CN113762619B - 配电物联网用户负荷识别方法、***、设备和存储介质 - Google Patents
配电物联网用户负荷识别方法、***、设备和存储介质 Download PDFInfo
- Publication number
- CN113762619B CN113762619B CN202111048909.0A CN202111048909A CN113762619B CN 113762619 B CN113762619 B CN 113762619B CN 202111048909 A CN202111048909 A CN 202111048909A CN 113762619 B CN113762619 B CN 113762619B
- Authority
- CN
- China
- Prior art keywords
- load
- user
- characteristic
- data
- logistic regression
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000009826 distribution Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 238000007477 logistic regression Methods 0.000 claims abstract description 68
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000001052 transient effect Effects 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000011478 gradient descent method Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种配电物联网用户负荷识别方法、***、设备和存储介质,包括以下步骤:获取待识别配电物联网用户的负荷特征数据;将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的用户负荷识别结果;其中,所述用户负荷的逻辑回归模型根据各用户负荷的负荷特征样本数据训练得到,所述负荷特征样本数据包括时间特征、稳态特征以及暂态特征本发明采用逻辑回归算法进行用户负荷的识别,实现简单,可广泛用于现实问题;本发明解决了相近用户负荷难以准确识别的问题,能够较为准确的识别配电物联网用户的负荷。
Description
技术领域
本发明涉及一种配电物联网用户负荷识别方法、***、设备和存储介质,属于配电物联网领域。
背景技术
随着配电物联网***的发展,直接面向电力用户的配电网迎来重大升级转型。对于配用电侧智能化的建设需求日益显著,而实现配用电侧智能化建设的核心就是对住宅用户用电负荷的检测。必须解决传统电表只能自动读取总电量而无法深入分析负荷组成和用户用电行为的缺点。实现对配电物联网用户的负荷识别对于推动配电环节实现智能用电业务模式、双向互动服务模式的创新,支撑能源互联网的发展有重要的意义。
常用的负荷设备识别方法包括两大类,即侵入式负荷监测和非侵入式负荷监测。传统的侵入式负荷监测方法,依靠安装于用户设备上的传感器来收集用户用电信息,虽然该方法准确度高,但是成本高,实现难度大,更难以被用户接受。而非侵入式负荷监测(non-intrusive load monitoring,NILM)方法,是在不侵入用电***内部的前提下,实现对用户负荷运行情况的数据采集和分析,进而获取设备能耗和用户用电行为等有价值的数据,具有成本低,易于实现的优点。
如图1所示,传统的NILM方法主要包括数据测量、数据处理、事件探测、特征提取和负荷识别五个部分。其中,负荷识别是NILM方法的核心内容。首先,通过非侵入式电力负荷监测与分解(non-intrusive load monitoring and decomposition,NILMD)装置监测其环境下总负荷的用电情况,测量总电表处的电压、有功功率、无功功率、电流等电气量数据。然后,通过收集到的各项电气量数据,进行各个用户负荷的特征提取。将总负荷数据值分解为各个用户负荷的电量负荷数据值,利用分解的各个用户负荷的电量负荷数据值及电器行为特征,给出各个用户负荷的类别、运行状态等信息。
然而,用户负荷从开启到关停通常会经历若干个暂态区段和稳态区段。当暂态区段的负荷特征作为负荷分解依据时,“混叠特征”的出现会导致单个用户负荷的数据特征受到其他用户负荷的干扰,从而辨识失效。另一方面,在实际工作过程中,暂态区段很短暂,用户负荷长期工作在稳态区段,给辨识带来一定难度。当稳态区段的负荷特征作为负荷分解依据时,通常仅采用功率特征参数进行识别,虽然可以识别出大功率设备,但是对识别低功率且P-Q特征重叠的负荷是困难的。
