CN115932435A - 一种基于低频采集信号的居民非侵入式负荷监测方法 - Google Patents

Abstract

一种仅利用低频采集信息的居民用户非侵入负荷监测方法，通过智能电表低频采样用户入口处的总功率信号，进行降噪处理；建立事件检测器，根据滑动窗口对采集的负荷数据进行特征统计，判断电器投切位置；提取事件发生时间点前后的功率序列作为识别特征，利用互补集合经验模态分解计算功率序列中的多阶本征模态分量和最终趋势；将功率序列、本征模态分量和最终趋势绘制成二维图像作为负荷特征，输入卷积神经网络训练识别。最后利用居民用户实测公开数据集REDD进行算例仿真。本发明通过互补集合经验模态分解提取低频采样数据中的特征，增加卷积神经网络的识别能力，旨在降低采样成本的同时提升识别准确率，使居民用户更好地参与需求侧响应。

Description

一种基于低频采集信号的居民非侵入式负荷监测方法

技术领域

本发明涉及一种基于低频采集信号的居民非侵入式负荷监测方法。

背景技术

近年来我国电网负荷峰值呈逐年上升的趋势，亟需负荷侧资源参与需求侧管理来缓解电网供给侧压力以及延缓电网建设投资。在此背景下，有必要开展负荷识别研究来获取能耗信息和设备用电规律为需求响应策略提供数据支撑。智能用电使居民负荷成为一种相对可控的资源，通过直接负荷控制、分时电价等手段，实现负荷转移和削峰填谷。而负荷监测则是智能用电的核心环节，利用智能电表分析用户内部负荷成分和负荷特性，获得详细的用户用电行为和电器用能信息，开发需求侧资源是用户侧实现“智能电网+”的关键技术。通过负荷监测，用户可以及时了解各电器用能情况，主动优化用电方式，实现家庭能量管理；电网则能获悉居民负荷组成，准确进行居民需求侧管理，有助于对居民负荷资源进行优化管理。

非侵入式负荷监测(non-intrusive load monitoring,NILM)能够在保护用户隐私的前提下实时监测用户用电行为，其具有经济投入小，实用性强等优点，现已成为电网和用户交互的重要手段。NILM可视为一个两阶段问题：负荷分解和负荷识别。负荷分解是从智能电表采样的信号(如功率、电流，谐波等)中分解出独立的负荷特征信息，便于后续的负荷识别。关于负荷分解的研究工作可分为非基于事件和基于事件两类。非基于事件的方法往往将电器的状态作为变量，通过模式识别从总功率序列中分解出各种电器的功率和开关状态，但这类方法的计算量会随电器数量增加呈指数增长，而事件监测的方法依赖于不同的边缘检测算法进行事件检测来捕获负荷特征，由于仅对检测到的事件执行推断，因此计算效率高，但检测器参数一般主观选择，导致模型适用性弱。本发明选用计算效率高的事件检测方法，利用广义似然比检测法提取事件，设计事件检测度量指标并针对不同场景求解最佳检测器，解决了事件检测器模型适用性弱的问题。

负荷识别需要根据负荷信息特征进行差异性识别，从而获取相应负荷类型，通常可分为匹配组合优化和智能学习算法两类方法。匹配组合优化是基于先验数据建立负荷特征库，然后训练分类器实现负荷识别，存在的问题是在面对不同用户需要建立不同的特征库，且识别准确率依赖完备的特征库，而工程应用中难以满足。基于智能学习的方法虽在一定程度上提高了识别准确率，但其较为依赖训练数据的数量和质量。为提高识别准确率，多是通过增加特征量的维度或采用高频采样信息来获取更多的负荷信息，这不仅会增加采样成本，也加大了边缘数据处理的难度。本发明为降低采样成本和边缘数据处理的难度，提出了一种基于低频功率信号的NILM方法，仅通过低频采样信号识别出投切的负荷。

发明内容

为降低采样成本和边缘数据处理的难度，本发明选取了无需高频采样的稳态功率作为识别特征，提出了一种基于低频功率信号的NILM方法，通过互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)提取低频采样信号的细节信息，建立卷积神经网络(Convolution Neural Network,CNN)模型实现负荷识别，旨在降低采集信号设备的成本，实现高精度的负荷识别。

