成用电报告;
S9、若新增负荷导致训练网络分析能力下降,导致S8中分析结果出现较大误差,则对目标负荷进行非侵入式算法的优化,对于目前训练得到的深度学习网络进行自学习能力的提高,对于新增未知负荷进行非监督式学习;
S10、通过算法并结合新增的功率运行特征获取新增负荷实际运行数据。
2.根据权利要求1所述的一种基于非监督优化的深度学习非侵入式负荷监测方法,其特征在于,所述S1包括利用电压电流监测设备提取出用户各单个负荷及负荷集群的功率数据及功率因数及负荷集群开关动作,以时间排列;
利用电压电流监测设备提取出用户各单个负荷及负荷集群的功率数据及功率因数及负荷集群开关动作,以时间排列,作为神经网络训练数据,该神经网络训练输入数据包括负荷集群总有功功率、无功功率、开关动作及时间日期,将测得数据生成矩阵,准备进入下一步处理。
3.根据权利要求1所述的一种基于非监督优化的深度学习非侵入式负荷监测方法,其特征在于,所述S3包括利用算法对于各条负荷数据进行均值规整化以及对于各单个负荷以及负荷集群有功、无功数据进行归一化,为神经网络训练做预处理的具体体现为;
在神经网络进行训练时,需要进行均值规整化即用每一个数据减去平均功率,均衡化方便神经网络进行训练,再对输入输出数据进行归一化,得到训练数据,准备进行神经网络训练。
4.根据权利要求1所述的一种基于非监督优化的深度学习非侵入式负荷监测方法,其特征在于,所述S4包括对于已进行预处理后的数据分为负荷集群输入训练数据以及各单个负荷的输出训练数据放入神经网络,确定递归函数以及输入函数,给与初始训练参数,进行神经网络的训练的具体体现为:
BP神经网络进行训练时设置神经网路训练函数、输入传递函数、输出传递函数、隐藏层神经元个数、训练次数、训练方法、学习率、最大失败次数先按经验法选择大概的训练方法、传递函数以及参数,进入神经网络的训练,基本BP算法进行信息的前向传播以及误差的反向传播,由输入层经隐藏层逐层处理,再由输出层进行反向转播修改神经元权值最后完成网络的训练。
5.根据权利要求4所述的一种基于非监督优化的深度学习非侵入式负荷监测方法,其特征在于,所述S5包括利用算法对于训练结果以及神经网络返回参数进行结果分析,对于拟合数据值与实际数据值相差较大,网络拟合不足问题,网络过拟合问题进行判断,与要求误差进行比较决定是否进行重建,网络调整训练参数的具体体现为:
在神经网络训练后,神经网络会返回一系列参数以及使用测试集进行神经网络功能测试,最终对测试集的拟合数据会通过图表显示,通过对图标的分析,判断网络是否出现过拟合以及拟合不足的问题,以及精度是否达标。
6.根据权利要求5所述的一种基于非监督优化的深度学习非侵入式负荷监测方法,其特征在于,所述S7包括如果误差较大不符合精度要求或网络发生过拟合及拟合不足等问题,将重新利用坐标轴下降法进行网络参数的优化,重建网络进行重新训练,再次进行对训练结果分析直到达到精度要求的具体体现为:
经过S6对于结果的分析后对于不满足要求的网络,将对于多个可调变量在多次试验基础上确定主要影响参数以及次要参数进行坐标轴下降法实验法寻找最优参数,优化网络性能,直到达到要求。
7.根据权利要求1所述的一种基于非监督优化的深度学习非侵入式负荷监测方法,其特征在于,所述S9包括由于监督式学习固有自学习能力的不足,如果当负荷集群中新增一类负荷特征,得到的训练成型的网络即会出现较大的误差,这时则需要进行非监督式学习对于现有模型进行优化;
如果当负荷集群中新增负荷特征,得到的训练成型的网络即会出现较大的误差,这时则需要进行非监督式学习对于现有模型进行优化,假设原有N个负荷单独运行,M个负荷可能在同一时间段运行,假设目标负荷集群新增1个负荷特征,则在K均值聚类算法中会增加个聚类中心,而在PQ聚类特征中心中新增聚类中心数据值最低的则为新增的负荷特征,得到负荷集群中隐含状态数量,结合大量可见状态链,对于各个目标负荷转换概率进行推算,进行对于目标负荷特征建立,利用K均值聚类算法对于各目标负荷聚类中心进行迭代得到新负荷聚类特征中心以及有新负荷动作的时间,对于神经网络输入输出数据进行更改、重新训练神经网络,对于监督式学习进行优化后再进行用电行为分析,得出各负荷用电量及用电时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710458.6A CN113361454B (zh) | 2021-06-25 | 2021-06-25 | 一种基于非监督优化的深度学习非侵入式负荷监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110710458.6A CN113361454B (zh) | 2021-06-25 | 2021-06-25 | 一种基于非监督优化的深度学习非侵入式负荷监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361454A true CN113361454A (zh) | 2021-09-07 |
CN113361454B CN113361454B (zh) | 2024-04-09 |
Family
ID=77536474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110710458.6A Active CN113361454B (zh) | 2021-06-25 | 2021-06-25 | 一种基于非监督优化的深度学习非侵入式负荷监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361454B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201615A (zh) * | 2022-09-15 | 2022-10-18 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