发明内容
针对上述问题,本发明的目的是提供一种配电物联网用户负荷识别方法、***、设备和存储介质,针对NILM***中的负荷识别部分,提出了逻辑回归的方法,通过基于用户特征建立的用电负荷指标,增强了识别的精度,相对于传统方法,具有简单可行,准确有效的特点。
为实现上述目的,本发明采取以下技术方案:
本发明的第一个方面,是提供一种配电物联网用户负荷识别方法,其包括以下步骤:
获取待识别配电物联网用户的负荷特征数据;将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的负荷识别结果;
其中,所述用户负荷的逻辑回归模型根据各用户负荷的负荷特征样本数据训练得到,所述负荷特征样本数据包括时间特征、稳态特征以及暂态特征。
优选地,所述稳态特征为P-Q特性指标,所述P-Q特性指标包括有功功率和无功功率;
所述暂态特征为V-I特性指标,所述V-I特性指标包括功率因数、电流有效值、电流畸变率和电流峰值;
所述时间特征包括用户负荷的启动时长、开启时间和使用时长。
优选地,所述获取待识别配电物联网用户的负荷特征数据的方法,包括:
达到预先设置的NILMD装置的数据采集触发阈值时,NILMD装置的智能电表获取待识别配电物联网用户的负荷数据,包括P-Q特性指标、V-I特性指标和启动时长;
基于获得的P-Q特性指标、V-I特性指标和启动时长以及各用户负荷的开启时间和使用时长数据,得到其负荷特征数据;其中所述各用户负荷的开启时间和使用时长数据通过统计得到。
优选地,所述基于获得的P-Q特性指标、V-I特性指标和启动时长以及各用户负荷的开启时间和使用时长数据,得到其负荷特征数据的方法,包括:
采用差量特征提取的方法提取各用户负荷启动前后P-Q特性指标中各参数的变化值;
对稳态区段的电气特征量变化值、暂态区段的V-I特性指标、启动时长以及各用户负荷对应的开启时间和使用时长数据进行标准化处理,得到该用户的负荷特征数据。
优选地,所述将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的用户负荷识别结果的方法,包括以下步骤:
将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到各用户负荷的逻辑回归模型的输出值;
将各个用户负荷的逻辑回归模型的输出值为正例的设备类型计入合格集;
比较合格集中各个用户负荷的逻辑回归模型的预测函数值,选择合格集中预测函数值最大的设备类型作为所识别出的用户负荷。
优选地,所述各用户负荷的逻辑回归模型的建立方法,包括:
基于预先建立的负荷特征指标体系提取负荷特征样本数据,基于所述负荷特征样本数据得到训练集和测试集;
对得到的训练集和测试集中的所有数据进行标准化处理;
建立各用户负荷的逻辑回归模型;
基于标准化处理后的训练集和测试集,利用梯度下降算法求解各用户负荷的逻辑回归模型,得到各用户负荷的逻辑回归模型。
本发明的第二个方面,是提供一种配电物联网用户负荷识别***,其包括:
数据获取模块,用于基于获取的待识别配电物联网用户的负荷数据,得到其负荷特征数据;
负荷识别模块,用于将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的负荷识别结果;
其中,所述用户负荷的逻辑回归模型根据各用户负荷的负荷特征样本数据训练得到,所述负荷特征样本数据包括时间特征、稳态特征以及暂态特征。
优选地,所述稳态特征为P-Q特性指标,所述P-Q特性指标包括有功功率和无功功率;
所述暂态特征为V-I特性指标,所述V-I特性指标包括功率因数、电流有效值、电流畸变率和电流峰值;
所述时间特征包括用户负荷的启动时长、开启时间和使用时长。
本发明的第三个方面,是提供一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行以实现所述配电物联网用户负荷识别方法的步骤。
本发明的第四个方面,是提供一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述一种配电物联网用户负荷识别方法的步骤。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明采用时间特征数据、稳态区段的电气特征数据、暂态区段的电气特征数据综合的多特征提取方式,具有较强的特征区分能力,可以有较解决传统提取方式仅针对稳态特征进行提取,不能有效应对辨识难度较高的场景的问题,同时有效提高了辨识精度。
2、本发明采用逻辑回归算法进行用户负荷的识别,实现简单,可广泛用于现实问题。在进行负荷印记分类识别时的计算量小,速度快,内存资源占用少,对设备要求较低。逻辑回归算法最后的结果是以概率的形式进行输出,而非0,1判定,识别的准确度高。