为了实现上述目的，本发明的技术方案是：

一种基于有限低频信息的居民用户非侵入负荷监测方法，该方法包括以下步骤：

S1：采用广义似然比事件检测法建立事件检测器，，通过计算两个相邻窗口中概率密度函数比率的自然对数，判断两个相邻窗口中是否发生事件，从而检测出采集信号中发生突变的时刻，以分解出此时刻发生投切事件的负荷，用于后续的负荷识别；

S2：建立事件检测器评估指标，引入真阳性率、真阳性百分比度量指标确定事件检测器可变参数，权衡指标性能选择最佳事件检测器；

S3：根据最佳事件检测器的输出得到事件发生时刻，提取前后一定时间内进行CEEMD分解计算，得到事件发生前后功率序列的IMF和最终趋势；

S4：把每次事件前后的功率序列以及对应的IMF和最终趋势绘制成二维波形图，将波形图输入训练好的卷积神经网络，输出得到当前发生事件对应的负荷类型，进而得到当前发生事件的负荷及状态。

进一步，所述步骤S1中，事件检测器的构建包括以下过程：

S1-1：采集信号序列，计算采样序列在前后窗口中的均值和方差，如下：

式中，分别是采样序列前窗和后窗的均值和方差；

S1-2：由信号序列的前后窗均值和方差构建对数似然比判断投切过程的起始点和结束点，对数似然比S[n]如下所示：

式中，P[n]表示输入功率序列信号P[n],n＝1,2,…,N，N(◇)|α,β表示以α为均值，β为方差的正态分布。

对于n＜ω₀+1和n＞N-ω₁的情况下无法计算窗口均值和方差，故定义这部分的S[n]值为0。同时数据集N一般非常大，可忽略这部分窗口采样点。S[n]的完整表达式如下：

考虑到电器投切前后通常会出现瞬态振荡，故对S[n]改进，把前后窗均值差小于阈值θ_p的S[n]值设为0，则改进的对数似然比l[n]可表示为：

S1-3：事件检测中确定期望阈值过程复杂，且期望阈值对于不同的有功功率序列相差较大，故引入投票窗口的方法改进对数似然比事件检测器。在改进的对数似然比l[n]上滑动一个长度为ω_v的投票窗口，在每个投票窗口中寻找l[n]绝对值最大的点，获得的投票数累积在序列V[n]中，其中V包含N个采样点中各点获得的总票数。引入一个票数阈值θ_v，事件序列可表示为：

E＝{[e₁,…,e_n,…,e_N],V[n]≥θ_v}    (8)

进一步，所述步骤S2中，事件检测器评估指标包括以下内容：

S2-1：改进的对数似然比事件检测器有五个可变参数：前窗长度ω₀，后窗长度ω₁，功率差阈值θ_p，投票窗口长度ω_v和票数阈值θ_v。固定前窗长度等于后窗长度，即ω₀＝ω₁，仍有四个可变参数影响事件检测的准确性，评估事件检测器的检测能力，检测器参考指标如表1所示：

表1检测器参考指标

S2-2：真阳性率指标：本文通过事件检测器的受试者工作特性(receiveroperator characteristic,ROC)曲线评估其性能，该曲线横坐标为假阳性率R_FP，纵坐标为真阳性率R_TP，(R_FP,R_TP)越接近于(0,1)证明检测器检测效果越好。基于表1定义如下参数：

式中：N_TP为真阳性数；NFP为假阳性数，即误检数；N_TN为真阴性数；N_FN为假阴性数，即漏检数；R_TP为真阳性率，R_FP为假阳性率；

根据理想探测器(R_TP为1，R_FP为0)可定义最佳的检测器为

在针对住宅负荷监测中，事件的分布很稀疏。对于一个性能优越的事件检测器，实际事件的稀疏性意味着N_TN的数量将远远高于N_FN的数量，即N_TN＞＞N_FN。在这种情况下，R_FP趋近于0。

