一种基于粒子群卷积网络的电流负荷分解方法技术

技术编号：41514888 阅读：2 留言：0更新日期：2024-05-30 14:52

本发明专利技术属于电负荷监测技术领域，具体为一种基于粒子群卷积网络的电流负荷分解方法。本发明专利技术包括：特征分解，是使用ICEEMDAN将电流信号分解为多个内在模态函数，每个IMF捕捉原始信号在不同频率范围内的特征；数据转换，是将这些IMF通过连续小波变换转换为时频图像，为深度学习模型提供输入格式；数据增强，是通过CLAHE改善这些图像的对比度，增强局部特征的可识别性；数据合并，将增强后的图像合并成多通道数据结构，使CNN模型能够考虑所有IMFs中的信息；电流分解估计，是利用PSO优化的CNN模型对合并后数据结构进行处理，提取电流特征并输出电流分解估计值。本发明专利技术实现电流数据的非侵入性分解，分解准确性高、稳定性好。

全部详细技术资料下载

【技术实现步骤摘要】

本专利技术属于电负荷监测，具体涉及基于粒子群卷积网络的电流负荷分解方法。

技术介绍

1、在电流负荷分解领域，一种重要的技术是非侵入式负荷监测(nilm)。nilm是一种使用单个家庭电表读数的方法，通过分析电力数据的变化模式和特征，推断出各个电器设备的功耗贡献。nilm技术的关键在于识别和区分不同设备在总负荷中的功耗贡献，从而实现对电力数据的分解。

2、在负荷分解技术中，传统的方法包括基于统计模型、聚类分析和时序分解等。这些方法基于电力数据的统计特性和时序关系，通过建立模型或使用算法，将总负荷分解为各个设备的功耗贡献。

3、近年来，基于机器学习和深度学习的方法在负荷分解中取得了显著的进展。例如，基于深度学习的模型如卷积神经网络(cnn)、循环神经网络(rnn)和变换器(transformer)等，能够学习电力数据中的时序特征和设备关联性，从而实现准确的负荷分解。

4、此外，信号处理技术在负荷分解中也具有重要作用。通过滤波、频域分析和小波变换等技术，可以提取电力数据中不同设备的特征信号，实现负荷分解的目标。

5、非侵入式负荷监测方法、传统的统计模型和时序分解方法，以及基于机器学习和深度学习的模型。这些技术的应用可以实现对电力数据的分解，揭示各个设备的功耗特性，为能源供应商和用户提供准确的能源需求预测和优化策略，从而促进能源领域的可持续发展。

6、但是，由于电力系统中多设备混合运行，导致电流混叠问题；对此，上述方法的单独使用，会严重影响分解准确性和稳定性。

<p>技术实现思路

1、本专利技术的目的是提供一种分解准确性高、稳定性好的基于粒子群卷积网络的电流负荷分解方法，以克服电力系统中多设备混合运行导致的电流混叠问题。

2、本专利技术提供的基于粒子群卷积网络的电流负荷分解方法，采用粒子群卷积网络的电流负荷分解模型，该模型具体包括：特征分解、数据转换、数据增强、数据合并以及电流分解估计模块。首先，特征分解模块使用iceemdan技术将电流信号分解为多个内在模态函数(imfs)，每个imf捕捉原始信号在不同频率范围内的特征；数据转换模块随后将这些imfs通过连续小波变换(cwt)转换为时频图像，为深度学习模型提供适宜的输入格式；数据增强模块通过clahe技术改善这些图像的对比度，增强局部特征的可识别性；数据合并模块将增强后的图像合并成一个多通道数据结构，使得cnn模型能够综合考虑所有imfs中的信息；最后，电流分解估计模块利用pso优化的cnn模型对合并后的数据结构进行处理，提取电流特征，并输出精确的电流分解估计值；具体步骤为：

3、步骤1：数据采集和预处理；

4、通过部署电流传感器，以固定1khz采样频率采集1个插线板总线上的电流数据，以及多个分设备电流数据，采集时长为2h，利用滑动窗口的方法获得数据集；将数据集经过预处理操作，包括数据清洗和去噪，以确保数据的质量和准确性；然后对数据集进行洗牌操作，打乱数据的顺序，选择数据集的80％用于训练，20％用于测试。

