一种采用组合学习方法的用电异常识别方法与流程

1.本发明涉及用电检测技术领域，尤其涉及一种采用组合学习方法的用电异常识别方法。


背景技术：

2.节能减排是智能电网建设的重要技术目标。我国电力系统改革虽然取得了很大进展，但仍然任重道远，尤其是如何健全电力市场机制、提高能源利用效率、贯彻绿色发展战略仍是极具挑战的问题。
3.目前的用电监测主要分为工商用电监测及居民用电监测。其中，工商业用虽然电占比较大，但用电模式单一，现有研究也比较充分。与之对应的，居民用电模式则比较复杂、柔性负荷占比高且需求弹性较大，有研究表明通过了解和改进居民用电行为可以节省超过27％的电力消耗。因此，研究居民用电问题对于提高能源系统效率、实现节能减排、绿色发展具有重要意义。对于居民用电的监测，现在的主流技术为非侵入式的方法，即，通过负荷分解来对用户用电行为进行研究，但是，这样的检测方式，需要大量的电气特征进行运算，才能对用电异常情况进行判定，效率较为低下。
4.因此，怎样才能在保证监测准确性的同时，提升居民用电异常情况的监测效率，成为目前亟待解决的问题。


技术实现要素：

5.针对上述现有技术的不足，本发明提供了一种采用组合学习方法的用电异常识别方法，可以在保证监测准确性的同时大幅度的提升居民用电异常的监测效率。
6.为了解决上述技术问题，本发明采用了如下的技术方案：
7.一种采用组合学习方法的用电异常识别方法，包括以下步骤：
8.s1、按照预设的要求获取家用电器用电参数，所述预设的要求包括家用电器的类型及数量；
9.s2、通过排列组合的方式，枚举出各家用电器所有可能的用电方案，并获取各用电方案对应的总负荷电流；所述用电方案包括各家用电器的工作数量；
10.s3、以各用电方案为输入，对应的总负荷电流为输出，对预设的神经网络模型进行训练；
11.s4、获取实际处于工作状态的各家用电器的数量作为实际用电方案，输入训练好的神经网络模型，得到参考负荷电流；
12.s5、将实际总负荷电流与参考负荷电流进行对比，若偏差大于预设程度，则判定为存在异常。
13.优选地，所述神经网络模型为三层神经网络模型。
14.优选地，所述神经网络模型的结构包括输入层神经元15个、隐藏层神经元9个及输出层神经元15个。
15.优选地，所述神经网路的激活函数为sigmoid函数。
16.优选地，s3中，训练神经网络模型时，迭代次数设为1000次，训练方差设为1e-4，学习率设为0.01。
17.优选地，s3中，以总负荷电流加权预设倍数作为输出，对设的神经网络模型进行训练；s5中，将实际总负荷电流加权预设倍数后与参考负荷电流进行对比。
18.优选地，所述加权倍数的数值大于等于80。
19.优选地，s2中，所述总负荷电流为：
20.i(t)＝α1i1(t)+α2i2(t)+
…
α
mim
(t)+
…
α
nin
(t)；
21.其中，i(t)是家庭入户处t时刻测得的总负荷电流；im(t)是第m个电器在t时刻的工作电流，αm为该电器的工作个数，工作个数为0则代表该电器一个也没有开启。
22.优选地，s5中，当判定为存在异常时，还进行预设的用电警示。
23.本发明与现有技术相比，具有如下有益效果：
24.1、与现有技术对居民用电进行监测时，通过负荷分解来对用户用电行为不同的是，本发明将用户家电进行排列组合，得到所有可能的用电方案后，计算出各用电方案的总负荷电流，再引入神经网络进行学习。换个说法，本发明将获取到的家用电器设为变量，通过对变量的排列组合枚举出所有可能的用电情况，再基于各用电情况对应的总负荷电流，对神经网络模型进行训练。这样，利用神经网络模型自学习的特点，通过有限的训练数据，便可以得到家用电器的用电方案与其总负荷电流的关系。之后，进行实际监测时，只需要获取实际处于工作状态的各家用电器的数量作为实际用电方案，并输入训练好的神经网络模型，便可以得到参考负荷电流。再将参考负荷电流与实际的总负荷电流进行比对，便可以了解是否存在用电异常。与现有技术相比，这样的监测方式不仅可以保证监测结果的准确性，并且实施简单、成本也较低，还可以大幅提升监测效率。
25.综上，本发明可以在保证监测准确性的同时大幅度的提升居民用电异常的监测效率，对防范可能出现的用电事故起到辅助作用。
26.2、本发明在监测到居民用电异常时，会发送用电警示，用户了解情况后可进行后续确认，与用户协同判断当前用电状态是有新负荷接入还是出现了故障，可以提高用户的参与度。
27.3、本发明在获取神经网络模型的训练数据时，由于家用电器的多样性及用电组合的多样性，可能会出现多种家用电器方案对应的总负荷电流之间的差值较小的情况，直接采用原数据进行训练，后续监测时可能会使准确度受到影响。本发明的进一步优化中，获取到各家用电器方案对应的总负荷电流后，会将其加权预设倍数用作训练数据，相应的，实际监测时，同样会将实际总负荷电流加权预设倍数后再进行对比判断。通过这样的方式，将各种家电组合之间总负荷电流差值区分度变大，能够进一步保证监测的准确性。
附图说明
28.为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
29.图1为本发明一种采用组合学习方法的用电异常识别方法的流程图；
