一种适用于非侵入式电力监测的负荷特征自学习方法与流程

本发明属于电力系统技术领域，涉及一种适用于非侵入式电力监测的负荷特征自学习方法。

背景技术：

非侵入式负荷监测(nilm)技术包含四大基本内容：1)数据与预处理采集；2)事件检测；3)特征提取；4)负荷识别。其共同构成非侵入式负荷监测系统的原理如图1所示。系统在工作时，数据采集与预处理模块首先采集并计算总的负荷数据(有功功率、无功功率、电压、电流等)，传递给事件检测模块；事件检测模块能检测出在哪些时刻发生了负荷事件(负荷投入或切除)；特征提取模块依据事件检测的结果，在负荷事件发生后提取负荷事件特征(包括稳态特征和暂态特征)；最后负荷识别模块根据提取出的负荷事件特征，通过分类识别算法，对负荷事件进行分类识别。其中负荷特征提取模块在nilm中起到重要作用，只有提取到正确、有效的负荷特征，才能进一步利用这些特征通过负荷分类识别算法对负荷进行识别。

当前对于负荷特征的研究主要集中于负荷投切事件发生后的稳态与暂态物理特征，包括：有功、有功、无功、电流、电压及其差量，电流—电压轨迹，以及高次谐波特征等。这些提取的特征量都是具有明确物理意义的，在进行特征提取时需要人为去进行设定，再通过对数据采集模块采集到的电量数据进行计算得到。在对这些特征进行计算时，往往只是基于局部数据点的，以特征量功率峰值为例，它只用到了负荷事件发生后的一个数据点，而有功差量这一特征也只用到了某时刻前后的两个数据点。局部的数据点对于对应的负荷事件数据曲线具有一定的解释性，能反映曲线的大致特点，但是依然缺乏对负荷事件数据曲线的全局解释性。

技术实现要素：

为解决上述问题，本发明提出一种适用于非侵入式电力监测的负荷特征自学习方法，无需人为设定特征提取模块需要提取哪些具体的物理特征，而是自主的去学习能反映负荷事件本质特点的抽象特征，该方法中特征学习的数据源为投切事件模块标定的负荷事件时刻对应的负荷数据序列。

为了达到上述目的，本发明提供如下技术方案：

一种适用于非侵入式电力监测的负荷特征自学习方法，包括如下步骤：

步骤一、获取负荷事件发生后的负荷数据序列作为输入样本；

步骤二、在输入样本中随机加入噪声；

步骤三、根据数据样本序列的长度确定降噪自编码器的输入层神经元数，并生成输入层与输出层；

步骤四、确定降噪自编码器隐藏层神经元个数，并生成隐藏层；

步骤五、设定降噪自编码器的训练误差限；

步骤六、初始化降噪自编码器输入层与隐藏层，隐藏层与输出层间的映射参数，参数包括权重与偏置；

步骤七、根据输入数据序列与各层之间的映射参数计算输出序列对于输入序列的重构误差；

步骤八、对重构误差是否小于设定的训练误差限进行判断，若重构误差小于训练误差限则转步骤十，若重构误差大于训练误差限则转步骤九；

步骤九、利用梯度下降算法更新输入层与隐藏层，隐藏层与输出层之间的映射参数；

步骤十、提取隐藏层节点值作为负荷事件的抽象特征。

进一步的，所述步骤三中输出层与输入层结构相同，输出层的神经元个数与输入层相同。

进一步的，所述步骤四中，隐藏层神经元个数小于输入层与输出层额定神经元个数。

进一步的，所述步骤六中，输入层与隐藏层之间的映射函数定义为：

y＝fθ(x')＝s(wx'+b)(1)

式(1)中s(x)为降噪自编码器的激活函数，θ为编码参数，由权重w和偏置b组成；

隐藏层与输出层之间的映射函数定义为：

z＝fθ'(y)＝s(w'y+b')(2)

式(2)中θ'为解码参数，由权重w'和偏置b'组成。

进一步的，所述步骤七中，所述重构误差的计算公式为：

其中，l为自编码器的输入层神经元个数。

与现有技术相比，本发明具有如下优点和有益效果：

本发明利用降噪自编码器模型，对输入的负荷数据序列进行编码再解码，以实现对数据序列的压缩感知，从而实现抽象特征的学习。本发明方法中特征自学习的数据源为投切事件模块标定的负荷事件时刻对应的负荷数据序列，对负荷事件数据曲线实现了全局解释。

附图说明

图1为是非侵入式负荷监测系统的基本原理图。

图2为自编码器结构图。

图3为适用于非侵入式电力监测的负荷特征自学习方法的流程图。

具体实施方式

以下将结合具体实施例对本发明提供的技术方案进行详细说明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。