因此，等式(11)可等价变换为：

在区间[0,1]上，f(R_TP)可定义为一个单调的递减函数。最佳事件检测器将是真阳性率最高，趋于1的检测器。

S2-3：真阳性百分比：比较正确检测到的真阳性数、误报数与实际事件总数N_E的比率，并定义真阳性百分比P_TP和假阳性百分比P_FP：

与上述度量指标类似，理想探测器的P_TP为1，P_FP为0。最佳检测器是最接近点(0,1)的检测器。此时相当于一个优化模型，只考虑真阳性和假阳性的计数。

此时检测器是一个实际值的权衡，通常期望这个指标能比真阳性率更好地衡量检测器性能。

进一步，在所述步骤S3中，利用CEEMD分解信号得到细节特征的过程如下：

CEEMD可以将信号分解为多阶IMF，其中，IMF代表原始信号的各频率分量，需要满足两个条件：①极值点和过零点的差值为0或1；②极大值和极小值构成的上下包络线均值为0。其原理是通过不断迭代求取混合原始信号的各阶IMF，减去各阶IMF后得到的最后的剩余分量称之为最终趋势，表示信号的整体趋势。把源信号看做各阶IMF与最终趋势之和，从而实现源信号的分解，具体步骤如下：

S3-1：对原始信号添加高斯白噪声，如下表示(其中ε＞0)：

x_i+1＝x_i+εω_i,i≥0    (17)

式中：x_i表示原始信号，ω_i表示随机高斯白噪声，i表示当前阶数。

S3-2：计算信号x_i的极大值和极小值。采用三次样条对信号x_i所有极大值点、极小值点进行插值得到上下包络e_max/e_min。计算得到上下包络平均值：

m＝(e_max-e_min)/2    (18)

将原始信号减去包络平均值m得到剩余分量：

x_i-m＝h_k    (19)

式中：k表示求解当前阶段IMF时所用的迭代次数，h_k表示原始信号减去包络平均值m后的剩余分量，判断h_k是否满足IMF的条件，如果不满足，把h_k视为原始信号，重复步骤2得到满足条件的固有模态函数IMF_i。

S3-3：当h_k满足IMF条件时，把h_k从x_i中分离出来，得到下式：

令x_i+1＝r_i，即把r_i视为新的原始信号重复上述步骤直到剩余分量r_i满足停止条件，得到最终趋势项r。

进一步，在所述步骤S4中，将计算结果绘制成二维波形图并建立CNN模型进行识别：

S4-1将每段序列以及对应的前两阶IMF和最终趋势项r都绘制成波形图，固定波形图的纵坐标，因此各负荷的功率波形会呈现出幅值上的差异，将4张波形图(即功率序列、一阶IMF、二阶IMF、最终趋势项)组合在一张图片中。

S4-2构建卷积神经网络，由两个卷积层和两个池化层构成。将图片转换为64×64的格式，并输入卷积层1，通过和卷积层1的64个3×3的卷积核进行卷积运算，把图像的像素点转化为数字矩阵，分成多个局部块与卷积核进行卷积运算，添加偏置后输入激活函数传递至池化层。卷积层可如下表示：

式中：即第l-1层的第j个特征图；表示第l层的第j个特征图和第l-1个特征图的卷积核函数；f()表示卷积神经网络模型的非线性激活函数；是l层的第j个偏置参数；*代表卷积运算。结果与偏置相加后通过relu激活函数的运算，得到64个64×64的特征映射图。将特征映射图输入池化层1，通过池化层降低分辨率，生成64个32×32的特征映射图。池化层如下表示:

式中：表示第l-1层的第j个特征图；为偏置函数；pool()表示池化函数；f()为激活函数。

在卷积层2与16个3×3的卷积核进行运算后，与偏置相加输入relu激活函数，生成16个32×32的特征图，同样经过池化层2处理后，得到16个16×16的特征映射图，输入全连接层，将池化层2的输出整合成一行数据，由Softmax函数计算得到各类别的分类概率，取概率最大的类别作为当前待判别负荷的类别输出。

本发明通过智能电表低频采样用户入口处的总功率信号，进行降噪处理；建立事件检测器，根据滑动窗口对采集的负荷数据进行特征统计，判断电器投切位置；提取事件发生时间点前后的功率序列作为识别特征，利用互补集合经验模态分解计算功率序列中的多阶本征模态分量和最终趋势；将功率序列、本征模态分量和最终趋势绘制成二维图像作为负荷特征，输入卷积神经网络训练识别。最后利用居民用户实测公开数据集REDD进行算例仿真。

本发明的优点是：针对用户电表采样频率低的问题，通过互补集合经验模态分解提取低频采样数据中的特征，增加卷积神经网络的识别能力，降低采样成本的同时提升识别准确率，使居民用户更好地参与需求侧响应。

