非侵入式负荷神经网络遗传算法模式识别.pdf

发布时间：2022-05-31 发布人：admin 分类：说明书资料大小：1.35M 资料格式：pdf 举报版权申诉

weixin_41995118-10613333-16359647551243827518.pdf-第1页.png

第1页 / 共36页

weixin_41995118-10613333-16359647551243827518.pdf-第2页.png

第2页 / 共36页

weixin_41995118-10613333-16359647551243827518.pdf-第3页.png

第3页 / 共36页

weixin_41995118-10613333-16359647551243827518.pdf-第4页.png

第4页 / 共36页

weixin_41995118-10613333-16359647551243827518.pdf-第5页.png

第5页 / 共36页

weixin_41995118-10613333-16359647551243827518.pdf-第6页.png

第6页 / 共36页

weixin_41995118-10613333-16359647551243827518.pdf-第7页.png

第7页 / 共36页

weixin_41995118-10613333-16359647551243827518.pdf-第8页.png

第8页 / 共36页

文本预览

基于非侵入式负荷检测与分解的电力数据挖掘摘要：能源的合理利用对缓解我国所面临的能源短缺以及减少碳排放具有十分重大的意义。智能用电是坚强智能电网的重要环节之一，是互动服务体系的核心。本文旨在研究构建非侵入式负荷分解与辨识的数学模型和计算方法为前提的适用优化模型，通过对数据的深入挖掘，得出准确高效的辨识决策方法，以及相应用电设备的实时用电量。首先，根据非侵入式负荷监测系统的工作原理，提取电流稳态特征和稳态电流的谐波含有率，从宏观上分为两大类用电器来计算一系列指标参数，如峰值、均值、均方根等，对负荷类别进行区分。大功率设备在启停切换时功率差异较为明显，而低功率设备的功率变化较为接近，其设备启停在高频采样中较为直观。当多种设备发生功率混叠时，低功率设备的识别则具有一定难度，可以通过增加负荷特征提高识别准确度。即引入一个以正态分布形式的隶属度函数，从而赋值给解权重 w，通过度量辨识算法得到的结果与当前用电设备投切状态的逼近程度，从而得到用电设备的投切状态。最后依次求出各用电设备每秒的实时用电量。然后，本文根据用电器在启动时会产生一定特征的负荷信号，采用 MATLAB 自带的神经网络工具箱，通过专门的模式识别神经网络模型 Patternnet,训练算法采用量化共轭梯度法 trainscg 实现了一种基于神经网络的模式识别方法。该算法可以实时监测家用电器的运行及用电情况。最终挂式空调的识别率为 82.57%，九阳热水壶的识别率为 87.69%，其余用电器的识别率均≤10%，故确认设备 1 为 YD3 九阳热水壶，设备 2 为 YD9 挂式空调。最后依次求出每个用电设备的实时用电量。其次，本文将附件 3 中 3 个设备组中的 4 种有限多状态设备(YD1、YD2、YD7、YD8 ) 和 3 种启/停二状态设备(YD3、YD5、YD6)的稳态时的有功功率划分为若干个聚类点，实现将设备的负荷离散化处理得到有限个状态的目的，提高后续负荷分解计算的可操作度和结果精度。根据观察分析确定样本设备的功率区段代表值，据此得到样本设备到稳态的有功功率变化量。最后通过 MATLAB 在对样本设备功率情况聚类分区后，以各功率聚类中心作为该工作段功率特征，通过遗传优化求解负荷识别模型求出设备组 4—6 的用电设备操作记录以及每个用电设备的实时用电量。最后，在负荷数据分析与特征提取的研究基础上，建立遗传算法多特征优化的目标函数模型，通过遗传迭代实现不同电器状态变化的精确分解与识别。首先要对种群个体进行基因编码。因为在实际生活中存在一定噪声的情况下，功率较为接近的低功率负荷更加难以识别。为解决该问题，引入活性电流谐波特征值，从而增加识别算法的准确性和抗干扰能力。故对单功率目标寻优函数模型进行优化，在进行多目标函数寻优之前，对不同特征值进行去量纲处理。综上所述，本文提出的多特征优化目标函数对功率、谐波采样值及其相应特征向量进行归一化处理：当λ=0 时，目标函数表示使用功率特征的单目标寻优；λ=1 时，表示使用谐波特征的单目标寻优。通过多特征遗传目标函数优化模型，识别出附件四中的用电设备以及每个用电设备的实时用电量。关键词：非侵入式负荷监测 BP 人工神经网络聚类分析遗传算法 1

Power Data Mining Based on Non-intrusive Load Detection and Decomposition Abstract: This paper aims to study the mathematical model and calculation method for non-invasive load decomposition and identification. The optimized model is based on the premise of data mining, and an accurate and efficient identification and decision method is derived the amount. Firstly, according to the working principle of the non-intrusive load monitoring system, the steady- state characteristics of the current and the harmonic content of the steady-state current are extracted, and are divided into two major categories of electrical appliances to calculate a series of index parameters to distinguish the load category. The power difference of the high-power equipment during the start-stop switching is obvious, while the power change of the low-power equipment is relatively close. It is more intuitive to start and stop the equipment in high-frequency sampling. When multiple devices have power aliasing, the identification of low-power devices is difficult, and the identification accuracy can be improved by increasing the load characteristics. That is, introducing a membership function in the form of a normal distribution, which is assigned to the solution weight w, through the measurement of the results obtained by the algorithm and the approximation of the current state of the power equipment switching, so as to obtain the switching state of the electrical equipment. Then, according to the load signal which will produce certain characteristics when starting the appliance, this paper uses the neural network toolbox which comes from MATLAB, through the special pattern recognition neural network model Patternnet, and the training algorithm uses the quantitative conjugate gradient method trainingscg to realize a kind of Neural network based pattern recognition method. Secondly, this paper presents the steady-state real power of four limited multi-state devices and three kinds of start/stop two-state devices in the three device groups in Appendix 3. The power is divided into several clustering points to achieve the purpose of obtaining a finite number of states by discretizing the load of the equipment, thereby improving the operation degree and the result accuracy of the subsequent load decomposition calculation. According to the observation analysis, the power section representative value of the sample device is determined, and the active power change amount from the sample device to the steady state is obtained accordingly. Finally, after partitioning the power of the sample device by MATLAB. Finally, based on the study of load data analysis and feature extraction, a multi-feature optimization objective function model of genetic algorithm is established. Through genetic iteration, the accurate decomposition and recognition of different electrical state changes are achieved. The first step is to genetically encode individual individuals. Because there is a certain amount of noise in real life, it is more difficult to identify low power loads with relatively close power. In order to solve this problem, active current harmonic characteristic values are introduced to increase the accuracy and anti-jamming capability of the recognition algorithm. Therefore, the single-power target optimization function model is optimized. Before the multi-objective function is optimized, the different eigenvalues are subjected to dimensioning. In summary, the multi-feature optimization objective function proposed in this paper normalizes the power and harmonic sampling values and their corresponding eigenvectors. Key words: Non-intrusive load monitoring,BP artificial neural network,Cluster analysis,Genetic algorithm 2

目录 1. 挖掘目标 ..................................................4 2. 分析方法与过程 ............................................4 2.1. 总体流程 ......................................................... 4 2.2. 具体步骤 ......................................................... 5 2.3. 结果分析 ........................................................ 35 3. 结论 ..................................................... 35 4. 参考文献 ................................................. 36 3

1.挖掘目标 1.1.挖掘背景在能源消费比重中，电能是整个社会生产和生活中重要的能源消费形式。为此，倡导节能减排是当前开展节能工作的基础。有研究表明，在引入用电信息反馈的情况下，居民负荷侧会有较大的节能潜力。然而，传统用户家庭的负荷检测通常是基于侵入式的方式开展，这一方面增加了用户的投入成本，即购买大量的传感器；另一方面，面对新增电器，进一步限制了监测系统的拓展性，使得用户满意度较差。相比于侵入式电力负荷分解而言，非侵入式的电力负荷分解与辨识是直接提取用户电力入口处的电流、电压信息，采用辨识算法对用电设备的投切情况进行管理，从而可避免过多地安装在用电设备端的传感器，同时也有助于电力公司对用户负荷的了解，从而合理安排用电设备的使用时间或甩负荷的方式，调节峰谷差，降低网损，达到节能降耗并提升用户节电意识，无论是对电力公司、对用户，还是对全社会，都将具有重要的意义。可见研发经济有效的非侵入式负荷监测及识别系统是非常有必要的。 1.2.挖掘目标本次建模目标是利用 NILMD 装置量测得到的某家庭用电数据，采用数据挖掘技术，达到以下四个目标：（1）根据附件 1 提供的单一态数据，分析并给出各用电设备的运行特征，并估计各用电设备的实时用电量。（2）根据附件 2 中的单一态数据，设计自动识别单一设备的数学模型和计算方法，并估计这一用电设备的实时用电量。（3）根据附件 3 提供的用电设备实测数据，设计方法确定各用电设备的状态、操作及操作时间，并估计每个用电设备的实时用电量。（4）利用问题 3 设计的方法，根据附件 4 提供的用电设备实测数据，识别出各用电设备及其状态、操作及操作时间，并估计每个用电设备的实时用电量，无法识别的用电设备标记为 YD0。 1.3.研究现状最初由 Hart 在 20 世纪 80 年代提出的时候，这一技术被称为非侵入式电器符合监测（HIALM），旨在研制一种不影响或者尽可能小地影响作用对象的监测工具，可以为电力公司提供用户各种电力设备电能消耗的具体数据。这一概念引起了全球范围内电力公司和科研机构的广泛关注，随着研究的深入和内容的拓展，被监测的负荷不再局限于一般家用电器，其含义进一步拓展，演化为现今的非侵入式负荷监测（HILM）系统 4

2.分析方法与过程 2.1.总体流程用电设备负荷特征提取基于BP人工神经网络模式识别基于遗传优化的NILMD方法 •电器识别 •神经网络识别 •聚类分析 •遗传算法 •缺失数据处理 •基于非侵入式负荷检测与分解 •增加负荷特征提高识别率 •计算实时用电量基于多特征目标函数遗传优化 •建立遗传算法多特征优化目标函数 •遗传迭代 •引入活性电流谐波特征值 •归一化处理本用例主要包括以下步骤：步骤一：首先对缺失数据进行处理，用缺失数据前一秒数据的值填补当前状态所有缺失数据。然后根据非侵入式负荷监测系统的工作原理，提取电流稳态特征和稳态电流的谐波含有率，从宏观上分为两大类用电器，计算一系列指标参数，如峰值、均值、均方根等，对负荷类别进行区分。利用稳态特征进行非侵入式负荷分解具有较宽的适用范围。大功率设备在启停切换时功率差异较为明显，而低功率设备的功率变化较为接近，其设备启停在高频采样中较为直观。当多种设备发生功率混叠时，低功率设备的识别则具有一定难度，可以通过增加负荷特征提高识别准确度。引入一个以正态分布形式的隶属度函数，从而赋值给解权重 w，度量辨识算法得到的结果与当前用电设备投切状态的逼近程度。最后通过公式求出各用电设备每秒的实时用电量。步骤二：采用 MATLAB 自带的神经网络工具箱，运用专门的模式识别神经网络模型 Patternnet,训练算法采用量化共轭梯度法 trainscg 实现基于神经网络的模式识别方法，从而实时监测家用电器的运行及用电情况。最后通过识别率的大小识别出两种设备的用电器类型，然后通过公式求出各用电设备每秒的实时用电量步骤三：将附件 3 中 3 个设备组中的 4 种有限多状态设备和 3 种启/停二状态设备的稳态时的有功功率划分为若干个聚类点，提高后续负荷分解计算的可操作度和结果精度。根据观察分析确定样本设备的功率区段代表值，据此得到样本设备到稳态的有功功率变化量。最后通过 MATLAB 在对样本设备功率情况聚类分区后，以各功率聚类中心作为该工作段功率特征，通过遗传优化求解负荷识别模型分别求出设备组 4—6 的用电设备操作记录以及每个用电设备的实时用电量。步骤四：在前文的负荷数据分析与特征提取的研究基础上，建立遗传算法多特征优化的目标函数模型，在对其目标函数进行改进和优化，实现优化识别准确性的目的。主要过程包括基因编码、目标函数优化、遗传迭代等几个步骤。遗传算法首先要对种群个体进行基因编码，每一次迭代中通过遗传交叉和变异后产生的子代个体也具有相同的基因编码。为得到更高的识别率，引入一个新的负荷特征——非活性电流谐波特征，以此增加识别算法的准确性和抗干扰能力。最后对单功率目标寻优函数模型进行优化，在进行多目标函数寻优之前，对不同特征值进行去量纲处理通过上面所建立的多特征遗传目 5