3、本发明采用差量特征提取技术提取用户负荷动作前后电气特征的特征量变化值,可以有效解决当负荷数量及类型未知或多种电器同时运行时,无法准确地对用户负荷进行识别的问题。
因此,本发明可以广泛应用于配电物联网领域。
附图说明
图1是典型NILM方法的结构示意图;
图2是逻辑回归算法求解过程示意图;
图3是本发明实施例提供的配电物联网用户负荷识别方法流程示意图;
图4是本发明实施例提供的逻辑回归模型建立流程图;
图5是本发明创建的特征指标示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
经过分析,本发明利用用户负荷的时间特征以及稳态区段的电气特征(以下简称稳态特征)和暂态区段的电气特征(以下简称为暂态特征)作为辨识用户负荷状态的依据。用户负荷工作时的稳态特征是用户负荷稳定工作时表现出的特征值,本发明主要针对常见的家用大功率用户负荷提取其稳定工作时的负荷印记作为稳态特征。最常用的稳态特征为P-Q特性指标,其包括有功功率和无功功率。但仅采用P-Q特性指标识别率较低,因此本发明引入了暂态特征,即V-I特性指标来增强识别率,其包括电流的功率因数、电流有效值、电流畸变率和电流峰值。此外,针对稳态特征不能有效应对一些辨识难度较高的场景的缺点,本发明选取了启动时长、开启时间以及使用时长三个时间特征,来区分具有明显时间特征的用户负荷,有效解决了仅仅依据电气特征无法解决的用户负荷特征类似时的错误识别问题,提高了用户负荷识别的准确度。
为了便于理解,首先对逻辑回归方法进行简单介绍。
逻辑回归算法是一种被人们广泛使用的算法,主要用于解决分类问题,具有训练高效、计算量小且易于理解的特点。逻辑回归算法主要包括三部分内容:定义预测函数、定义损失函数以及逻辑回归模型训练。
一、预测函数
预测函数为:
其中,w=(w1,w2,...,wn)T表示用户负荷样本特征向量;x=(x1,x2,...xn)T表示权重向量;y表示预测结果为正例的概率,如输出y=0.7,则表示此样本有70%概率为正例,30%概率为负例。
二、损失函数
逻辑回归模型预估的是样本属于某个分类的概率,其损失函数(Cost Function)可以像线性回归那样,以均方差来表示;也可以用对数、概率等方法。损失函数本质上是衡量“模型预估值”到“实际值”的距离,选取好的“距离”单位,可以让回归模型的预测更加准确。
采用均方差作为距离衡量标准时,对“预估错误”的惩罚太过柔和。因此,训练出来的模型会出现较多的“极端”预估错误情况。另外,均方差损失函数的非凸性也使训练结果很难达到最优解。因此本发明采用log距离-交叉熵损失函数作为衡量标准,具体如下:
三、逻辑回归模型训练方法
3.1算法介绍
对于线性回归问题,常用的解法是最小二乘法,但最小二乘法是用来求解最小误差平方和的算法,而误差的平方和正是上文提到的线性回归的损失函数,通过其构造出来的逻辑回归的损失函数是非凸的,不容易找到全局最优解。
如图2所示,本发明不选用最小二乘法,而是通过极大似然法构造出凸函数,进而使用梯度下降法不断迭代更新函数进行求解。具体的,包括以下步骤:
首先,确定权重向量x的初值,并输入样本特征向量w和样本输出值ri;
然后,通过极大似然法构造目标函数;
最后,采用梯度下降法对构造的目标函数进行求解,得到目标函数最优解。
其中,采用梯度下降法对构造的目标函数进行求解时,以负梯度方向为下降方向,对损失函数求偏导,推导过程如下:
以负梯度方向作为迭代方向,权重向量x的更新过程最终可表示为:
其中,α为学习率。
实施例1
如图3所示,基于上述对逻辑回归理论的介绍,本发明提供一种配电物联网用户负荷识别方法,包括以下步骤:
步骤S1、根据各用户负荷的负荷印记特点建立各用户负荷的逻辑回归模型。
具体的,如图4所示,包括以下步骤:
步骤S1.1、根据各用户负荷的负荷印记特点建立负荷特征指标体系。
如图5所示,本发明中建立的负荷特征指标体系包括稳态特征、暂态特征和时间特征。其中,稳态特征为P-Q特性指标,其包括有功功率和无功功率;暂态特征为V-I特性指标,其包括功率因数、电流有效值、电流畸变率和电流峰值;时间特征包括启动时长、开启时间和使用时长。具体地,各特征指标定义如下:
S1.1.1P-Q特性指标
①有功功率
有功功率是表征用户负荷在单位时间内实际消耗的电能,其计算公式如下:
其中,P为有功功率;h为谐波次数;Ph为第h次有功功率;为用户负荷运行的功率因数角;Uh为第h次谐波电压;Ih第h次谐波电流。
②无功功率
无功功率是用户负荷建立和维持电磁场所需要的电功率,其计算公式如下:
其中,Q为无功功率;h为谐波次数;为用电负荷运行的功率因数角;Uh为第h次谐波电压(方均根值);Ih第h次谐波电流(方均根值)。
S1.1.2V-I特性指标