附图说明

图1(a)-图1(b)是本发明的事件检测器的ROC曲线，其中，图1(a)是真阳性率指标下的ROC曲线，图1(b)是真阳性百分比指标下的ROC曲线。

图2是本发明的基于A相功率曲线的事件检测示意图。

图3是本发明的改进对数似然比的投票窗口序列图。

图4是本发明的负荷功率特征波形示意图。

图5是本发明的负荷复合特征波形示意图。

图6是本发明的卷积神经网络损失值收敛曲线。

具体实施方式

下面结合附图对本发明做进一步说明。

参照图1～图6，一种基于区块链技术的储能***自动需求响应方法，该方法包括以下步骤：

S1：采用广义似然比事件检测法建立事件检测器，，通过计算两个相邻窗口中概率密度函数比率的自然对数，判断两个相邻窗口中是否发生事件，从而检测出采集信号中发生突变的时刻，以分解出此时刻发生投切事件的负荷，用于后续的负荷识别；

S2：建立事件检测器评估指标，引入真阳性率、真阳性百分比度量指标确定事件检测器可变参数，权衡指标性能选择最佳事件检测器；

S3：根据最佳事件检测器的输出得到事件发生时刻，提取前后一定时间内进行CEEMD分解计算，得到事件发生前后功率序列的IMF和最终趋势；

S4：把每次事件前后的功率序列以及对应的IMF和最终趋势绘制成二维波形图，将波形图输入训练好的卷积神经网络，输出得到当前发生事件对应的负荷类型，进而得到当前发生事件的负荷及状态。

进一步，所述步骤S1中，事件检测器的构建包括以下过程：

S1-1：采集信号序列，计算采样序列在前后窗口中的均值和方差，如下：

式中，分别是采样序列前窗和后窗的均值和方差；

S1-2：由信号序列的前后窗均值和方差构建对数似然比判断投切过程的起始点和结束点，对数似然比S[n]如下所示：

式中，P[n]表示输入功率序列信号P[n],n＝1,2,…,N，N(◇)|α,β表示以α为均值，β为方差的正态分布。

对于n＜ω₀+1和n＞N-ω₁的情况下无法计算窗口均值和方差，故定义这部分的S[n]值为0。同时数据集N一般非常大，可忽略这部分窗口采样点。S[n]的完整表达式如下：

考虑到电器投切前后通常会出现瞬态振荡，故对S[n]改进，把前后窗均值差小于阈值θ_p的S[n]值设为0，则改进的对数似然比l[n]可表示为：

S1-3：事件检测中确定期望阈值过程复杂，且期望阈值对于不同的有功功率序列相差较大，故引入投票窗口的方法改进对数似然比事件检测器。在改进的对数似然比l[n]上滑动一个长度为ω_v的投票窗口，在每个投票窗口中寻找l[n]绝对值最大的点，获得的投票数累积在序列V[n]中，其中V包含N个采样点中各点获得的总票数。引入一个票数阈值θ_v，事件序列可表示为：

E＝{[e₁,…,e_n,…,e_N],V[n]≥θ_v}    (8)

进一步，所述步骤S2中，事件检测器评估指标包括以下内容：

S2-1：改进的对数似然比事件检测器有五个可变参数：前窗长度ω₀，后窗长度ω₁，功率差阈值θ_p，投票窗口长度ω_v和票数阈值θ_v。固定前窗长度等于后窗长度，即ω₀＝ω₁，仍有四个可变参数影响事件检测的准确性，评估事件检测器的检测能力，检测器参考指标如表1所示：

表1检测器参考指标

S2-2：真阳性率指标：本文通过事件检测器的受试者工作特性(receiveroperator characteristic,ROC)曲线评估其性能，该曲线横坐标为假阳性率R_FP，纵坐标为真阳性率R_TP，(R_FP,R_TP)越接近于(0,1)证明检测器检测效果越好。基于表1定义如下参数：

式中：N_TP为真阳性数；NFP为假阳性数，即误检数；N_TN为真阴性数；N_FN为假阴性数，即漏检数；R_TP为真阳性率，R_FP为假阳性率；

根据理想探测器(R_TP为1，R_FP为0)可定义最佳的检测器为

在针对住宅负荷监测中，事件的分布很稀疏。对于一个性能优越的事件检测器，实际事件的稀疏性意味着N_TN的数量将远远高于N_FN的数量，即N_TN＞＞N_FN。在这种情况下，R_FP趋近于0。