标函数优化模型，识别出附件四中的未知用电设备以及分别求出每个用电设备的实时用电量。 2.2．具体步骤步骤一：用电设备负荷特征提取 ①缺失数据处理设备数据、周波数据和谐波数据的采样间隔 1 秒，为了节省存储空间和数据传输时间，变化很小的数据不予传输和存储。因为当数据变化量小于 0.05 时不予传输和存储，故可以认为缺失数据与缺失数据前一秒数据的差别可以忽略不计。故本文用缺失数据前一秒数据的值填补当前状态所有缺失数据。 ②基于非侵入式负荷检测与分解电器的过渡区段、稳态区段及整体运行模式中都蕴含着一定的统计规律——负荷特征。不同电器设备具有不同的电路结构和功能，因而具有不同的运行特性和负荷特征。负荷特征是确定负荷设备的依据，是负荷分解的关键，也是 NILMD 的实现原理。非侵入式负荷监测的负荷特征可分为稳态特征和暂态特征，稳态特征的分析主要有有功功率和无功功率，稳态基波分量，谐波分量，特征值等；暂态特征的分析主要为开关暂态波形。而根据稳态特征的不同，负荷类型又可分为开/关二状态设备（ON/OFF）、有限多状态设备（Finite State Machine,FSM ）、连续变状态设备（Continuously Variable Devices,CVD）三类。其中，前两种设备类型没有本质区别，都具有有限的工作状态，且工作状态对应的负荷特征相对稳定，易于描述，如图 1 所示。单一态数据记录单个用电设备的用电数据，根据用电器类型主要分为 2 种情况：(1) 回路中的用电设备仅有开关两种状态；(2)回路中的用电设备具有不同挡位或者不同工作状。 6

NILMD 装置量测获得的总负荷的电压、电流等电气量可视为承载电力信息的信号，包含了不同特性的负荷成分信息，通过提取这些电气量的特征信息，NILMD 系统就能实现负荷分解。而负荷印记（load signatures，LS）的概念在 NILMD 中具有重要作用。在此 LS 定义为一个用电设备在运行中所体现的独特的能反映用电状态的信息，如有功的波形等。电流稳态特征提取，计算一系列指标参数，峰值、均值、均方根等，容易对负荷类别进行区分，但此类特征提取方法只适于开关类用电设备，不能处理多状态型负荷和特征重叠现象。开关类用电设备的一系列指标计算如下表所示：用电设备九阳热水壶白炽灯节能灯创维电视机表 1 开关类用电设备指标参数均值 0.009 7.8195 0.009 0.1834 0.009 0.0418 0.054 0.5378 峰值 0.009 7.924 0.009 0.184 0.009 0.042 0.0531 0.543 状态关开关开关开关开均方根 0.009 7.8196 0.009 0.1835 0.009 0.0418 0.0531 0.5378 上述的电流稳态特征的提取局限于开关类。已经不能够满足各用电设备特征的识别。基于 LS 四个最高精度特征，Liang[1][2]等，使用有功功率的稳态特征进行负荷分解识别。采用双层特征提取框架，首先用第一层功率波形图区分用电设备的种类，第二层用稳态功率的状态变化量来识别各用电设备。第一类开关型用电设备有功功率变化量的运行特征分析如下： W K / P 20000 18000 16000 14000 12000 10000 8000 6000 4000 2000 0 2 1 3 2 4 3 5 4 6 5 7 6 8 7 1 9 8 0 0 1 1 1 1 2 2 1 3 3 1 4 4 1 5 5 1 6 6 1 7 7 1 8 8 1 9 9 1 0 1 2 1 2 2 2 3 2 3 4 2 4 5 2 5 6 2 6 7 2 7 8 2 8 9 2 9 0 3 0 2 3 T/s 开关图 2 九阳热水壶暂态及稳态有功功率采样图 7

由有功功率波形图，并根据从操作记录分析出 YD3（九阳热水壶）有功功率的稳态功率的转换状态的变化量如下表所示：表 2 YD3 有功功率的稳态功率变化量九阳热水壶工作状态转换过程(KW) 开关 1.4987 1.4826 W K / P 450 400 350 300 250 200 150 100 50 0 1 4 1 7 2 0 4 3 5 6 6 9 7 2 9 5 0 1 8 1 1 1 3 1 4 4 1 7 5 1 0 7 1 3 8 1 6 9 1 9 0 2 2 2 2 5 3 2 8 4 2 1 6 2 4 7 2 7 8 2 0 0 3 3 1 3 6 2 3 9 3 3 2 5 3 5 6 3 8 7 3 1 9 3 T/s 开关图 3 白炽灯暂态及稳态有功功率采样图由有功功率波形图，并根据从操作记录分析出 YD5（白炽灯）有功功率的稳态功率的转换状态的变化量如下表所示：白炽灯表 3 YD5 有功功率的稳态功率变化量工作状态转换过程(KW) 开关 0.016 0.0002 8

分享到：

赞收藏

资料库

非侵入式负荷神经网络遗传算法模式识别.pdf

相关推荐

人工智能

热门标签

最新资料