本发明利用降噪自编码器模型实现，自编码器是一种特殊的神经网络，即输出与输入相同，模型通过训练调整参数，使得输入通过特征编码再解码的方式尽可能地恢复原来的输入信号，这些经特征编码变换后的数值即为表示输入信号的抽象特征，一般的自编码器结构如图2所示。

将不同的负荷投切事件对应的时间序列作为自编码器的输入，以某一特定的负荷投切事件样本为例，假设对应的样本数量为k，则样本集为x＝{x⁽¹⁾,x⁽²⁾...x^(k)}，任意一个样本x⁽ⁱ⁾是长度为l的时间序列，即x⁽ⁱ⁾是l维向量，设计自编码器的输入层神经元个数为l，设计中间隐藏层的神经元个数为m，由于自编码器使用反向传播算法优化输入数据的重构误差，即使目标输出y⁽ⁱ⁾→x⁽ⁱ⁾，迫使神经网络去学习输入数据的压缩表示，即必须从m维的隐藏神经元激活度向量α⁽ⁱ⁾∈r^m中重构出x⁽ⁱ⁾。如果样本集中的任意样本是完全随机的，比如每个输入的x⁽ⁱ⁾都是跟其它输入变量完全无关的独立同分布的高斯随机变量，这一学习过程将很难进行，但如果输入的样本数据都隐含一些特定的结构，那么这一算法便可以发现输入样本数据之间的相关性。网络训练结束后，每一个输入样本x⁽ⁱ⁾对应的隐藏层激活度向量α⁽ⁱ⁾就相当于降维(学习)后的抽象特征向量。将自编码器的输入加入一些随机噪声，此时自编码器将能获得从受干扰的输入数据中提取抽象特征的能力，此时自编码器的鲁棒性增强。

本发明提出的一种适用于非侵入式电力监测的负荷特征自学习方法，其流程如图3所示，包括以下步骤：

步骤一、获取负荷事件发生后的负荷数据序列作为输入样本：

以有功功率数据为例，通过事件检测算法标定了负荷事件的起始时刻以及对应的稳态与暂态过程，将从起始时刻起至稳态过程的有功功率数据序列作为自编码器的输入样本。

步骤二、在输入样本中随机加入噪声：

这一步骤的目的是使输入样本x变为含噪样本x’，以模拟可能随机出现的扰动对自编码器特征学习能力的影响，如果自编码器能够在噪声存在的情况下，对输入序列有很小的重构误差，则认为其特征学习能力的鲁棒性得到增强。对于人为加入噪声的自编码器称为降噪自编码器。

步骤三、根据数据样本序列的长度确定降噪自编码器的输入层神经元数，并生成输入层与输出层：

若经加噪后的输入样本x’的序列长度为l，则设定输入层的神经元个数也为l，即输入样本序列与输入层神经元存在一一映射的关系。根据自编码器特征学习的原理，需尽可能缩小对输入数据序列的重构误差，故输出层应保持与输入层相同的结构，即输出层的神经元个数与输入层相同。

步骤四、确定降噪自编码器的隐藏层神经元个数并生成隐藏层：

在步骤三中已经确定了输入层与输出层额定神经元个数为l，对于隐藏层神经元个数k的选取应遵循k＜l的原则，这是为了满足将高维度的输入向量，压缩成更低维度的抽象特征向量，从而实现对数据特征的压缩提取。

步骤五、设定降噪自编码器的训练误差限。

训练误差限可以认为是能被接受的重构误差的上限。

步骤六、初始化降噪自编码器输入层与隐藏层，隐藏层与输出层间的映射参数，参数包括权重与偏置。

输入层与隐藏层之间的映射函数可以定义为：

y＝fθ(x')＝s(wx'+b)(1)

式(1)中s(x)为降噪自编码器的激活函数，θ为编码参数，由权重w和偏置b组成；

隐藏层与输出层之间的映射函数可以定义为：

z＝fθ'(y)＝s(w'y+b')(2)

式(2)中θ'为解码参数，由权重w'和偏置b'组成；

步骤七、根据输入数据序列与各层之间的映射参数计算输出序列对于输入序列的重构误差。

重构误差的计算公式为：

注意在式(3)中，输出序列z是在已经经过加噪处理的输入序列x'的基础上计算得到的，但参与重构误差计算的依然是原始的输入序列x。

步骤八、对重构误差是否小于设定的训练误差限进行判断，若重构误差小于训练误差限则认为降噪自编码器模型已经学习到对输入数据具有良好解释性的抽象特征，转步骤十。

若重构误差大于训练误差限，则认为降噪自编码器模型还没有学习到对输入数据具有良好解释性的抽象特征，转步骤九。

步骤九、利用梯度下降算法更新输入层与隐藏层，隐藏层与输出层之间的映射参数。

步骤十提取隐藏层节点值作为负荷事件的抽象特征。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。