仅仅依靠有功功率和无功功率,虽然可以识别出大功率设备,但是对识别低功率且P-Q特征重叠的负荷是困难的。为解决仅依靠稳态特征即P-Q特性指标识别用户负荷时的局限性,本发明引入了V-I特性指标,以增加不同负荷的辨识。
①功率因数
功率因数是指交流电路有功功率对视在功率的比值,与用户负荷的性质有关,计算公式为:
其中,为功率因数,/>为用户负荷运行的功率因数角,Wp为有功电量,Wq为无功电量,P为有功功率,Q为无功功率。
②电流有效值
电流有效值可以有效的反映新增用户负荷的特性,其计算公式为:
其中,Irms为电流有效值;N为测量次数;h为谐波次数;Ih为第h次谐波电流(方均根值)。
③电流畸变率
电流畸变率是指畸变波形偏离正弦波形的程度,用ITHD表示,其定义为各次谐波电流有效值的平方和的平方根值与其基波电流有效值的百分比。电流畸变率反映了电流各次谐波的幅值特性。其表达式如下:
其中,ITHD是电流畸变率;I1为基波电流有效值;h为谐波次数;Ih为第h次谐波电流(方均根值);Irms为电流有效值。
④电流峰值
电流峰值是指最大负荷时的电流值,其计算公式如下:
Ip=max(I(h),0≤h<N) (10)
其中,Ip为电流峰值;Ih为第h次谐波电流(方均根值);N为测量次数。
S1.1.3时间特征
①启动时长
由于不同用户负荷的启动时长存在明显的差异,所以可以用启动时长来区分不同的用户负荷。定义启动时长为T:
T=T2-T1 (11)
其中,T1和T2分别为测得的启动电流波形数据中用户负荷启动前最后一个采样点和启动完成后测得的第一个采样点。其中,通过启动电流波形数据得到T1和T2是智能电表的现有功能。
②开启时间
开启时间不同于启动时长,反映的是用户开启用户负荷的时间的差异,是时间点而非区间。将开启时间量化,其计算公式如下:
其中,t为用户负荷的开启时间;H为开启时刻的时针数值,H∈[1,24];Min为开启时刻的分钟数值,Min∈[1,60]。
③使用时长
使用时长反映了不同用户负荷使用时间上的差异,是一个时间区间,其计算公式如下:
Tu=Ts-Te (13)
其中,Tu为用户负荷的使用时长;Ts为用户负荷的开始使用时间;Te为用户负荷的结束使用时间。
步骤S1.2、根据步骤S1.1建立的负荷特征指标体系提取用户负荷特征样本数据,基于该用户负荷特征样本数据得到训练集和测试集。
其中,特征是识别负荷的关键。本发明对几类主要的家用大功率负荷的负荷数据进行采集,主要包括热水器、空调、电视、电磁炉和微波炉等。由NILM装置的智能电表随机检测采集以上各个家用电器的P-Q特性指标和V-I特性指标以及启动时长数据600组,然后通过调查问卷的方法采集各个用户负荷的日常开启时间和使用时长数据600组,将智能电表采集到的600组数据与调查问卷采集到的600组数据进行数据融合,得到融合后的600组数据作为样本数据;最后随机选取400组数据作为训练集,剩下的200组数据作为测试集。
步骤S1.3、对步骤S1.2得到的训练集和测试集中的所有数据进行标准化处理。
其中,对数据进行标准化处理时,其计算公式为:
其中,wij为第i个指标第j个数据标准化处理后的结果;Wij为第i个指标第j个数据;m为指标的总个数;n为第i个指标所采集的数据的总个数。maxWij为第i个指标的所有数据中的最大值;minWij为第i个指标的所有数据中的最小值。
步骤S1.4、建立各用户负荷的逻辑回归模型。
具体的,包括以下步骤:
S1.4.1、对逻辑回归模型的预测函数进行定义,即:
其中,w=(w1,w2,...,wm)T表示用户负荷样本特征向量;x=(x1,x2,...xm)T表示权重向量;y表示预测结果为正例的概率,如输出y=0.7,则表示次样本有70%概率为正例。30%概率为负例。
S1.4.2、定义分类的分界点为0.7。即y>0.7时,表示所识别用户负荷为模型所表示的用户负荷,识别结果输出为正例;y<0.7时,表示所识别用户负荷不是模型所表示的用户负荷。识别结果输出为负例。
S1.4.3、定义损失函数:
其中,m是样本个数;ri取值为0或1,表示对第i个样本的输出值;yi表示第i个样本预测结果为正例的概率。
步骤S1.5、基于标准化处理后的训练集和测试集,利用梯度下降算法求解各个用户负荷的逻辑回归模型,得到各用户负荷的逻辑回归模型。
具体的,包括以下步骤:
S1.5.1、定义目标函数为minL(x)log,并将步骤S1.3得到的训练集带入,利用梯度下降法训练逻辑回归模型。计算梯度:
其中,为损失函数梯度;m是样本个数;ri取值为0或1,表示对第i个样本数输出值;w=(w1,w2,...,wn)T表示样本特征向量;yi表示第i个样本预测结果为正例的概率。
S1.5.2、设置更新函数为:
其中,α为学习率,xk为第k次迭代后的参数权重向量,xk+1为第k+1次迭代后的参数权重向量。
S1.5.3、判断损失函数梯度是否满足停止条件:若满足则输出权重向量x,建立该用户负荷的逻辑回归模型;若不满足则继续迭代更新权重向量x。