因此，等式(11)可等价变换为：

在区间[0,1]上，f(R_TP)可定义为一个单调的递减函数。最佳事件检测器将是真阳性率最高，趋于1的检测器。

S2-3：真阳性百分比：比较正确检测到的真阳性数、误报数与实际事件总数N_E的比率，并定义真阳性百分比P_TP和假阳性百分比P_FP：

与上述度量指标类似，理想探测器的P_TP为1，P_FP为0。最佳检测器是最接近点(0,1)的检测器。此时相当于一个优化模型，只考虑真阳性和假阳性的计数。

此时检测器是一个实际值的权衡，通常期望这个指标能比真阳性率更好地衡量检测器性能。

进一步，在所述步骤S3中，利用CEEMD分解信号得到细节特征的过程如下：

CEEMD可以将信号分解为多阶IMF，其中，IMF代表原始信号的各频率分量，需要满足两个条件：①极值点和过零点的差值为0或1；②极大值和极小值构成的上下包络线均值为0。其原理是通过不断迭代求取混合原始信号的各阶IMF，减去各阶IMF后得到的最后的剩余分量称之为最终趋势，表示信号的整体趋势。把源信号看做各阶IMF与最终趋势之和，从而实现源信号的分解，具体步骤如下：

S3-1：对原始信号添加高斯白噪声，如下表示(其中ε＞0)：

x_i+1＝x_i+εω_i,i≥0    (17)

式中：x_i表示原始信号，ω_i表示随机高斯白噪声，i表示当前阶数。

S3-2：计算信号x_i的极大值和极小值。采用三次样条对信号x_i所有极大值点、极小值点进行插值得到上下包络e_max/e_min。计算得到上下包络平均值：

m＝(e_max-e_min)/2    (18)

将原始信号减去包络平均值m得到剩余分量：

x_i-m＝h_k    (19)

式中：k表示求解当前阶段IMF时所用的迭代次数，h_k表示原始信号减去包络平均值m后的剩余分量，判断h_k是否满足IMF的条件，如果不满足，把h_k视为原始信号，重复步骤2得到满足条件的固有模态函数IMF_i。

S3-3：当h_k满足IMF条件时，把h_k从x_i中分离出来，得到下式：

令x_i+1＝r_i，即把r_i视为新的原始信号重复上述步骤直到剩余分量r_i满足停止条件，得到最终趋势项r。

进一步，在所述步骤S4中，将计算结果绘制成二维波形图并建立CNN模型进行识别：

S4-1将每段序列以及对应的前两阶IMF和最终趋势项r都绘制成波形图，固定波形图的纵坐标，因此各负荷的功率波形会呈现出幅值上的差异，将4张波形图(即功率序列、一阶IMF、二阶IMF、最终趋势项)组合在一张图片中。

S4-2构建卷积神经网络，由两个卷积层和两个池化层构成。将图片转换为64×64的格式，并输入卷积层1，通过和卷积层1的64个3×3的卷积核进行卷积运算，把图像的像素点转化为数字矩阵，分成多个局部块与卷积核进行卷积运算，添加偏置后输入激活函数传递至池化层。卷积层可如下表示：

式中：即第l-1层的第j个特征图；表示第l层的第j个特征图和第l-1个特征图的卷积核函数；f()表示卷积神经网络模型的非线性激活函数；是l层的第j个偏置参数；*代表卷积运算。结果与偏置相加后通过relu激活函数的运算，得到64个64×64的特征映射图。将特征映射图输入池化层1，通过池化层降低分辨率，生成64个32×32的特征映射图。池化层如下表示:

式中：表示第l-1层的第j个特征图；为偏置函数；pool()表示池化函数；f()为激活函数。

在卷积层2与16个3×3的卷积核进行运算后，与偏置相加输入relu激活函数，生成16个32×32的特征图，同样经过池化层2处理后，得到16个16×16的特征映射图，输入全连接层，将池化层2的输出整合成一行数据，由Softmax函数计算得到各类别的分类概率，取概率最大的类别作为当前待判别负荷的类别输出。

为使本领域技术人员更好地理解本发明，算例分析包括以下构成：

一、事件检测

事件检测器需要确定的参数有以下几种：前后窗口长度ω₀和ω₁、投票窗口长度ω_v、票数阈值θ_v以及功率差阈值θ_p。适当的参数设置能实现高精度的事件检测，为了获取最佳事件检测器，通过真阳性百分比和假阳性百分比等事件检测度量指标确定事件检测器最佳参数，其中需保证票数阈值θ_v始终小于投票窗口长度ω_v。