30.图2为实施例中神经网络的网络层次结构示意图；
31.图3为实施例中神经网络训练结果r值示意图。
具体实施方式
32.下面通过具体实施方式进一步详细的说明：
33.实施例：
34.如图1所示，本实施例中公开了一种采用组合学习方法的用电异常识别方法，包括以下步骤：
35.s1、按照预设的要求获取家用电器用电参数，所述预设的要求包括家用电器的类型及数量。
36.家用电器，即居民用电的电器，如空调、电饭锅、电脑、电视机、风扇等等。为了保证监测的适用性，获取的家用电器可尽可能的多样，若同一类家用电器有不同功率的种类，也可分别获取，从而枚举出尽可能多的用电方案数据，用于后续神经网络模型的训练。
37.s2、通过排列组合的方式，枚举出各家用电器所有可能的用电方案，并获取各用电方案对应的总负荷电流；所述用电方案包括各家用电器的工作数量。
38.在具体实施时，可将各家用电器设为已知变量：
39.比如变量a＝空调、变量b＝电饭锅、变量c＝电脑、变量d＝电视机、变量e＝风扇，等等。为了能够枚举出所有用电组合情况，进行排列组合，例如将a电器捆绑，那么就有{a,b}、{a,c}、{a,d}、{a,e}；如果将a电器和b电器捆绑，那么就有{a,b,c}、{a,b,d}、{a,b,e}，依次类推，枚举出各家用电器所有可能的用电方案。
40.为了便于说明，假设共有n种电器，则n类电器组成的总负荷电流可表示为：
41.i(t)＝α1i1(t)+α2i2(t)+
…
α
mim
(t)+
…
α
nin
(t)；
42.其中，i(t)是家庭入户处t时刻测得的总负荷电流；im(t)是第m个电器在t时刻的工作电流；αm为该电器的系数，即每类电器的工作个数，0代表该电器一个也没有开启。
43.s3、以各用电方案为输入，对应的总负荷电流为输出，对预设的神经网络模型进行训练。
44.具体实施时，神经网络模型为三层神经网络模型，神经网络模型的结构包括输入层神经元15个、隐藏层神经元9个及输出层神经元15个。神经网络的网络层次结构如图2所示。神经网络模型中的将权重系数ωi随机生成，因为可以进行反向传播迭代。为了能够更好学习训练，迭代次数设置为1000次，训练方差设为1e-4，学习率设为0.01，激活函数使用sigmoid函数。调整后使结果达到最优。神经网络训练结果r值如图3所示。
45.需要说明的是，由于家用电器的多样性及用电组合的多样性，可能会出现多种家用电器方案对应的总负荷电流之间的差值较小的情况，直接采用原数据进行训练，后续监测时可能会使准确度受到影响。因此，本发明的进一步优化中，获取到各家用电器方案对应的总负荷电流后，会将其加权预设倍数在用作训练数据，相应的，实际监测时，同样会将实际总负荷电流加权预设倍数后再进行对比判断。通过这样的方式，将各种家电组合之间总负荷电流差值区分度变大，能够进一步保证监测的准确性。同时，为了保证训练数据中各总负荷电流差值的区分度足够大，加权倍数的应数值大于等于80，本实施例中，加权倍数的数值为100。
46.s4、获取实际处于工作状态的各家用电器的数量作为实际用电方案，输入训练好
的神经网络模型，得到参考负荷电流；
47.s5、将实际总负荷电流加权预设倍数后与参考负荷电流进行对比，若偏差大于预设程度，则判定为存在异常。具体实施时，当abs{(in(k)-is)}/is＜di时，用电行为正常；反之，用电行为异常。式中，is为实际总负荷电流加权预设倍数后的数值，in(k)为对应的参考负荷电流，di为预设的偏差值。若判定为存在异常，则进行预设的用电警示。用电警示的方式可采用声光提示或者文字提示，本领域技术人员也可选择自己熟悉的警示方式设置具体的用电警示，只要能达到警示效果即可，在此不再赘述。
48.与现有技术对居民用电进行监测时，通过负荷分解来对用户用电行为不同的是，本发明将用户家电进行排列组合，得到所有可能的用电方案后，计算出各用电方案的总负荷电流，再引入神经网络进行学习。换个说法，本发明将获取到的家用电器设为变量，通过对变量的排列组合枚举出所有可能的用电情况，再基于各用电情况对应的总负荷电流，对神经网络模型进行训练。这样，利用神经网络模型自学习的特点，通过有限的训练数据，便可以得到家用电器的用电方案与其总负荷电流的关系。之后，进行实际监测时，只需要获取实际处于工作状态的各家用电器的数量作为实际用电方案，并输入训练好的神经网络模型，便可以得到参考负荷电流。再将参考负荷电流与实际的总负荷电流进行比对，便可以了解是否存在用电异常。与现有技术相比，这样的监测方式不仅可以保证监测结果的准确性，并且实施简单、成本也较低，还可以大幅提升监测效率。并且，本发明在监测到居民用电异常时，还会发送用电警示，用户了解情况后可进行后续确认，与用户协同判断当前用电状态是有新负荷接入还是出现了故障，可以提高用户的参与度。
49.最后需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制技术方案，本领域的普通技术人员应当理解，那些对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，均应涵盖在本发明的权利要求范围当中。