其中,停止条件为:①迭代次数大于阈值;②损失值变化小于阈值;③梯度小于阈值。
S1.5.4、将步骤S1.3收集的各个用户负荷的测试集带入步骤S1.5.3得到的逻辑回归模型,验证逻辑回归模型的正确率,得到训练好的逻辑回归模型。
步骤S2、获取待识别配电物联网用户的负荷特征数据。
具体的,包括以下步骤:
S2.1、设置数据采集触发阈值。由于本发明中所选的用户负荷的额定功率通常为:电视机145W、电吹风450W、微波炉1300W、电饭煲1000W和热水器2000W,因此,本发明将触发阈值定为100W。其中,触发阈值可以根据实际需要进行调整。
S2.2、达到触发阈值后,NILMD装置的智能电表收集待识别配电物联网用户的负荷数据,包括用户在稳态区段的P-Q特性指标、暂态区段的V-I特性指标以及启动时长数据;
S2.3、采用差量特征提取的方法提取各用户负荷启动前后P-Q特性指标中各参数的变化值。
其中,t时刻所采集的用户负荷参数为:
其中,wnt为t时刻的第n个特征量。
特征量变化值为:
其中,Δt为采样时间间隔;为t时刻采集的用户负荷参数。
S2.4、将稳态区段的电气特征量变化值、启动时长以及各用户负荷对应的日常开启时间和使用时长数据标准化处理后,得到该用户的负荷特征数据。
步骤S3、将获取的待识别配电物联网用户的负荷特征数据输入到各用户负荷的逻辑回归模型进行识别,得到负荷识别结果。
具体的,包括以下步骤:
S3.1、将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到各用户负荷的逻辑回归模型的输出值;
S3.2、将步骤S3.1中各个用户负荷的逻辑回归模型的输出值为正例的设备类型计入合格集;
S3.3、比较合格集中各个用户负荷的逻辑回归模型的预测函数值,选择合格集中预测函数值最大的设备类型作为所识别出的用户负荷。
实施例2
上述实施例1提供了配电物联网用户负荷识别方法,与之相对应地,本实施例提供一种配电物联网用户负荷识别***。本实施例提供的识别***可以实施实施例1的用户负荷识别方法,该识别***可以通过软件、硬件或软硬结合的方式来实现。例如,该识别***可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的识别***基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例的识别***的实施例仅仅是示意性的。
本实施例提供的配电物联网用户负荷识别***,包括:
模型建立模块,用于根据各用户负荷的负荷印记特点建立各用户负荷的逻辑回归模型;
数据获取模块,基于获取的待识别配电物联网用户的用电负荷数据,得到其负荷特征数据;
负荷识别模块,将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的用户负荷识别结果。
优选地,稳态特征为P-Q特性指标,其包括有功功率和无功功率;暂态特征为V-I特性指标,其包括功率因数、电流有效值、电流畸变率和电流峰值;时间特征包括启动时长、开启时间和使用时长。
实施例3
本实施例提供一种与本实施例1所提供的配电物联网用户负荷识别方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的识别方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的配电物联网用户负荷识别方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例1的用户负荷识别方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的配电物联网用户负荷识别方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
用户负荷用户负荷用户负荷
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、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。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在发明待批的权利要求保护范围之内。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (7)
1.一种配电物联网用户负荷识别方法,其特征在于,包括以下步骤:
获取待识别配电物联网用户的负荷特征数据;
将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的负荷识别结果;
其中,所述用户负荷的逻辑回归模型根据各用户负荷的负荷特征样本数据训练得到,所述负荷特征样本数据包括时间特征、稳态特征以及暂态特征;
所述稳态特征为P-Q特性指标,所述P-Q特性指标包括有功功率和无功功率;
所述暂态特征为V-I特性指标,所述V-I特性指标包括功率因数、电流有效值、电流畸变率和电流峰值;
所述时间特征包括用户负荷的启动时长、开启时间和使用时长;
所述获取待识别配电物联网用户的负荷特征数据的方法,包括:
达到预先设置的NILMD装置的数据采集触发阈值时,NILMD装置的智能电表获取待识别配电物联网用户的负荷数据,包括P-Q特性指标、V-I特性指标和启动时长;
基于获得的P-Q特性指标、V-I特性指标和启动时长数据以及各用户负荷的开启时间和使用时长数据,得到其负荷特征数据;其中所述各用户负荷的开启时间和使用时长数据通过统计得到;
所述将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的用户负荷识别结果的方法,包括以下步骤:
将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到各用户负荷的逻辑回归模型的输出值;
将各个用户负荷的逻辑回归模型的输出值为正例的设备类型计入合格集;
比较合格集中各个用户负荷的逻辑回归模型的预测函数值,选择合格集中预测函数值最大的设备类型用户负荷作为所识别出的用户负荷。
2.如权利要求1所述的一种配电物联网用户负荷识别方法,其特征在于,所述基于获得的P-Q特性指标、V-I特性指标和启动时长数据以及各用户负荷的开启时间和使用时长数据,得到其负荷特征数据的方法,包括:
采用差量特征提取的方法提取各用户负荷启动前后P-Q特性指标中各参数的变化值;
对稳态区段的电气特征量变化值、暂态区段的V-I特性指标、启动时长以及各用户负荷对应的开启时间和使用时长数据进行标准化处理,得到该用户的负荷特征数据。
3.如权利要求1所述的一种配电物联网用户负荷识别方法,其特征在于,所述将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的用户负荷识别结果的方法,包括以下步骤:
将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到各用户负荷的逻辑回归模型的输出值;
将各个用户负荷的逻辑回归模型的输出值为正例的设备类型计入合格集;
比较合格集中各个用户负荷的逻辑回归模型的预测函数值,选择合格集中预测函数值最大的设备类型用户负荷作为所识别出的用户负荷。
4.如权利要求1所述的一种配电物联网用户负荷识别方法,其特征在于,所述各用户负荷的逻辑回归模型的建立方法,包括:
基于预先建立的负荷特征指标体系提取负荷特征样本数据,基于所述负荷特征样本数据得到训练集和测试集;
对得到的训练集和测试集中的所有数据进行标准化处理;
建立各用户负荷的逻辑回归模型;
基于标准化处理后的训练集和测试集,利用梯度下降算法求解各用户负荷的逻辑回归模型,得到各用户负荷的逻辑回归模型。
5.一种配电物联网用户负荷识别***,其特征在于,包括:
数据获取模块,用于基于获取的待识别配电物联网用户的负荷数据,得到其负荷特征数据;
负荷识别模块,用于将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的负荷识别结果;
其中,所述用户负荷的逻辑回归模型根据各用户负荷的负荷特征样本数据训练得到,所述负荷特征样本数据包括时间特征、稳态特征以及暂态特征;
所述稳态特征为P-Q特性指标,所述P-Q特性指标包括有功功率和无功功率;
所述暂态特征为V-I特性指标,所述V-I特性指标包括功率因数、电流有效值、电流畸变率和电流峰值;
所述时间特征包括用户负荷的启动时长、开启时间和使用时长;
所述获取待识别配电物联网用户的负荷特征数据,包括:
达到预先设置的NILMD装置的数据采集触发阈值时,NILMD装置的智能电表获取待识别配电物联网用户的负荷数据,包括P-Q特性指标、V-I特性指标和启动时长;
基于获得的P-Q特性指标、V-I特性指标和启动时长数据以及各用户负荷的开启时间和使用时长数据,得到其负荷特征数据;其中所述各用户负荷的开启时间和使用时长数据通过统计得到;
所述将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到待识别配电物联网用户的用户负荷识别结果,包括:
将得到的负荷特征数据输入预先建立的各用户负荷的逻辑回归模型中进行识别,得到各用户负荷的逻辑回归模型的输出值;
将各个用户负荷的逻辑回归模型的输出值为正例的设备类型计入合格集;
比较合格集中各个用户负荷的逻辑回归模型的预测函数值,选择合格集中预测函数值最大的设备类型用户负荷作为所识别出的用户负荷。
6.一种处理设备,所述处理设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到4任一项所述配电物联网用户负荷识别方法的步骤。