用不同的参数组合构成的事件检测器分别去检测具有事件标定的一段功率序列。已知此段功率序列中实际的事件数为184，再以真阳性率、真阳性百分比作为指标绘制的ROC曲线获得各自最佳事件探测器。获得的最佳事件检测器参数如表2所示。

表2

由图1和表2显示的最佳检测器结果可知，两种指标下的漏检数都较少，但以真阳性率为指标时的误检数明显过高，易将负荷工作时的功率波动误检测为负荷的投切事件，不利于后续的负荷识别。同时，是一个实际值的权衡，能更好地衡量检测器的性能，故选择假阳性数和漏检数都相对较少的事件检测器作为最终的事件检测器。其各参数设置为前后窗长度ω₀＝ω₁＝5，投票窗口长度ω_v＝7，票数阈值θ_v＝5，功率差阈值θ_p＝90。使用该事件检测器对某居民用户2011年4月27日19:58:34至22:42:11时间段进行事件检测。图2为该时间段内A相功率变化曲线，红色圆圈标示出检测到的电器投切位置，可以看出实际有8次功率的突变，再由投票窗口确定电器投切事件总数。由图3可以看出投票数序列V[n]的值，该时间段共获得8次投票，表明该时间段内产生8次事件，可见此事件检测器检测准确率高，效果较好。

二、负荷识别

在负荷识别部分，需先将检测到的投切事件提取电器设备开启前后稳态工作时有功功率进行CEEMD分解，把得到的前两阶IMF和最终趋势绘制成波形图作为输入图片输入卷积神经网络。本节利用REDD数据集中的各独立电路的功率消耗对负荷识别CNN进行训练。用于训练和测试的电器包括洗碗机(DW,1201W/349W)，冰箱(REFR,185W)，卧室照明灯(LTB,65W)，大门照明灯(LTD,45W)，微波炉(MW,1560W)，台灯(LT,160W)，热水器(WH,1595W)，火炉(ST,408W)，厨房插座(KO,1056W)(括号中的功率值为功率均值)。

以REDD数据集内的House 1的功率数据作为样本，先将各电器的功率以及经过CEEMD分解后组合成的复合特征绘制成二维波形图，如图4和图5所示。功率波形横轴为事件发生时刻前后30秒，且为防止出现工作功率不同而波形相似的情况，固定了波形图的纵轴，纵轴范围为0W到1700W。特征图在处理前的分辨率为640×480，处理后的分辨率为64×64。图5中每张图片都由四张波形图组合而成，从左至右分别为原始功率，一阶IMF，二阶IMF，最终趋势。

分别用功率特征波形图和经过CEEMD分解后的复合特征波形图对CNN进行训练。随机选取样本中70％的数据作为训练集和验证集，其中训练集和验证集数据各占1/2，剩余30％的数据作为测试集。本文方法随迭代次数的收敛曲线如图6所示，在迭代次数为1000次时曲线趋于平缓，迭代5000次时达到收敛状态。

三、算法结果对比

为进一步说明所提的基于CEEMD的CNN算法对识别准确率的提高有帮助，需要进行对比研究。因此，在接下来的算例中考虑2种场景：

场景1：不同训练数据量对算法的识别准确率的对比。

场景2：增加场景中的负荷类型以验证算法的泛化能力。

分别就以上2种场景对算法的识别准确率进行计算和比较。具体相关统计数据如表3所示。

表3

表3反映了在不同训练数据量的情况下，功率波形图和CEEMD分解后的复合波形图作为CNN训练数据的准确率对比。可以看出，当仅由功率波形作为识别对象时，在训练数据充足的情况下，识别可以达到较高的准确率，但随着训练数据减少，识别准确率下降的幅度较大。而经过CEEMD分解后的特征图，CNN的识别准确率随着训练数据的减少，虽然也有一定的下降，但都能保证在90％以上。与未分解相比，热水器、卧室和大门的照明灯的准确率提升最为显著。这说明本文所提方法对训练数据依赖更小，从而具有更好的工程应用性。