5、步骤2：特征分解；

6、在这个阶段，使用改进的完整集合经验模态分解方法(iceemdan)来处理数据。iceemdan是一种基于经验模态分解(emd)的技术，它能够将复杂的信号分解为一系列简单的函数，这些函数被称为内在模态函数(imfs)。每个imf代表了原始信号在不同频率范围内的振动模式。这种分解有助于揭示电流信号中的多尺度特征，例如周期性波动、瞬时尖峰等。通过这种方式，我们可以从原始的电流数据中提取出四个代表不同尺度特征的imfs，为后续的分析和处理提供了更丰富的信息。

7、步骤3：数据转换；

8、在数据转换阶段，将预处理后的imfs转换为可以被深度学习模型处理的格式。具体来说，对每个imf应用连续小波变换(cwt)，将这些一维的时间序列数据转换为二维的时频图像。cwt是一种数学工具，它可以揭示信号在不同时间和频率下的局部特征。通过cwt，可以得到每个imf的时频表示，这些图像捕捉了原始电流信号中的瞬时特征，如突变和频率变化。这些时频图像为使用卷积神经网络(cnn)这类在图像识别方面表现出色的深度学习模型提供了适合的输入格式。

9、步骤4：数据增强；

10、数据增强阶段的目的是提高转换后的时频图像的质量，以便于cnn模型能够更有效地从中提取特征。在这个阶段，使用对比度限制自适应直方图均衡化(clahe)技术对cwt图像进行处理。clahe是一种先进的图像处理技术，它可以改善图像的局部对比度，特别是在图像的暗部或亮部细节不足的情况下。通过应用clahe，我们可以增强时频图像中的局部特征，使得cnn在后续的学习过程中能够更容易地识别这些特征。

11、步骤5：数据合并；

12、数据合并阶段的目的是将四个增强后的时频图像整合成一个单一的数据结构，以便于cnn模型进行处理。在这个阶段，我们将四个cwt图像合并成一个多通道图像或者一个高维数据张量。这样做的目的是让cnn能够同时考虑到所有四个imfs中的信息，从而进行更全面的特征提取和分析。合并后的数据结构是一个四通道的图像，其中每个通道对应一个增强后的cwt图像。

13、步骤6：电流分解的估计；

14、我们使用经过粒子群优化(pso)算法优化过的cnn模型来处理合并后的数据结构，并进行最终的电流特征提取和分析。pso是一种优化算法，它可以帮助我们找到cnn模型中的最优参数，如滤波器的数量、层的大小、激活函数的选择等。通过pso优化的cnn模型能够更准确地从合并后的时频图像中提取电流信号的特征，并最终输出电流的估计值或分类结果。

15、步骤7：设计损失函数和优化器；

16、采用huber损失函数，用于衡量生成结果与真实负荷之间的差异；优化器选择adam优化器。

17、步骤8：模型训练和参数更新；

18、使用预处理后的电流数据作为输入，将目标负荷作为训练的目标，通过反向传播算法计算梯度并更新模型参数，以最小化损失函数；在训练过程中，采用批量训练及滑动窗口训练的方式，随机选择一批滑动窗口内数据进行模型的更新和优化。

19、步骤9：模型测试和预测；

20、将测试数据输入到训练好的粒子群卷积网络的电流负荷分解模型中，进行前向传播操作，得到电流负荷的预测结果。

21、进一步地：

22、步骤1中所述数据采集的具体步骤为：

23、采集1个插线板总线和6个分设备上的电流数据，分别编号d0、d1、d2、…、d6；在采集电气数据时，从0时刻起，采集器开始采集，采集频率为1khz，采集时长为2h，对每一个设备来说，采集到的数据条目总数为7200000条；

24、使用滑动窗口法构造数据集，设置窗口大小为2000，滑动步长为31，前三条数据与最后一条数据为:[0,2000),[31,2031),[62,2062),…,[719800本文档来自技高网...

