一种居家办公环境下的用电负荷状态识别方法技术

本发明专利技术公开了一种居家办公环境下的用电负荷状态识别方法。本发明专利技术为了更加准确快速的识别出用电负荷的工作状态，首先要获取居家、办公环境下用电负荷（例如冰箱、空调、饮水机等）投切时的瞬态功率波形TPW，及负荷投切时的准确标签，以便用于负荷辨识，及算法性能评估。然后，针对小功率和相似负荷识别存在的难点，本发明专利技术提出对同类负荷TPW进行系统聚类，选取典型TPW模板，提高负荷的识别率。最后为了解决负荷种类增多存在的困难，本发明专利技术提出利用PSO算法进行参数优化，确定负荷典型TPW簇数的最优组合，使得负荷状态识别算法的综合性能最佳。本发明专利技术所提方法为居家办公环境下的负荷状态识别及智能用电做了重要贡献。

【技术实现步骤摘要】
一种居家办公环境下的用电负荷状态识别方法
本专利技术属于非侵入式负荷识别
，具体涉及一种居家办公环境下的用电负荷状态识别方法。
技术介绍
随着社会经济的发展，电力成为当今社会中应用最为广泛的能源之一。为了给用户提供更加可靠、绿色的电能以及减缓全球变暖及气候改变所带来的影响，智能用电，变得愈发重要。为了更好的利用电能，首先需要对用电负荷进行负荷监测，负荷监测是为了获取用户用电数据，掌握详细的用户负荷运行状态和使用频率，其采样及用电行为的挖掘是建设灵活互动智能用电的关键环节。电力负荷监测方法大致可以分为侵入式和非侵入式两类，侵入式负荷监测，往往需要在每个电器负荷上安装相应的数据采集和传感装置，带来大量的人力物力资源消耗。非侵入式负荷监测只需要在电力供给的入口处安装非侵入式的监测设备，通过监测该处的电压、电流等信号就可以分析得到负荷集群中单个负荷的种类和运行情况，以此实现对整个系统范围内的所有用电负荷的在线监测。相较于传统的侵入式负荷监测方法，非侵入式负荷监测(non-instrusiveloadmonitoring，NLIM)不中断设备供电，易于被用户所接受，不需要安装大量的检测设备，节省了购买、安装和维护这些硬件设备所需要的投资和时间，是未来电力负荷监测的重要发展方向。非侵入式负荷监测技术一般可以分为数据测量、事件检测、负荷识别。对于电网来说,负荷监测能够帮助电网企业细致地掌握负荷组成和用户用电行为，为电网的规划、发电调度提供指导，为双向互动与智能用电提供服务。对于用户而言负荷监测能给出各用电设备的具体用电信息，从而引导用户改变用电习惯、优化用电行为，节约用电成本。负荷监测和智能用电的结合在智能电网中得到了完美体现，非侵入式负荷监测技术具有广泛的应用前景，能为用户、电力公司等多方面带来效益。传统的负荷监测技术多利用负荷的稳态特征来进行识别，比如负荷工作时的稳态电流、稳态电压等信息，然后基于最优化问题解决方法来找出当前总负荷下各个用电负荷的最佳组合，这类负荷状态识别方法往往需要建立复杂模型，且对负荷的历史数据依赖很大，且随着负荷种类的增多，用电负荷整体的识别准确率不高。还有一部分负荷识别算法是基于负荷暂态特征进行的，但是由于负荷特征提取的单一性，未能够细分深挖用电负荷的最典型特征，故这部分算法对相似用电设备和小功率电器的识别效果较差。
技术实现思路
本专利技术针对目前方法存在稳态特征建模复杂，负荷识别度不高；暂态特征对相似设备和小功率负荷识别精度低等问题，提出基于PSOSC-MDTW(Particleswarmoptimization-SystemClustering-MultidimensionalDTW)的负荷状态识别算法，用于对居家办公环境下的用电负荷进行状态识别。本专利技术具体是：步骤1.构建负荷特征模板库1-1、获取居家或办公环境中用电负荷投切时的有功功率时间序列和无功功率时间序列，将上述的两种功率时间序列记为用电负荷的瞬态功率波形TPW。