基于云边协同的非侵入式负荷监测数据在线压缩感知方法

本发明涉及一种基于云边协同的压缩感知方法，具体涉及一种基于云边协同的非侵入式负荷监测架构，通过在线字典学习和稀疏度自适应重构的在线压缩感知方法。

背景技术：

1、目前，负荷监测在电力系统、能源管理和智能电网等领域具有重要的应用价值。负荷监测可以通过采集和分析电力系统中的负荷信息，帮助电力公司和能源管理者了解电力消耗，优化能源供应，提高能源利用效率，降低能源成本，减少环境污染等。

2、然而，传统的侵入式负荷监测(intrusive load monitoring,ilm)方法通常需要在电力系统中安装大量的传感器或监测设备，这不仅增加了部署的成本和复杂性，还可能对系统内设备的正常运行产生干扰。因此，使用一种能够在不需要额外传感器或设备的情况下实现对负荷信息的准确监测和分析的非侵入式负荷监测(non-intrusive loadmonitoring,nilm)方法，具有重要的实际应用价值。

3、目前，已经有一些负荷监测方法被提出并应用于实际系统中。例如，基于传统的采样和信号处理技术的nilm方法，可以通过对总线电压和电流信号进行采样，然后对采样信号进行处理和分析，得到监测信息。然而，为了提高监测精度，通常需要高频率的采样信号和复杂的信号处理算法，这导致了较高的计算复杂度和硬件成本。另外，由于电力系统中的负荷信号通常具有高维度、非稀疏和非线性等特点，传统的轻量化机器学习方法在处理复杂负荷信号时存在一定的局限性。

4、近年来，基于云边协同的分布式nilm系统架构获得了较高的关注，通过将高频率的采样信号上传到云计算中心，借助于云计算中心强大的计算和存储能力实现负荷监测是当前nilm的热门研究方向。然而，随之而来的多用户高维度数据上传给通信网络带来了巨大的压力。因此，如何将边缘端高维度数据实时上传到云计算中心是当前研究的关键问题。

5、综上所述，当前nilm技术存在的问题如下：

6、(1)传统的nilm在传感器设备(如电表等)上难以处理高频率的采样信号和实现复杂的信号处理算法，而准确的nilm计算复杂度高，对硬件设备的配置要求大大增加；

7、(2)使用云边分布式nilm架构时，通信网络难以容纳多用户高维数据的上传要求；

8、(3)总线电流信号通常具有时变性、高维度、非稀疏和非线性等特点，传统的压缩感知方法在处理复杂的总线电流信号时可能存在一定的局限性。

技术实现思路

1、为了解决背景技术中存在的上述问题，本发明提供了一种基于云边协同的非侵入式负荷监测数据在线压缩感知方法。该方法能够减少非侵入式负荷数据上传到云计算中心时通信带宽的占用，解决传统字典学习难以适用于多变的总线电流信号的问题。本发明可广泛应用于电力系统、能源管理、智能电网等领域中对负荷状态进行实时监测和反馈控制的应用场景。

2、本发明的目的是通过以下技术方案实现的：

3、一种基于云边协同的非侵入式负荷监测数据在线压缩感知方法，包括如下步骤：

4、步骤一、数据采集：

5、将传感器或电表采集到的信号经过协议转化以及预处理后，得到需要上传的原始信号x并存储到传感器或电表的嵌入式系统中；

6、步骤二、数据压缩采样：

7、在该传感器或电表中将原始信号x经过压缩采样，得到压缩后的观测信号y，然后通过通信网络将压缩后的观测信号上传到云计算中心，具体步骤如下：

8、步骤二一、使用高斯随机矩阵作为测量矩阵，将输入的高维原始信号投影到低维度空间，得到压缩之后的观测信号，该过程使用一个矩阵运算来描述，即：

9、y＝φx

10、其中，y是压缩采样后的观测信号，φ是测量矩阵，x是原始信号，通过测量矩阵φ的不同选择，可以实现不同的压缩率；

11、步骤二二、通过通信网络传输压缩之后的观测信号y，降低网络传输压力；

12、步骤三、稀疏表示：

13、在云计算中心采用k奇异值分解(k singular value decomposition,ksvd)算法根据预存的总线电压和电流数据得到的字典作为在线字典学习的热启动初始字典d0，然后使用在线字典学习算法根据变化的信号不断更新字典以更好的适应多变的总线电流信号，具体步骤如下：