7.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现根据权利要求1到4任一项所述一种配电物联网用户负荷识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048909.0A CN113762619B (zh) | 2021-09-08 | 2021-09-08 | 配电物联网用户负荷识别方法、***、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111048909.0A CN113762619B (zh) | 2021-09-08 | 2021-09-08 | 配电物联网用户负荷识别方法、***、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762619A CN113762619A (zh) | 2021-12-07 |
CN113762619B true CN113762619B (zh) | 2023-07-28 |
Family
ID=78793781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111048909.0A Active CN113762619B (zh) | 2021-09-08 | 2021-09-08 | 配电物联网用户负荷识别方法、***、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762619B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3035317A1 (en) * | 2014-12-19 | 2016-06-22 | Zoaring Adaptive Labs Limited | Cognitive load balancing system and method |
CN108389069A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和逻辑回归的优质客户识别方法及装置 |
CN111612237A (zh) * | 2020-05-14 | 2020-09-01 | 国家电网有限公司 | 一种针对供电网格的负荷时空分布预测方法及*** |
CN111860940A (zh) * | 2020-06-02 | 2020-10-30 | 山西潞安环保能源开发股份有限公司 | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 |
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 |
CN113298422A (zh) * | 2021-06-16 | 2021-08-24 | 福建亿力优能电力科技有限公司 | 一种基于用电数据的污染源企业违规生产监控方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9576245B2 (en) * | 2014-08-22 | 2017-02-21 | O Power, Inc. | Identifying electric vehicle owners |
-
2021
- 2021-09-08 CN CN202111048909.0A patent/CN113762619B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3035317A1 (en) * | 2014-12-19 | 2016-06-22 | Zoaring Adaptive Labs Limited | Cognitive load balancing system and method |
CN108389069A (zh) * | 2018-01-11 | 2018-08-10 | 国网山东省电力公司 | 基于随机森林和逻辑回归的优质客户识别方法及装置 |
CN111612237A (zh) * | 2020-05-14 | 2020-09-01 | 国家电网有限公司 | 一种针对供电网格的负荷时空分布预测方法及*** |
CN111860940A (zh) * | 2020-06-02 | 2020-10-30 | 山西潞安环保能源开发股份有限公司 | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 |
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 |