获取和投切事件相对应的事件标签，将所有电负荷的瞬态功率波形TPW组成一个完整的数据集dataset。将每一种用电负荷的瞬态功率波形TPW随机取出50％的数据作为训练集，记为TR，用于负荷特征模板库选择。将数据集dataset中另外50％的数据作为测试集，记为TE，用于用电负荷状态识别方法的性能测试。1-2、计算训练集中元素Ωi的最大聚类类数mimax，其中Ωi表示第i种用电负荷的瞬态功率波形TPW的集合。1-3、初始情况下，集合Ωi中每个样本都为一个单独的类，此时的类间距离和样本间距离相同。计算集合Ωi中各个类之间的DTW距离，并得到类间距离矩阵D(Ωi)。1-4、对集合Ωi中距离最近的两类样本进行合并，其余类样本保持不变。用C(j,k)表示集合Ωi中第j类样本C(j)和第k类样本C(k)合并之后的集合。其中D(j,k)表示集合Ωi中的第j和第k类样本之间的DTW距离。1-5、比较TC-1和预置聚类类数mi之间的关系，若TC-1＝mi，则跳到1-6，输出样本当前的分类情况；若TC-1>mi，则返回到1-3，重新计算类间距离矩阵。1-6、系统聚类后将数据细分为mi个样本类，集合表示为C1,C2,…,Cr,…,r∈1,2,…,mi，用mr表示从第r个集合中选取的样本数，则其中Nr表示第r个集合中样本的个数。1-7、将集合Ωi中选取出来的样本集合表示为kui其中表示从集合Cr中选取样本的集合。1-8、对训练集TR＝{Ω1,Ω1,…,Ωn}中所有的集合都经过聚类筛选可得到完整的负荷特征模板库kuku＝{ku1,ku2,…,kui}步骤2.识别用电负荷状态2-1、从测试集TE中选取待测TPW，记为Te，负荷特征模板库ku中的典型模板波形记为Tz。2-2、采用如下电负荷状态识别规则：将Te与Tz做DTW计算，找出与待测TPW间DTW距离最小的典型模板波形，并将其状态标签给与待测TPW，从而得到用电负荷的负荷状态。De,z(Te,Tz)表示计算Te和Tz间的DTW距离，argmin()表示求取使De,z(Te,Tz)最小时的变量值，表示从负荷特征模板库中选取的与待测样本最相似的典型模板波形。步骤3.对负荷状态识别方法进行参数优化3-1：设定负荷状态识别方法的评价指标用电负荷状态识别的评价指标包括精度、灵敏度以及F度量。精度是指C类样本的概率；灵敏度是指C类样本被正确识别的概率。F度量是精度与灵敏度结合的综合指标。3-2：参数优化1)获取综合评价指标F度量根据完整的负荷特征模板库ku和测试数据集TE，进行最近邻模板匹配，可得到F度量F＝lab(dtw(g(m1,m2,…,mn,TR),TE))其中n表示用电负荷种类数，m1,m2,…,mn分别表示每一种用电负荷的聚类类数，g(,)表示步骤1构建的负荷特征模板库，dtw(,)表示步骤2-2中的用电负荷状态识别规则，lab(,)表示F度量的映射关系。2)优化过程将m1,m2,…,mn作为可变参数，综合评价指标F度量作为优化目标，对负荷识别方法进行PSO优化。优化目标函数下所示：maxF(H)＝lab(dtw(g(H,TR),TE))其中Z+表示正整数。本专利技术的有益效果：本专利技术选用居家、办公环境下负荷投切时的瞬态功率波形为特征，用做负荷辨识；针对小功率和相似负荷识别存在的难点，本专利技术提出对同类负荷TPW进行系统聚类，选取典型TPW模板，创建负荷模板特征库，提高负荷的识别率。由于负模板更加精细，本专利技术筛选得到的模板库，更具典型性，在负荷状态匹配识别时精确度更高。针对负荷种类增多存在的困难，本专利技术提出利用PSO进行参数优化，确定负荷典型TPW簇数的最优组合，使得负荷状态识别算法的综合性能最佳。本专利技术在负荷种类较多时仍然能够保证负荷状态本文档来自技高网...

