一种基于PSO-SVM的负荷辨识方法及系统与流程

一种基于pso-svm的负荷辨识方法及系统
技术领域
1.本发明属于负荷辨识领域，尤其涉及一种基于pso-svm的负荷辨识方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.随着智能电网和泛在物联网的兴起，nilm(non-intrusive load monitoring，非侵入式电力负荷监测)成为国内外众多相关学者的研究热点。nilm与传统的侵入式负荷检测技术相比，具有成本低、易安装、能保护用户的隐私、易推广等优点。用电电器负荷辨识作为nilm的一个重要组成部分，提高其识别的准确性对进一步完善nilm体系用重要的意义。发明人发现，目前用电负荷辨识大多针对单一用电电器类型，而对于多种同时使用的用电电器类型辨识存在辨识不准确及不可靠的问题。


技术实现要素：

4.为了解决上述背景技术中存在的技术问题，本发明提供一种基于pso-svm的负荷辨识方法及系统，其能够适用于多种同时使用的用电电器类型辨识的情况，提高辨识率，增强负荷辨识得可靠性及准确性。
5.为了实现上述目的，本发明采用如下技术方案：
6.本发明的第一个方面提供一种基于pso-svm的负荷辨识方法。
7.一种基于pso-svm的负荷辨识方法，其包括：
8.获取设定区域内电气系统的用电信息，所述用电信息包括电流信息和功率信息；
9.从用电信息中提取用电特征，所述用电特征包括电流大小、功率大小及状态持续时间；
10.将用电特征输入至使用pso算法训练完成的svm模型中，辨识出当前开启和/或关闭的电气设备类型。
11.进一步地，在训练svm模型之前，使用pso算法初始化svm模型的参数；在训练svm模型的过程中，再使用pso算法继续优化svm模型，找出svm模型的最佳参数，从而使得svm模型的输出精度达到设定要求。
12.进一步地，所述svm模型的训练过程包括：
13.获取训练svm模型的用电信息，经扩展卡尔曼滤波算法进行滤波，再对滤波后的用电信息进行特征提取，得到用电特征，再使用kpca算法进行降维，从用电特征中选择优化的特征组合，得到训练svm模型的数据集；
14.将得到的训练svm模型的数据集中的特征组合样本输入至使用pso算法初始化参数的svm模型中，再对使用pso算法初始化参数的svm模型依次进行交叉验证以及基于预设适应度函数来验证svm模型输出的开启和/或关闭的电气设备类型，判断是否满足终止条件；若是，则得到svm模型的优化参数；否则，继续使用pso算法搜索svm模型的参数，再依次
进行交叉验证以及基于预设适应度函数来验证svm模型输出的开启和/或关闭的电气设备类型，直至满足终止条件，得到svm模型的优化参数。
15.进一步地，从用电信息中提取用电特征之前还包括：
16.对用电信息进行滤波。
17.进一步地，使用扩展卡尔曼滤波算法对用电信息进行滤波。
18.进一步地，使用小波包分析方法从用电信息中提取用电特征。
19.进一步地，将用电特征输入至训练完成的svm模型中之前，还包括：
20.使用kpca算法从用电特征中选择优化的特征组合，以降低用电特征的维度。
21.进一步地，在使用kpca算法从用电特征中选择优化的特征组合的过程中，kpca算法首先将原始用电特征通过核函数映射到高维度空间，再利用pca算法进行降维。
22.进一步地，所述核函数为高斯核函数。
23.本发明的第二个方面提供一种基于pso-svm的负荷辨识系统。
24.一种基于pso-svm的负荷辨识系统，其包括：
25.用电信息获取模块，其用于获取设定区域内电气系统的用电信息，所述用电信息包括电流信息和功率信息；
26.用电特征提取模块，其用于从用电信息中提取用电特征，所述用电特征包括电流大小、功率大小及状态持续时间；
27.负荷辨识模块，其用于将用电特征输入至使用pso算法训练完成的svm模型中，辨识出当前开启和/或关闭的电气设备类型。
28.本发明的第三个方面提供一种计算机可读存储介质。
29.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于pso-svm的负荷辨识方法中的步骤。
30.本发明的第四个方面提供一种计算机设备。
31.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于pso-svm的负荷辨识方法中的步骤。
32.与现有技术相比，本发明的有益效果是：
33.本发明的基于pso-svm的负荷辨识方法，使用pso算法初始化svm模型的参数，再使用pso算法继续优化svm模型，由于pso没有交叉与变异的处理过程从而可以更快的收敛，进而更快的获得最优参数输出，从而使得svm模型的输出精度更快地达到设定要求，将包括电流大小、功率大小及状态持续时间的用电特征输入至使用pso算法训练完成的svm模型中，能够快速准确地辨识出当前开启和/或关闭的用电设备类型，增强了负荷辨识得可靠性。
34.本发明利用扩展卡尔曼滤波算法对用电信息进行滤波，使用小波包分析方法从用电信息中提取用电特征，再使用kpca算法从用电特征中选择优化的特征组合，有利于减少噪声、信号奇异值的干扰；通过小波包分析能够提取用电信息中所包含的隐藏特征来弥补特征不足的缺陷，提高了辨识率，增强了负荷辨识得可靠性，准确性。
35.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
36.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
37.图1是本发明实施例的基于pso-svm的负荷辨识方法流程图；
38.图2(a)是本发明实施例的冰箱启动时的电流波形图；
39.图2(b)是本发明实施例的冰箱启动时的功率波形图；
40.图2(c)是本发明实施例的空气压缩机启动时的电流波形图；
41.图2(d)是本发明实施例的空气压缩机启动时的功率波形图；
42.图3是本发明实施例的svm模型训练过程图；
43.图4是本发明实施例的svm解决的二分类问题。
具体实施方式
44.下面结合附图与实施例对本发明作进一步说明。
45.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
46.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
47.术语解释：
48.pso：particle swarm optimization，粒子群优化算法；
49.svm：support vector machine，支持向量机；
50.kpca：kernel principal component analysis，核主成分分析。
51.pso-svm：使用pso算法训练的svm模型。
52.实施例一
53.如图1所示，本实施例提供了一种基于pso-svm的负荷辨识方法，其具体包括如下步骤：
54.步骤1：获取设定区域内电气系统的用电信息，所述用电信息包括电流信息和功率信息。
55.其中，设定区域可以是设定办公区域、设定一栋楼宇或是一栋房子等。
56.电气设备启动对功率的影响分为三个状态，启动之前的功率，启动时的功率，以及启动后的功率，分别定义为启动功率，启动瞬态功率，以及启动稳态功率，启动时的功率幅值波动剧烈，可以作为重要特征值来做分析，电气设备的关闭对功率的影响分为两个状态，关闭之前的功率和关闭之后的功率，分别定义为关闭功率和关闭稳态功率。与电气设备的启动相比，电气设备的关闭主要体现在关闭前后功率的差异，电气设备关闭时功率急剧下降，呈现断崖式状态，特征明显，电气设备的投切对功率的影响主要在这5个方面。从图2(a)-图2(d)中可以看出，电气设备启动时电流会发生改变，对应的功率也会发生改变。电流对应的幅值增加，上下波动加剧，功率量增加，符合电气设备启动时的规律。电流，功率都可
以作为电气设备启动时的状态值。
57.步骤2：从用电信息中提取用电特征，所述用电特征包括电流大小、功率大小及状态持续时间。
58.在具体实施中，从用电信息中提取用电特征之前还包括：
59.对用电信息进行滤波。
60.具体地，使用扩展卡尔曼滤波算法对用电信息进行滤波，消除噪声。
61.扩展卡尔曼滤波器是解决非线性系统误差的有效工具。基本原理和标准卡尔曼滤波器一样，都是以递推的方式基于前一时刻的系统状态和当前时刻的系统的观测值完成对当前时刻的系统状态更新，减少状态估计误差。其主要思想就是在滤波值附近用泰勒级数展开方法逼近原非线性系统，略去二阶和二阶上的高阶展开项，从而将非线性系统近似为线性系统进行分析。与标准卡尔曼滤波算法类似，扩展卡尔曼滤波器算法也具有“预测-更新”的递推结构。首先是预测阶段：
[0062][0063]
然后是更新阶段：
[0064][0065]
其中，是先验误差均方差矩阵；是基于k-1时刻以及之前时刻的观测值得到的对于状态向量x
k-1
的估计值。是通过计算得到的关于xk的进一步预测值。p
k|k-1
是预测值的均方根误差矩阵。是基于观测值zk计算得到的对于预测值的更新，pk是更新之后的关于的均方根误差矩阵。kk是基于卡尔曼滤波器准则选取的增益矩阵，选取准则就是估计值的均方根误差最小化。表示非线性系统，p
k-1
表示测量误差的协方差矩阵，表示测量误差矩阵，是的转置，q
k-1
是过程误差的协方差矩阵，表示过程误差矩阵，是的转置；hk观测器的输出矩阵，是hk的转置，是kk的转置。
[0066]
从公式(2)中的第三个式子可以看出，观测值zk的系数为kk，因此，随着系统观测噪声的增大，系统观测噪声协方差rk增大，kk减小，滤波器对当前观测值的依赖程度减少；当系统观测噪声减少时，rk减少，kk增大，相应地，滤波器对当前观测值的依赖程度就会增加。对于测量值而言，q
k-1
和kk均随着测量值的噪声增大而增大，也就是说，测量值的噪声越大，对观测值的依赖程度就越高。
[0067]
具体地，使用小波包分析方法从用电信息中提取用电特征。
[0068]
其中，使用小波包分析方法从给定的数据中提取特征值，去除奇异值等异常数据的影响。小波包分析能够为信号提供一种更加精细的分析方法。小波包分析将时频平面划分得更为细致，它对信号的高频部分的分辨率比二进小波要高。而且，它在小波分析理论的基础之上，引入了最优基选择的概念。即，将频带经过多层次的划分之后，根据被分析信号的特征，自适应地选取最佳基函数，使之与信号相匹配，以提高信号的分析能力。
[0069]
在具体实施中，将用电特征输入至训练完成的svm模型中之前，还包括：
[0070]
使用kpca算法从用电特征中选择优化的特征组合，以降低用电特征的维度。
[0071]
其中，特征组合的定义如下：
[0072]
定义从用电信息中提取的所有用电特征包括用电特征1，用电特征2，用电特征3，...，用电特征n；
[0073]
特征组合是用电特征的任意组合。
[0074]
比如：(用电特征1，用电特征2)为一个特征组合，或(用电特征2，用电特征3)为一个特征组合，或(用电特征1，用电特征2，用电特征3)为一个特征组合，或(用电特征2，用电特征3，...，用电特征n)也可为一个特征组合。
[0075]
其中，在使用kpca算法从用电特征中选择优化的特征组合的过程中，kpca算法首先将原始用电特征通过核函数映射到高维度空间，再利用pca算法进行降维。
[0076]
数据在低维度空间有时不是线性可分的，但是映射至高维度空间就可能变成线性可分的了。利用这个特点，kpca是将原始数据通过核函数(kernel)映射到高维度空间，再利用pca算法进行降维，所以叫做kpca降维。此处的原始数据，指的是输入至kpca中的数据，是滤波后经小包分析方法提取特征的数据。
[0077]
本实施例的核函数选用高斯核函数，其表达式如下：
[0078][0079]
其中，x，y表示空间中的两点，σ：平滑程度参数。
[0080]
利用扩展卡尔曼滤波算法对用电信息进行滤波，使用小波包分析方法从用电信息中提取用电特征，使用kpca算法从用电特征中选择优化的特征组合，有利于减少噪声、信号奇异值的干扰，这样能够提取用电信息中所包含的隐藏特征来弥补特征不足的缺陷，提高了辨识率，增强了负荷辨识得可靠性，准确性。
[0081]
步骤3：将用电特征输入至使用pso算法训练完成的svm模型中，辨识出当前开启和/或关闭的用电设备类型。
[0082]
其中，在训练svm模型之前，使用pso算法初始化svm模型的参数；在训练svm模型的过程中，再使用pso算法继续优化svm模型，找出svm模型的最佳参数，从而使得svm模型的输出精度达到设定要求。
[0083]
此处需要说明的是，设定要求指的是达到预期准确率或局部最优点。pso算法来源于鸟群捕食的概念，每一只鸟就是一个粒子，所有的粒子都映射到空间，每一次迭代都会获得惩罚函数的最大值，从而不断趋向于最优解，pso算法以具有随机解的群体为初始值，通过代群之间不断的迭代得到最优解。每一个粒子在问题空间中跟踪自己坐标，与此相关的最优解是局部最优解，定义为p
best
，由粒子群优化算子跟踪的最优解是l
best
，该优化解被所有的粒子共享。pso算法的速度迭代与位置迭代公式如式(4)与式(5)所示。
[0084][0085]
式中为第i个粒子在下一时刻的速度；u为惯量权值；c1，c2大于零的常数；为第i个粒子在当前时刻的速度；为第i个粒子当前的位置；为粒子最优解；为种群最优解；α，β为随机值，且α∈(0，1)，β∈(0，1)。
[0086][0087]
式中γ为约束常数通常设定为1；为第i个粒子在下一时刻的位置。
[0088]
svm模型的具体训练过程如图3所示。在图3中，所述svm模型的训练过程包括：
[0089]
获取训练svm模型的用电信息，经扩展卡尔曼滤波算法进行滤波，再对滤波后的用电信息进行特征提取，得到用电特征，再使用kpca算法进行降维，从用电特征中选择优化的特征组合，得到训练svm模型的数据集；
[0090]
将得到的训练svm模型的数据集中的特征组合样本输入至使用pso算法初始化参数的svm模型中，再对使用pso算法初始化参数的svm模型依次进行交叉验证以及基于预设适应度函数来验证svm模型输出的开启和/或关闭的电气设备类型，判断是否满足终止条件；若是，则得到svm模型的优化参数；否则，继续使用pso算法搜索svm模型的参数，再依次进行交叉验证以及基于预设适应度函数来验证svm模型输出的开启和/或关闭的电气设备类型，直至满足终止条件，得到svm模型的优化参数。
[0091]
其中，一个从用电特征中选择优化的特征组合作为一个数据样本，多个数据样本构成训练svm模型的数据集，每个特征组合样本用来输入至svm模型中以训练svm模型。
[0092]
交叉验证指的是：将原始数据进行分组，一部分作为训练集，另一部分作为验证集，首先用训练集进行训练，再利用验证集来测试训练得到的模型，以此来作为评价分类器的性能指标。