为验证本文算法模型的泛化能力，在原有的负荷基础上，把训练负荷类型增加至13种，其中包括一种新型号的冰箱(REFR1/170W)，两种其他房间的灯(LT2/128W/70W、LT3/116W)，两种电热炉(FUR1/600-700W、FUR2/200-600W)，一台烤箱(OVEN/1660W)，一台空调(AC/850-1050W)。测试结果如表5所示。

表4

由测试结果可以看出，本文算法在负荷类型复杂且存在同类型不同型号负荷的场景下，也能准确地识别出电器类型，证明算法有着较好的泛化能力。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也包括本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (5)

1.一种基于有限低频信息的居民用户非侵入负荷监测方法，包括以下步骤：

S1：采用广义似然比事件检测法建立事件检测器，通过计算两个相邻窗口中概率密度函数比率的自然对数，判断两个相邻窗口中是否发生事件，从而检测出采集信号中发生突变的时刻，以分解出此时刻发生投切事件的负荷，用于后续的负荷识别；

S2：建立事件检测器评估指标，引入真阳性率、真阳性百分比度量指标确定事件检测器可变参数，权衡指标性能选择最佳事件检测器；

S3：根据最佳事件检测器的输出得到事件发生时刻，提取前后一定时间内进行CEEMD分解计算，得到事件发生前后功率序列的IMF和最终趋势；

S4：把每次事件前后的功率序列以及对应的IMF和最终趋势绘制成二维波形图，将波形图输入训练好的卷积神经网络，输出得到当前发生事件对应的负荷类型，进而得到当前发生事件的负荷及状态。

2.如权利要求1所述的一种基于有限低频信息的居民用户非侵入负荷监测方法，其特征在于：步骤S1中，事件检测器的构建包括以下过程：

S1-1：采集信号序列，计算采样序列在前后窗口中的均值和方差，如下：

式中，μ_0,n,μ_1,n,分别是采样序列前窗和后窗的均值和方差；

S1-2：由信号序列的前后窗均值和方差构建对数似然比判断投切过程的起始点和结束点，对数似然比S[n]如下所示：

式中，P[n]表示输入功率序列信号P[n],n＝1,2,…,N，N(◇)α,β表示以α为均值，β为方差的正态分布；

对于n<ω₀+1和n>N-ω₁的情况下无法计算窗口均值和方差，故定义这部分的S[n]值为0；同时数据集N一般非常大，可忽略这部分窗口采样点；S[n]的完整表达式如下：

考虑到电器投切前后通常会出现瞬态振荡，故对S[n]改进，把前后窗均值差小于阈值θ_p的S[n]值设为0，则改进的对数似然比l[n]可表示为：

S1-3：事件检测中确定期望阈值过程复杂，且期望阈值对于不同的有功功率序列相差较大，故引入投票窗口的方法改进对数似然比事件检测器；在改进的对数似然比l[n]上滑动一个长度为ω_v的投票窗口，在每个投票窗口中寻找l[n]绝对值最大的点，获得的投票数累积在序列V[n]中，其中V包含N个采样点中各点获得的总票数；引入一个票数阈值θ_v，事件序列可表示为：

E＝{[e₁,…,e_n,…,e_N],V[n]≥θ_v}(8)。

3.如权利要求1所述的一种基于有限低频信息的居民用户非侵入负荷监测方法，其特征在于：步骤S2中，事件检测器评估指标包括以下内容：

S2-1：改进的对数似然比事件检测器有五个可变参数：前窗长度ω₀，后窗长度ω₁，功率差阈值θ_p，投票窗口长度ω_v和票数阈值θ_v；固定前窗长度等于后窗长度，即ω₀＝ω₁，仍有四个可变参数影响事件检测的准确性，评估事件检测器的检测能力，检测器参考指标如表1所示：

表1检测器参考指标

S2-2：真阳性率指标：本文通过事件检测器的受试者工作特性(receiveroperatorcharacteristic,ROC)曲线评估其性能，该曲线横坐标为假阳性率R_FP，纵坐标为真阳性率R_TP，(R_FP,R_TP)越接近于(0,1)证明检测器检测效果越好；基于表1定义如下参数：

式中：N_TP为真阳性数；NFP为假阳性数，即误检数；N_TN为真阴性数；N_FN为假阴性数，即漏检数；R_TP为真阳性率，R_FP为假阳性率；

根据理想探测器(R_TP为1，R_FP为0)可定义最佳的检测器为

在针对住宅负荷监测中，事件的分布很稀疏；对于一个性能优越的事件检测器，实际事件的稀疏性意味着N_TN的数量将远远高于N_FN的数量，即N_TN>>N_FN；在这种情况下，R_FP趋近于0；