CN115204529A (zh) * | 2022-09-15 | 2022-10-18 | 之江实验室 | 一种基于时间注意力机制的非侵入式负荷监测方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
CN110321390A (zh) * | 2019-06-04 | 2019-10-11 | 上海电力学院 | 基于有监督和无监督算法结合的负荷曲线数据可视化方法 |
CN112198385A (zh) * | 2020-09-30 | 2021-01-08 | 国网山西省电力公司晋中供电公司 | 一种非侵入式负荷监测方法 |
CN112330051A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于Kmeans与FR-DBN的短期负荷预测方法 |
-
2021
- 2021-06-25 CN CN202110710458.6A patent/CN113361454B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492667A (zh) * | 2018-10-08 | 2019-03-19 | 国网天津市电力公司电力科学研究院 | 一种用于非侵入式电力负荷监测的特征选择辨识方法 |
CN110321390A (zh) * | 2019-06-04 | 2019-10-11 | 上海电力学院 | 基于有监督和无监督算法结合的负荷曲线数据可视化方法 |
CN112198385A (zh) * | 2020-09-30 | 2021-01-08 | 国网山西省电力公司晋中供电公司 | 一种非侵入式负荷监测方法 |
CN112330051A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于Kmeans与FR-DBN的短期负荷预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115201615A (zh) * | 2022-09-15 | 2022-10-18 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
CN115204529A (zh) * | 2022-09-15 | 2022-10-18 | 之江实验室 | 一种基于时间注意力机制的非侵入式负荷监测方法及装置 |
CN115201615B (zh) * | 2022-09-15 | 2022-12-20 | 之江实验室 | 基于物理约束神经网络的非侵入式负荷监测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113361454B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109598451B (zh) | 一种基于pca与lstm神经网络的非侵入式负荷辨识方法 | |
Liu et al. | Energy disaggregation of appliances consumptions using ham approach | |
CN110188826A (zh) | 基于智能电表数据的家用电器运行状态非侵入式检测方法 | |
CN113361454A (zh) | 一种基于非监督优化的深度学习非侵入式负荷监测方法 | |
CN102707256A (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN110119545B (zh) | 一种基于栈式自编码器的非侵入式电力负荷识别方法 | |
CN110580502A (zh) | 基于高斯混合的因子隐马尔可夫负荷分解方法 | |
CN111563827B (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN107153845A (zh) | 一种基于机器学习的自适应并网光伏***的孤岛检测法 | |
CN111553444A (zh) | 一种基于非侵入负荷终端数据的负荷辨识方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN113036759A (zh) | 一种电力用户负荷细粒度识别方法及识别*** | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN111242161A (zh) | 一种基于智能学习的非侵入式非居民用户负荷辨识方法 | |
CN108985313A (zh) | 基于大数据与贝叶斯神经网络的agc***辨识方法 | |
CN112686456A (zh) | 一种结合边缘计算与用能识别的电力负荷预测***和方法 | |
CN116125204A (zh) | 一种基于电网数字化的故障预测*** | |
CN117543589B (zh) | 一种梯级水电安全集控***调度方法 | |
CN110414839A (zh) | 基于量子遗传算法和svm模型的负荷识别方法及*** | |
CN114595762A (zh) | 一种光伏电站异常数据序列提取方法 | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |