一种基于改进DAG-SVMS的非侵入式负荷辨识方法

一种基于改进dag
‑
svms的非侵入式负荷辨识方法
技术领域
1.本发明涉及智能电网领域，特别地，提出一种基于改进dag
‑
svms的非侵入式负荷辨识方法


背景技术：

2.在供电入口处嵌入非侵入式负荷识别技术，有利于电力需求侧管理、实现电力用户与电网之间的用电信息交流、优化用户用电、完善智能电网体系的建设，同时，推动智能家居的发展。
3.从负荷特征提取角度出发，非侵入式负荷识别技术可分为基于暂态的和基于稳态的，考虑到暂态特征的提取需要较高的采样频率，对硬件要求较高，目前大多数的非侵入式负荷识别技术是基于稳态的，但是随着大规模集成电路的发展，硬件成本降低，基于暂态的非侵入式负荷识别技术发展与普及成为可能。相较与稳态，暂态特征能够提供更多的细节信息，在状态持续变化的变频设备识别中表现出更好的性能，识别准确率更高，其次，以暂态过程的特征提取作为输入，将多负荷的识别转化为单负荷识别模型，辨识复杂性降低。
4.综上，本发明公开了一种基于改进有向无环图的非侵入式负荷辨识方法，先对系统暂态过程进行检测，检测到暂态过程后进行暂态波形分离进行暂态特征提取，将特征量归一化处理后，使用dag
‑
svms算法训练生成负荷识别模型，并对模型中的分类器利用pso算法进行参数优化，最后优化分类模型节点排列顺序，减小累积误差提高模型识别准确率。本发明较于一般方法，识别准确率高，识别速度快，实用性强。


技术实现要素：

5.本发明公开了一种基于改进dag
‑
svms的非侵入式负荷辨识方法，本发明较于一般方法，识别准确率高，识别速度快，实用性强。
6.本发声的目的之一是通过如下方案实现的，一种基于改进dag
‑
svms非侵入式负荷辨识方法，包括数据采集模块、事件检测模块、特征提取模块、负荷辨识模块，数据传送模块。
7.所述数据采集模块，用于采集电力系统入口处总电流数据，以及，所述采集方式为将电流互感器输入端接于火线，输出端进行a/d转换。
8.所述事件检测模块，使用事件检测算法检测采集到的总电流数据，检测到暂态事件后，保存暂态事件起始时间。
9.所述特征提取模块，用于事件检测模块检测到暂态事件后，特征提取模块将暂态电流波形进行波形分离，获取引起暂态事件的目标负荷暂态波形，进一步的，提取用于区分不同负荷的暂态特征。
10.所述负荷辨识模块，包括负荷辨识模型训练阶段，还包括负荷实时识别阶段，所述负荷辨识模型训练阶段，以样本库数据为支撑，训练负荷辨识模型；所述负荷识别阶段，实时的提取出引起暂态事件的目标负荷特征，输入辨识模型进行识别。
11.所述结果数据传送模块，实时识别时，将所述事件检测模块检测得到的暂态起始时间，与所述负荷辨识模块辨识结果反馈给用户，供用户实时监测用电负荷投切时间与工作状态。
12.进一步地，所述数据采集模块，对电流互感器输出端电流数据采用高频采样，a/d转换，以获取总电流数据，为事件检测模块提供数据来源。
13.进一步地，所述事件检测模块使用事件检测算法进行暂态事件监测，所述事件检测算法为基于启发式的暂态事件监测算法，具体包括：
14.定义第t个周期的负荷电流强度定义为：
15.上式中，k为一个周期内电流的采样点总数；i(k)为第t个周期内第k个采样点的电流值。
16.当电力系统内部负荷运行状态均不变时，相邻周期电流强度差值δi
intensity
趋近于0，系统一旦发生暂态过程，且δi
intensity
超过δ，则判定系统内负荷发生了暂态过程，表示为:
17.系统一旦检测到暂态事件的产生，则执行暂态结束算法，δi
intensity
小于ε的个数大于γ时，则判定为系统暂态过程结束，表示为：
15.监测到暂态事件后，记录第二个周期电流起始时刻为暂态事件起始时刻，判定暂态事件结束，当前时刻减去γ个周期后，得到暂态事件结束时刻，起始时刻与结束时刻作差得到暂态持续时间，且为电流周期的整数倍。
18.进一步地，所述特征提取模块将暂态事件电流波形与暂态事件前电流波形同相位作差，获取目标负荷暂态电流波形；所述电流波形同相位作差，指将相同周期长度的暂态事件电流数据与暂态事件前稳态电流数据作差；
19.进一步地，所述特征提取模块，对目标负荷暂态电流波形进行特征提取，所述特征包括：持续时间(暂态电流波形起始时刻与结束时刻差值)、最大值(电流波形最大值)、峰峰值(电流波形最大值与最小值之差)、平均值(电流波形平均值)绝对平均值(电流波形先取绝对值后，再取平均)电流强度(电流波形强度，采样点数为电流波形点数)、稳态波形有效值(暂态事件前后稳态电流强度差值)峰均比(峰峰值与电流强度比值)、波形因数(电流强度与绝对平均值的比值)、波峰因数(最大值与电流强度比值)、负荷标志位(根据暂态事件前后电流强度变化判断负荷投入还是切除，电流强度增大为投入，电流强度减小为切除，负荷投入时为1，负荷切除时为0)。
20.进一步地，所述负荷辨识模块，包括负荷辨识模型训练阶段，还包括负荷实时识别阶段。所述负荷辨识模型训练阶段，所述负荷辨识模型训练阶段，样本库数据为数据来源，
训练负荷辨识模型；所述负荷识别阶段，实时的提取出引起暂态事件的目标负荷特征，输入辨识模型进行识别。
21.进一步地，所述负荷辨识模型训练阶段，特征提取模块提取电力系统内部各用电负荷暂态特征后，贴标签，归一化后形成包含各用电负荷特征的样本数据库，根据特征标志位将样本分为投入和切除两类，作为训练辨识模型的数据来源。
22.进一步地，所述负荷辨识模块，训练负荷辨识模型具体步骤为：
23.步骤1：将样本数据库两类数据样本，每一类样本中任意两种负荷为一个组合两两分组；
24.步骤2：使用pso算法优化支持向量机机误差惩罚参数c和高斯径向基核参数g，分别对每个分组训练分类器；
25.步骤3：将两类样本中各组数据训练得到的分类器，分别搭建有向无环图模型，并使用gini指数进行节点顺序优化，得到两种识别模型；
26.进一步地，所述负荷辨识模型训练阶段，步骤2中，使用粒子群算法优化分类器参数，适应度函数选用k
‑
交叉验证分类正确率，核函数使用高斯径向基核函数，设置速度与位置范围，随机初始化速度与位置，搜索各分类器性能最优时c，g参数组合。速度与位置按下式更新：v
id
(t+1)＝w*v
id
(t)+c1r1(p
id
‑
x
id
(t))+c2r2(p
gd
‑
x
id
(t))x
id
(t+1)＝x
id
(t)+v
id
(t+1)
27.上式中：v
id
为粒子的速度；x
id
为粒子的位置；w为惯性权重；c1、c2为学习因子；r1，r2为均匀分布在[0，1]范围内的随机数。
[0028]
进一步地，所述负荷辨识模型训练阶段，步骤3中，将两类样本训练好的分类器分别搭建有向无环图形成多分类模型，由于模型采用层次结构，而误差累计是层次结构不可避免的分类弊端，高层节点对分类结构影响更大，采用gini指数进行节点顺序优化，如下所示：
[0029]
其中，p
i
为d中样本属于第i类的概率；d表示整个数据样本训练集。
[0030]
若样本集被某一节点svm
xy
划分为两个子集合d1，d2，则经过该划分后样本的gini指数降为：
[0031]
经过该划分，产生的gini指数差为：δgini(svm
xy
)＝gini(d)
‑
gini
xy
(d)
[0032]
对节点顺序的优化为：首先利用各个分类器对样本训练集进行划分，选择δgini最大的节点作为根节点，然后将划分后的样本集d1，d2分别视为独立集，在下一层中选择gini指数差值最大的分类器作为当前节点，以此循环，搭建有向无环图分类模型。
[0033]
进一步地，所述负荷辨识阶段，数据采集模块采集总电流数据，暂态事件模块检测暂态事件，特征提取模块对目标负荷暂态电流波形分离后，提取特征，根据负荷标识位，输入对应的有向无环图模型进行识别。
[0034]
进一步地，所述结果数据传送模块，包括所述事件检测模块检测得到的暂态起始时间，还包括所述负荷辨识模块辨识结果，通过wifi、gprs发送至用户终端，或传送至云端存储供用户终端访问。本发明的优点及有益效果如下：
[0035]
从节约硬件成本角度出发，目前大多数的非侵入式负荷识别技术方案通过基于稳态的低采样实现，基于事件监测的高频采样识别技术对硬件要求较高，但识别效果得到极大改善，同时，伴随大规模集成电路的发展，硬件成本降低，基于暂态的非侵入式负荷识别技术推广与普及成为可能。本发明提出一种基于改进dag
‑
svms的非侵入式负荷辨识方法，将多负荷的识别转化为单负荷识别模型，辨识复杂性降低，能有效解决稳态特征在状态持续变化的变频设备识别中存在的不足，由于分类器使用了核函数，负荷特征类似存在重叠时仍能保持较好的识别结果，同时，提出的识别算法与目前常用的算法相比，具有更高的负荷识别率，识别速度更快，实用性强。
附图说明
[0036]
图1为本发明提供的一种基于改进dag
‑
svms的非侵入式负荷辨识方法流程图
[0037]
图2为暂态电流波形分离示例
[0038]
图3为粒子群优化算法优化分类器参数流程图
[0039]
图4有向无环图支持向量机识别模型示例具体实施
[0040]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，附图仅用于示例性说明，不能理解为对本发明的限制。
实施例：
[0042]
一种基于改进dag
‑
svms的非侵入式负荷辨识方法，如图1所示。选择公开数据集blued，对本发明公开非侵入式负荷辨识方案示例性说明，该数据集展现了美国某家庭一周用电情况，工频为60hz，提供了总线处高频电流、电压数据(12khz)，一个电流工作周期两百个采样点，并配备对应设备状态转换列表。从数据集中选取5种投切次数较多的用电设备用于实验验证，见表1：表1暂态样本数据组成
[0043]
暂态事件监测模块监测到暂态事件后，进行目标负荷暂态电流波形分离，如图2所示，特征提取模块对目标负荷电流波形进行特征提取，图2所示暂态电流波形进一步提取特征如表2所示：
表2负荷特征
[0044]
当算法处于训练阶段时，提取各用电负荷特征后，分别贴上训练标签，归一化处理，形成包含各用电负荷特征的样本数据库，训练负荷辨识模型。
[0045]
使用粒子群算法优化分类器c、g参数，如图3所示，根据负荷标志位将分类器分为投入和切除两部分，分别搭建有向无环图模型，并使用gini指数优化节点顺序。有向无环图支持向量机识别模型采用“排除”的思想，样本将随着根节点从上到下流动直至叶节点，分支节点决定样本具体被分类到左分支还是右分支，最终叶节点的类别就是该样本所属类别。以3分类为例，如图4所示。
[0046]
分别从10类暂态过程中随机选择60％的数据样本用于训练，剩余40％样本用于测试，执行结果如表3所示表3辨识结果表3辨识结果
[0047]
从表3可以看出，文中方法对负荷暂态过程的投入识别率均为100％，负荷切除识别率相对偏低，这是因为负荷切除时暂态过程持续时间偏短，同时电力线中伴随噪声干扰，导致暂态特征区分度有所减弱，算法平均识别率为97.69％，说明本发明负荷辨识方法有效性。表4优化前后对比
[0048]
从表4可以看出，使用粒子群算法优化分类器参数后，识别准确率提高了8.91％，节点顺序优化后平均识别率提高了1.04％。
[0049]
为说明文中算法的实用性，使用目前常用的bp神经网络、k
‑
nn算法、cart算法与本发明提出的有向无环图辨识算法对比分析，结果见表4表4辨识结果
[0050]
从表4可以看出，本发明单样本识别时间最短，实时性最强，仅为bp神经网络的0.22％，k
‑
nn算法的0.26％，且平均识别率最高。本发明方法平均离线训练时间最长，为20.35s，在实际应用中离线训练时长在一定范围内都是可接受的，考虑到系统通信模块，人机交互等对系统在线识别速度要求较高，本发明在线识别时间短，识别准确率高，反映了算法实用性。
[0051]
最后说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的保护范围之内。