14、步骤三一、基于ksvd算法构建本地字典d0，将其作为在线字典学习的热启动初始字典，基于ksvd算法构建本地字典d0的具体步骤如下：

15、(1)在稀疏编码阶段，固定学习字典d，采用正交匹配追踪算法(orthogonalmatching pursuit，omp)计算满足优化条件的稀疏系数矩阵α，优化目标如下：

16、

17、其中，d为学习字典，α为原始信号x对应的稀疏系数矩阵，αi为矩阵α中的稀疏向量，k为字典稀疏度，字典满足非零元素个数小于k的稀疏条件；

18、(2)在字典更新阶段，对稀疏字典进行逐列更新，字典更新式如下所示：

19、

20、其中dt表示稀疏字典d的第t列；et为误差矩阵，表示稀疏字典的第t列对原始信号x的贡献度；

21、(3)对et进行奇异值分解得到使目标函数最小的dt与αt的更新值，为了保证得到的αt符合优化问题的稀疏约束条件，将αt中所有的0元素剔除，并对et对应列作同样处理得到e't，再对e't进行奇异值分解：

22、e't＝u∑vt

23、(4)用矩阵u的第一列更新字典列向量dt，用矩阵v的第一列与第一个奇异值的积更新稀疏向量αt，然后将之前αt剔除的0元素添加到相应位置，确保与更新前相比，αt的稀疏性没有降低；

24、(5)对稀疏字典的每一列重复步骤(2)～(4)，将更新的各列组合，得到最优的稀疏字典矩阵；

25、(6)整个ksvd字典学习过程将交替重复稀疏编码阶段与字典更新步骤，直到迭代次数达到最大值，由此得到本地字典d0；

26、步骤三二、使用在线字典学习算法根据变化的总线电流信号不断更新字典以更好的适应多变的信号，具体步骤如下：

27、(1)原始信号由独立同分布的样本组成，每次输入一个样本xt；输入由ksvd构造的初始字典

28、(2)初始化重置之前的信息；

29、(3)对于t＝1到t，开始迭代：

30、(4)每次加入一个新的样本xt；

31、(5)稀疏编码，使用lars lasso进行计算：

32、

33、(6)计算：

34、(7)使用下面的字典更新算法计算dt，并且使用dt-1作为字典的热启动：

35、

36、(8)直到t＝t，迭代停止；

37、(9)输出更新的字典dt；

38、步骤四、数据重构：

39、在云计算中心采用稀疏度自适应匹配追踪(sparsity adaptive matchingpursuit,samp)的压缩感知算法，对步骤二压缩后的观测信号进行数据重构；

40、步骤五、负荷监测：

41、使用步骤四得到的大量重构信号，通过一些大规模的深度学习算法进行负荷监测和分析，得到用户总线上各负荷的实时工作状态和变化趋势；

42、步骤六、实时反馈控制：

43、根据步骤五的负荷监测结果进行实时反馈控制和调节，比如给出用户节电建议、动态调整电价等。

44、相比于现有技术，本发明具有如下优点：

45、本发明提出了一种基于云边协同的非侵入式负荷数据在线压缩感知方法，通过在线字典学习，可以根据实时采集的负荷电流信号学习更符合当前信号的字典，从而能够更好地适应信号的时变性和非线性特点，更好的对信号进行稀疏表示。同时，采用samp重构算法，对信号进行稀疏度自适应重构，提高信号重构的准确性。本发明的云边协同架构，解决了本地部署nilm硬件计算能力有限问题。同时通过本发明的在线压缩感知方法降低了通信带宽的占用，并提高了信号稀疏表示的能力以及重构信号的准确性。