【技术保护点】
1.一种居家办公环境下的用电负荷状态识别方法，其特征在于该方法包括以下步骤：/n步骤1.构建负荷特征模板库/n1-1、获取居家或办公环境中用电负荷投切时的有功功率时间序列和无功功率时间序列，将上述的两种功率时间序列记为用电负荷的瞬态功率波形TPW；/n获取和投切事件相对应的事件标签，将所有电负荷的瞬态功率波形TPW组成一个完整的数据集dataset；将每一种用电负荷的瞬态功率波形TPW随机取出50％的数据作为训练集，记为TR，用于负荷特征模板库选择；将数据集dataset中另外50％的数据作为测试集，记为TE，用于用电负荷状态识别方法的性能测试；/n1-2、计算训练集中元素Ω

【技术特征摘要】
1.一种居家办公环境下的用电负荷状态识别方法，其特征在于该方法包括以下步骤：
步骤1.构建负荷特征模板库
1-1、获取居家或办公环境中用电负荷投切时的有功功率时间序列和无功功率时间序列，将上述的两种功率时间序列记为用电负荷的瞬态功率波形TPW；
获取和投切事件相对应的事件标签，将所有电负荷的瞬态功率波形TPW组成一个完整的数据集dataset；将每一种用电负荷的瞬态功率波形TPW随机取出50％的数据作为训练集，记为TR，用于负荷特征模板库选择；将数据集dataset中另外50％的数据作为测试集，记为TE，用于用电负荷状态识别方法的性能测试；
1-2、计算训练集中元素Ωi的最大聚类类数mimax，其中Ωi表示第i种用电负荷的瞬态功率波形TPW的集合；
1-3、初始情况下，集合Ωi中每个样本都为一个单独的类，此时的类间距离和样本间距离相同；计算集合Ωi中各个类之间的DTW距离，并得到类间距离矩阵D(Ωi)；
1-4、对集合Ωi中距离最近的两类样本进行合并，其余类样本保持不变；用C(j,k)表示集合Ωi中第j类样本C(j)和第k类样本C(k)合并之后的集合；



其中D(j,k)表示集合Ωi中的第j和第k类样本之间的DTW距离
1-5、比较TC-1和预置聚类类数mi之间的关系，若TC-1＝mi，则跳到1-6，输出样本当前的分类情况；若TC-1>mi，则返回到1-3，重新计算类间距离矩阵；
1-6、系统聚类后将数据细分为mi个样本类，集合表示为用mr表示从第r个集合中选取的样本数，则



其中Nr表示第r个集合中样本的个数；
1-7、将集合Ωi中选取出来的样本集合表示为kui



其中表示从集合Cr中选取样本的集合；
1-8、对训练集TR＝{Ω1,Ω1,…,Ωn}中所有的集合都经过聚类筛选可得到完整的负荷特征模板库ku
ku＝{ku1,ku2,…,kui}
步骤2.识别用电负荷状态
2-1、从测试集TE中选取待测TPW，记为Te，负荷特征模板库ku中的典型模板波形记为...

【专利技术属性】
技术研发人员：郑松，孔亚广，陈张平，徐平，张帆，赵晓东，
申请(专利权)人：杭州国彪超声设备有限公司，杭州电子科技大学，
类型：发明
国别省市：浙江;33