CN113298422A (zh) * | 2021-06-16 | 2021-08-24 | 福建亿力优能电力科技有限公司 | 一种基于用电数据的污染源企业违规生产监控方法 |
Non-Patent Citations (4)
Title |
---|
Literature review of power disaggregation;Lei Jiang等;《Modelling, Identification and Control (ICMIC), Proceedings of 2011 International Conference on》;全文 * |
基于监督学习的非侵入式负荷监测算法比较;涂京;周明;宋旭帆;周光东;李庚银;;电力自动化设备(第12期);全文 * |
基于监督学习的非侵入式负荷监测算法比较;涂京等;《电力自动化设备》;全文 * |
非侵入式负荷识别***研发;荆永震;《中国优秀硕士学位论文全文数据库(电子期刊)》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113762619A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106786534B (zh) | 一种非侵入式电力负荷暂态过程辨识方法及*** | |
CN111244954B (zh) | 一种非入侵式负荷辨识方法及装置 | |
CN109145949A (zh) | 基于集成学习的非侵入式电力负荷监测与分解方法及*** | |
CN106443244B (zh) | 用电设备类型辨识方法和*** | |
CN106532719B (zh) | 基于电流二次谐波与无功的非变频空调非侵入式辨识方法 | |
Ghosh et al. | An improved load feature extraction technique for smart homes using fuzzy-based NILM | |
CN109345409A (zh) | 一种基于宽带载波的居民用户综合能效管理方法 | |
CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
CN109840691B (zh) | 基于深度神经网络的非侵入式分项电量估计方法 | |
CN111639586B (zh) | 非侵入式负荷识别模型构建方法、负荷识别方法及*** | |
CN111722028A (zh) | 一种基于高频数据的负荷识别方法 | |
CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
CN112909923A (zh) | 一种基于dtw算法的非侵入式家居负荷行为识别的装置 | |
CN114970633A (zh) | 一种基于lstm的非侵入式用电器识别方法、***及设备 | |
CN113361831A (zh) | 基于优先级分配的非侵入式负荷辨识电量分解方法及*** | |
CN109377052B (zh) | 一种电力负荷匹配方法、装置、设备及可读存储介质 | |
Gurbuz et al. | Comprehensive non-intrusive load monitoring process: Device event detection, device feature extraction and device identification using KNN, random forest and decision tree | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN113762619B (zh) | 配电物联网用户负荷识别方法、***、设备和存储介质 | |
CN112560977A (zh) | 基于稀疏分类器阶层式算法的非侵入式负荷分解方法 | |
Zheng et al. | Non-intrusive load monitoring based on the graph least squares reconstruction method | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及*** | |
CN115687999A (zh) | 融合多时间尺度电器特征的非侵入式负荷感知方法 | |
CN114239762A (zh) | 基于结构化负荷特征图谱的非侵入式负荷辨识方法及*** | |
CN115932435A (zh) | 一种基于低频采集信号的居民非侵入式负荷监测方法 |
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 |