【技术保护点】

1.一种基于粒子群卷积网络的电流负荷分解方法，其特征在于，采用粒子群卷积网络的电流负荷分解模型，该模型包括：特征分解、数据转换、数据增强、数据合并以及电流分解估计模块；特征分解模块使用ICEEMDAN技术将电流信号分解为多个内在模态函数IMFs，每个IMF捕捉原始信号在不同频率范围内的特征；数据转换模块随后将这些IMFs通过连续小波变换CWT转换为时频图像，为深度学习模型提供适宜的输入格式；数据增强模块通过CLAHE技术改善这些图像的对比度，增强局部特征的可识别性；数据合并模块将增强后的图像合并成一个多通道数据结构，使得CNN模型能够综合考虑所有IMFs中的信息；最后，电流分解估计模块利用PSO优化的CNN模型对合并后的数据结构进行处理，提取电流特征，并输出精确的电流分解估计值；

2.根据权利要求1所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤1中所述数据采集的具体步骤为：

3.根据权利要求2所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤1中所述数据预处理，包括：

4.根据权利要求3所述的基于粒子群卷积网络的电流负荷

5.根据权利要求4所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤3中，在数据转换阶段，对从数据预处理阶段获得的内在模态函数IMFs应用连续小波变换CWT，揭示非平稳信号的局部特征；通过CWT，将每个IMF转换为一个二维时间-频率表示，这些二维表示不仅捕获原始电流信号的动态变化，而且还保留信号的时间分辨率，从而能够观察到信号随时间变化的精细结构；

6.根据权利要求5所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤4中，数据增强阶段是通过对比度限制自适应直方图均衡化CLAHE来提高连续小波变换CWT图像的对比度；CLAHE是通过限制图像对比度的增强来改善图像的局部细节，特别是在那些对比度较高或较低的区域；

7.根据权利要求6所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤5中，在数据合并阶段，将四个经过对比度增强的连续小波变换CWT图像融合成一个统一的数据结构；合并的数学表达用以下公式表示：

8.根据权利要求7所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤6中所述电流分解的估计，是利用粒子群优化PSO算法来优化卷积神经网络CNN的超参数；卷积神经网络CNN是由多个卷积层、池化层和全连接层组成的深度学习模型，它能够从合并后的数据结构中学习到电流信号的复杂特征；PSO算法通过搜索超参数的最优组合来提高CNN模型的性能；

9.根据权利要求8所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤8中，所述模型训练和参数更新，具体为：对模型的参数进行随机初始化；选择Huber损失函数作为衡量模型预测结果与真实负荷之间差异的指标，选择Adam优化器进行参数更新；将训练集输入模型，计算损失函数并进行反向传播，通过优化器更新模型参数，重复该过程进行多轮训练。

...

【技术特征摘要】

1.一种基于粒子群卷积网络的电流负荷分解方法，其特征在于，采用粒子群卷积网络的电流负荷分解模型，该模型包括：特征分解、数据转换、数据增强、数据合并以及电流分解估计模块；特征分解模块使用iceemdan技术将电流信号分解为多个内在模态函数imfs，每个imf捕捉原始信号在不同频率范围内的特征；数据转换模块随后将这些imfs通过连续小波变换cwt转换为时频图像，为深度学习模型提供适宜的输入格式；数据增强模块通过clahe技术改善这些图像的对比度，增强局部特征的可识别性；数据合并模块将增强后的图像合并成一个多通道数据结构，使得cnn模型能够综合考虑所有imfs中的信息；最后，电流分解估计模块利用pso优化的cnn模型对合并后的数据结构进行处理，提取电流特征，并输出精确的电流分解估计值；

2.根据权利要求1所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤1中所述数据采集的具体步骤为：

3.根据权利要求2所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤1中所述数据预处理，包括：

4.根据权利要求3所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤2中，在特征分解阶段，首先采用改进的完整集合经验模态分解方法iceemdan来处理原始电流信号；iceemdan通过向信号中添加白噪声并应用经验模态分解emd来提取信号的内在模态函数imfs；每个imf捕获了原始信号在特定频率范围内的振动模式，这些模式是理解电流信号动态的关键；通过这种方式，将复杂的电流信号分解为若干个简单的组成部分，每个部分都可以独立分析；

5.根据权利要求4所述的基于粒子群卷积网络的电流负荷分解方法，其特征在于，步骤3中，在数...

【专利技术属性】
技术研发人员：张珊珊，
申请(专利权)人：上海梦象智能科技有限公司，
类型：发明
国别省市：

全部详细技术资料下载我是这个专利的主人