因此，等式(11)可等价变换为：

在区间[0,1]上，f(R_TP)可定义为一个单调的递减函数；最佳事件检测器将是真阳性率最高，趋于1的检测器；

S2-3：真阳性百分比：比较正确检测到的真阳性数、误报数与实际事件总数N_E的比率，并定义真阳性百分比P_TP和假阳性百分比P_FP：

与上述度量指标类似，理想探测器的P_TP为1，P_FP为0；最佳检测器是最接近点(0,1)的检测器；此时相当于一个优化模型，只考虑真阳性和假阳性的计数；

此时检测器是一个实际值的权衡，通常期望这个指标能比真阳性率更好地衡量检测器性能。

4.如权利要求1所述的一种基于有限低频信息的居民用户非侵入负荷监测方法，其特征在于：步骤S3中，利用CEEMD分解信号得到细节特征的过程如下：

CEEMD可以将信号分解为多阶IMF，其中，IMF代表原始信号的各频率分量，需要满足两个条件：①极值点和过零点的差值为0或1；②极大值和极小值构成的上下包络线均值为0；其原理是通过不断迭代求取混合原始信号的各阶IMF，减去各阶IMF后得到的最后的剩余分量称之为最终趋势，表示信号的整体趋势；把源信号看做各阶IMF与最终趋势之和，从而实现源信号的分解，具体步骤如下：

S3-1：对原始信号添加高斯白噪声，如下表示(其中ε>0)：

x_i+1＝x_i+εω_i,i≥0(17)

式中：x_i表示原始信号，ω_i表示随机高斯白噪声，i表示当前阶数；

S3-2：计算信号x_i的极大值和极小值；采用三次样条对信号x_i所有极大值点、极小值点进行插值得到上下包络e_max/e_min；计算得到上下包络平均值：

m＝(e_max-e_min)/2(18)

将原始信号减去包络平均值m得到剩余分量：

x_i-m＝h_k(19)

式中：k表示求解当前阶段IMF时所用的迭代次数，h_k表示原始信号减去包络平均值m后的剩余分量，判断h_k是否满足IMF的条件，如果不满足，把h_k视为原始信号，重复步骤2得到满足条件的固有模态函数IMF_i；

S3-3：当h_k满足IMF条件时，把h_k从x_i中分离出来，得到下式：

令x_i+1＝r_i，即把r_i视为新的原始信号重复上述步骤直到剩余分量r_i满足停止条件，得到最终趋势项r。

5.如权利要求1所述的一种基于有限低频信息的居民用户非侵入负荷监测方法，其特征在于：步骤S4中，将计算结果绘制成二维波形图并建立CNN模型进行识别：

S4-1将每段序列以及对应的前两阶IMF和最终趋势项r都绘制成波形图，固定波形图的纵坐标，因此各负荷的功率波形会呈现出幅值上的差异，将4张波形图(即功率序列、一阶IMF、二阶IMF、最终趋势项)组合在一张图片中；

S4-2构建卷积神经网络，由两个卷积层和两个池化层构成；将图片转换为64×64的格式，并输入卷积层1，通过和卷积层1的64个3×3的卷积核进行卷积运算，把图像的像素点转化为数字矩阵，分成多个局部块与卷积核进行卷积运算，添加偏置后输入激活函数传递至池化层；卷积层可如下表示：

式中：即第l-1层的第j个特征图；表示第l层的第j个特征图和第l-1个特征图的卷积核函数；f()表示卷积神经网络模型的非线性激活函数；是l层的第j个偏置参数；*代表卷积运算；结果与偏置相加后通过relu激活函数的运算，得到64个64×64的特征映射图；将特征映射图输入池化层1，通过池化层降低分辨率，生成64个32×32的特征映射图；池化层如下表示:

式中：表示第l-1层的第j个特征图；为偏置函数；pool()表示池化函数；f()为激活函数；

在卷积层2与16个3×3的卷积核进行运算后，与偏置相加输入relu激活函数，生成16个32×32的特征图，同样经过池化层2处理后，得到16个16×16的特征映射图，输入全连接层，将池化层2的输出整合成一行数据，由Softmax函数计算得到各类别的分类概率，取概率最大的类别作为当前待判别负荷的类别输出。

Images