[0093]
适应度函数指的是：计算特征向量属于每个特征的可信水平，取最大值所对应类别作为该组特征向量所属类别。
[0094]
在具体实施中，终止条件可为达到预期准确率或局部最优点。
[0095]
此处需要说明的是，在其他实施例中，终止条件也可为使用pso算法搜索svm模型的参数的预先设定次数，本领域技术人员可根据实际情况来具体设置。
[0096]
svm是一种常规的监督学习方法，广泛用来解决分类以及回归的问题，svm解决分类问题通常是寻找一个优化的分类超平面，作为决策边界，从而使得分类边界能够最大化，图4表示了svm在二分类问题中的应用，图中显示了两个类别标签，分别为+1以及-1，用“+”与“o”表示，w与b是超平面的参数，svm的目标是找到相应的支持向量去有效区分这两个类别。二分类的svm可以扩展到多类别的svm，对于k类别问题，设计一个目标函数，同时训练所有的k个二分类，最大化每一个类别与剩余其他类别的边界距离。
[0097]
svm所解决的优化问题可以描述如下：
[0098]
[0099]
式中w，b表示超平面的参数；c表示罚函数因子；yi第i个类别的标签；φ(xi)核函数；w
t
表示w的转置；n表示标签类别的数量。
[0100]
svm所解决的优化问题可以转换为一个有约束的问题，表示如下：
[0101][0102]
式中c表示罚函数因子，是一个正常数；《w，xi》表示数据点积；xi，yi表示输入、输出数据对；表示松弛变量；φ是核函数。|| ||表示模，ε表示逼近程度。
[0103]
带有约束条件的优化问题(7)可以通过对偶lagrange(拉格朗日)法进行求解：
[0104][0105]
式中；n为标签类别的数量。yi表示输出数据，ai对应第i组输入输出数据对的lagrange乘子，aj对应第j组输入输出数据对的lagrange乘子。
[0106]
设a*是这个对偶问题的最小化解，svm的超平面为h(w*，b*)，定义
[0107][0108]
式中s表示支持向量的集合。is表示lagrange乘子的集合，表示lagrange乘子的最小化解。
[0109]
得到的分类超平面参数w*与b*表示如下：
[0110][0111]
因gaussian rbf函数易产生过拟合现象故本发明采用sigmoid核，核函数定义为：
[0112][0113]
式中a，b是大于零的常数，决定着核函数的行为。表示xi的转置；xi，yi表示输入、输出数据对。
[0114]
本实施例使用pso算法初始化svm模型的参数，再使用pso算法继续优化svm模型，由于pso没有交叉与变异的处理过程从而可以更快的收敛，进而更快的获得最优参数输出，从而使得svm模型的输出精度更快地达到设定要求，将包括电流大小、功率大小及状态持续时间的用电特征输入至训练完成的svm模型中，能够快速准确地辨识出当前开启和/或关闭的用电设备类型，增强了负荷辨识得可靠性。
[0115]
实施例二
[0116]
本实施例提供了一种基于pso-svm的负荷辨识系统，其具体包括如下模块：
[0117]
用电信息获取模块，其用于获取设定区域内电气系统的用电信息，所述用电信息
包括电流信息和功率信息；
[0118]
用电特征提取模块，其用于从用电信息中提取用电特征，所述用电特征包括电流大小、功率大小及状态持续时间；
[0119]
负荷辨识模块，其用于将用电特征输入至使用pso算法训练完成的svm模型中，辨识出当前开启和/或关闭的电气设备类型。
[0120]
此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
[0121]
实施例三
[0122]
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于pso-svm的负荷辨识方法中的步骤。
[0123]
实施例四
[0124]
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于pso-svm的负荷辨识方法中的步骤。
[0125]
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、系统、或计算机程序产品。因此，本发明可采用硬件实施例、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和光学存储器等)上实施的计算机程序产品的形式。
[0126]
本发明是参照根据本发明实施例的方法、设备(系统)、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。
[0127]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0128]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。